在系统梳理了供应链框架、需求分析及需求管理四大组件后，我们深入探讨需求管理的科学基础——需求预测。无论 S&OP 会议效率多高，供需共识多强，企业最终必须回答核心问题：未来市场究竟需要多少产品？预测虽无精确答案，但必须有理性估计。以下进入 CSCP Module 1 Section D：需求预测的核心内容。
一、预测的本质：承认误差，降低风险
许多企业误以为拥有 ERP 和 Excel 就能掌控未来，但 CSCP 明确指出：预测几乎总是错的。这并非悲观，而是基于客户想法多变及黑天鹅事件频发的现实。因此，预测不是算命，而是在信息不完备条件下降低决策风险的管理工具。
基于此认知，CSCP 提出构成健康预测文化的五条基本原则：
- 基于实际需求，而非客户订单。 订单常因囤货或恐慌性采购而扭曲真实消费。优质预测需还原“若无缺货与恐慌，市场本应消费多少”的真实水平。
- 必须包含误差估计。 如同民调给出误差范围，需求预测需量化不确定性。误差估计直接决定安全库存水平与供应链柔性配置。
- 群体预测优于单品预测。 体现风险池化（Risk Pooling）原理。产品族层面的高估与低估可相互抵消，故长期规划应在产品族层面进行，短期执行再分解至 SKU。
- 近期预测优于远期预测。 时间越短意外越少。缩短前置时间的核心目的，是将预测任务置于更短、更准的时间窗口内完成。
- 需定期审视与更新。 市场环境瞬息万变，预测模型与参数必须随之调整，避免将年初数据锁入抽屉成为“数字考古”。
二、预测流程：十步闭环管理
规范的预测遵循结构化流程，从明确目的到持续改进，共十个步骤：
- 明确预测目的。 区分是为了采购、排产还是人员配置，不同目的对应不同的精度要求与聚合层级。
- 确定对象与层级。 明确是预测总收入、产品族销量还是单个 SKU，并确定计量单位（件、箱、吨或金额）。
- 确定时间跨度与周期。 界定短期（周）、中期（月）或长期（年），设定规划桶（Planning Bucket）粒度。
- 可视化历史数据。 绘图识别趋势与季节性，人眼判断往往优于初始数学模型，辅助选择时间序列或关联预测方法。
- 选择预测方法。 数据充足且稳定选时间序列；无数据或剧变选定性或关联预测。
- 准备数据。 清洗异常值，剔除一次性事件，对强季节性数据进行去季节化处理。
- 回测验证。 利用历史末期数据进行模拟预测，对比实际结果以检验模型精度。
- 执行预测。 对去季节化数据运行模型，完成后加回季节性因素，并进行必要的定性调整。
- 达成 S&OP 共识。 供需财三方围绕“一个数字”（One-number System）达成一致，形成共识需求计划。
- 定期回顾与改进。 监控误差指标，若某方法误差持续扩大，果断更换模型或调整参数。
三、定性预测：应对历史数据缺失场景
在新品上市、市场剧变或政策出台等缺乏历史参考的场景下，需依赖定性预测，即人的判断与经验。
判断法/专家判断法最为常见，但易受偏差（Bias）影响（如销售低估、营销高估）。缓解策略是要求提供悲观、最可能、乐观三种估计，并按权重（如 1:4:1）合并计算加权共识值。
德尔菲法（Delphi Method）更为严谨，通过匿名多轮征询与反馈，避免“群体思维”与“面子效应”，适用于战略级预测，但耗时较长。
最实用的往往是组合法：先用定量模型打底，再用定性判断修正。关键在于分别记录与验证两种预测，以评估人为判断是提升了精度还是引入了噪音。
四、定量预测：时间序列分析
当历史数据充足且规律延续时，时间序列预测是首选，其核心假设是影响过去的因素将继续影响未来。
计算前必须先可视化并处理季节性。若不进行去季节化（Deseasonalizing），模型易将季节性波峰误判为趋势。标准步骤为：计算季节性指数，剥离季节性得到平稳数据，运行模型后再乘回季节性指数。
常用的三种时间序列方法：
- 简单移动平均： 取最近 N 期平均值。适合需求平稳产品，能平滑随机波动，但对趋势反应滞后。
- 加权移动平均： 赋予近期数据更高权重，能更快响应趋势变化，权重设定需结合经验试错。
- 指数平滑： 应用最广，仅需上期预测、上期实际及平滑常数α。α越接近 1 越看重近期数据。其实质是对所有历史数据分配指数级衰减的权重。
需注意，时间序列方法用预测值推算远期时会迅速收敛为常数，因此更适合短中期预测。
五、关联预测：利用领先指标
当产品需求与外部变量高度相关时，关联预测（Associative Forecasting）更为有效，例如房屋开工量与屋顶材料销量的关系。
简单回归拟合两变量线性关系（y = α + βx）。使用时需检查相关系数 r与决定系数 r²，若 r²过低，说明模型解释力有限。多元回归引入多个自变量，但需遵循业务逻辑，避免过拟合或得出无因果意义的荒谬结论。
区分领先指标（如建筑许可、消费者信心指数）与滞后指标（如失业率、CPI）至关重要。优秀的供应链管理者应建立监测体系，用领先指标预判风向，用滞后指标验证判断。
六、服务业预测：高频波动的挑战
服务业预测常需精确到小时（如餐厅客流、呼叫中心来电量）。面对日内高峰与周内波动，核心逻辑不变：先识别模式，再选择合适的时间粒度。POS 系统与数字化工具使得小时级数据采集与分析成为可能，对排班与产能配置提出更高要求。
七、预测误差：衡量与管理
既然预测必然出错，如何衡量错误便是专业度的分水岭。CSCP 定义了五种核心指标：
- 预测误差（Forecast Error）： 实际值与预测值之差的绝对值，可用绝对百分比误差（APE）跨产品比较。
- 偏差（Bias）： 衡量系统性高估或低估。方向性问题需优先消除，通过调整参数或重审假设解决。
- 平均绝对偏差（MAD）： 多期绝对误差的平均值，是计算安全库存的基础。1 倍 MAD 约覆盖 80% 波动，2 倍约 95%，3 倍约 99%。
- 追踪信号（Tracking Signal）： 累积代数误差与 MAD 的比值。若持续超出±4 阈值，表明模型失效，需更换方法或调参。
- 均方误差（MSE）： 平方放大较大误差影响，对异常偏离敏感，适用于对大失误“零容忍”的场景。
- 平均绝对百分比误差（MAPE）： 将误差标准化为百分比，具备极佳的可比性，便于统一监控海量 SKU 的预测质量。