需求预测的误区：为何不能用发货历史代替真实需求
需求的本质是在特定定价策略和竞争态势下，客户想要什么、要多少以及何时需要。这与企业的销售目标截然不同：前者是“客户想吃几碗饭”，属于非约束性的真实需求；后者是“我们想让客户吃几碗饭”，属于销售目标。混淆两者是需求管理的大忌。
在理想状态下，需求量、订单量与发货量应完全一致。然而现实世界中，供需失衡导致这三者往往不相等。供不应求时，部分订单可能流失或被取消；供过于求时，促销可能导致客户提前或超额下单。尤其在电商和零售行业，无库存即无订单的模式使得通过订单精准量化需求变得更为困难。
以客户需求日期定义需求
由于严格意义上的“真实需求”难以捕捉，实践中通常将订单视为需求的近似值。关键在于如何界定需求的时间点。例如，7月5日接到100个订单，客户要求7月10日交货，但实际8月3日才发货。此时，这100个需求应归属于客户要求交货的7月，而非实际发货的8月。
尽管客户可能为了抢货而博弈交货期，但作为供应方，若能据此提前备货并达成交易，便是正向的商业结果。反之，若忽视客户期望日期，将导致计划失真。
发货数据滞后引发的预测偏差
将发货数据直接当作需求历史是需求预测中的常见错误，其根本原因在于发货数据的滞后性会导致对需求的低估或高估，进而加剧供应链波动。
短缺情境下的低估风险：当需求增长而库存不足时，发货被迫延迟。若按发货日期统计，原本属于7月的需求被计入8月，导致系统低估7月真实需求，进而低估后续预测，使短缺状况恶化。
过剩情境下的高估风险：当产能恢复或为完成考核指标时，企业可能集中清理积压订单或向渠道压货。这些集中在当期发出的货物虚高了当期需求，误导预测模型调高后续预期，从而引发新的库存过剩。
案例实证：发货与需求数据的显著差异
通过实际案例分析两种数据统计方式对预测结果的影响。图1展示了2018年过剩时期的数据对比，图2展示了2017年短缺时期的数据对比。
图1：2018年过剩时，需求和发货历史
在2018年过剩阶段，9至12月的发货量明显高于客户实际需求。这可能源于前期短缺后的产能释放或年末销售压货。若基于发货量进行预测，趋势线会被人为拔高。即使使用简单的移动平均法，误差也极为显著：采用6个月移动平均，基于客户需求量的2019年1月预测值为83,746个，而基于发货量则高达102,255个，高出22%；若采用3个月移动平均，差距更是扩大至52%。
图2：2017年短缺时，需求和发货历史
在2017年短缺阶段，实际发货量比需求量低6.4%。若基于发货数据进行预测，采用6个月移动平均会低估11%的需求，采用3个月移动平均也会低估8%。这些看似微小的百分比差异，在实际运营中意味着巨大的库存偏差和服务水平下降，其纠正成本远高于优化预测模型本身的投入。