本文作者的需求计划课件，请点击：供应链计划课件(进阶版)上线
近年来，大数据的概念已深入人心，不少电商公司（阿里、京东、亚马逊等）充分运用大数据的算法对海量级产品进行合理的预测，市面上最热的莫过于“水晶球”，似乎有了大数据，就能打开潘多拉的盒子，事实又是如何的呢？
所谓水晶球可以合理对销售业绩的大方向给出指导性建议，SKU级别的可能每个企业因生意模式不同，实际SKU级别的应用可能目前来看效果并不好（特别是在经销商模式）
针对需求预测方面的模型主要有移动平均、指数平滑、线性回归、非线性回归、ARIMA模型（又称自回归积分滑动平均模型-简单来说它结合了数据的分布、季节的变化、运用相关数学算法使M+1到M+3范围内的误差最小-从实战角度来讲，意义不是很大，首先这是需要用数据挖掘软件来做的，第二要使用得好必须对公司产品渠道特点/供应链计划逻辑有较好的理解才能设定好相应的参数，需要懂一些IT技术+统计学相关的知识+供应链思维）
另外还有相关数学分布，比较常用的有正态分布（偏连续型）和泊松分布（偏离散型），在一定程度上来讲，泊松分布变是正态分布在离散型方面的变异，随着数据的变化，两者可以在适当的情况下相应的转换。
对于需求计划来说，我们要做的只是学会如何应用相关数理统计知识，去帮助我们做好基准预测即可
数理统计的基础知识
1、服务水平：来单时能满足订单需求的概率
2、正态分布：可理解为少数富人占有8成的财富，少数穷人占极少的财富，多数为中产阶级
比如：预测/库存涉及ABC分类相关金额占比结构的合理性
3、泊松分布：在一个特定时间内，某个独立事件会在任意时刻随机发生的概率（比如：订货点和有货率的关系）
4、中位数：比较接近平均的数，比如10个数，中位数就是最当中的2个数的平均数
5、标准差：一组数中实际值与平均值之间的差异情况
6、需求波动系数（CV）：标准差/平均数—主要是看SKU的波动程度（一般分XYZ）
7、线性回归（一元/多元）：看单一/多个变量对结果的偏差是否存在较大的影响，分析参数变量和结果变量的关系，得出相应的回归方程式，可通过代入X值（参数变量）得到Y值（结果变量）
8、非线性回归：除了线性以外的曲线趋势（比如指数、幂、多项式），方法与线性回归一致，只是数据分布不同
备注： excel中想要批量测出属于哪个数据分布比较难（最简单的办法可以通过看图来分析出属于哪个分布）
9、移动平均：根据前N个月的量求平均值
10、指数平滑（需求波动系数属于Y【0.3-0.5】的情况下使用）：通过周期内（比如1-12月）实际值与预测值的对比，使用最小二乘法，通过权数（近期的一般权数较大，远期的一般权数较小）的变化，使得预测值的总体误差与实际值最小；如想要精准化，则需要选择实际与期望预测之间最小的误差，选择最优的权数
备注：仅做介绍，实战意义不大，第一：很难在excel中批量用在SKU中 第二：指数平滑只能应用于波动不大的（30%范围内的），实战中按需求波动系数微调一下即可，没太大意义去用
11、季节系数：具体月的金额/平均月的金额，一般用来分析产品小类的趋势，比如1月是100，平均12个月是50，1月季节系数就是2
12、相关系数：变量之间的相关性，比如月销量和季节系数之间的变化趋势（正相关或负相关）
使用可参考correl函数
数据清洗
通过去掉最大和最小的部分比例，取剩余中间剩余比例的相关数据，平均得出一个相对平滑的值（以应对因促销/缺货导致的波动）-适用波动较大的，比例需结合公司实际业务情况而定
如果产品是稳定型（X）的：可考虑使用移动平均N月
预测应用
结合传统ABC分类（80%、15%、5%）和需求波动系数（标准差/平均）
需求波动系数：0-0.3 X
需求波动系数：0.3-0.5 Y
需求波动系数：>0.5 z
实际计划中的应用
1、AX:平量*季节系数
2、AY:正常以平量*季节系数来，如有活动，可考虑促销下限，需与渠道敲定，如相关月有明显的季节/有较大的下降趋势，要重点沟通
3、AZ:正常以平量*季节系数来，如有活动，可考虑促销下限，需与渠道敲定，如相关月有明显的季节/有较大的下降趋势，要重点沟通
4、BX:平量*季节系数
5、BY:正常以平量*季节系数来，如有活动，可考虑促销下限，需与渠道敲定，如相关月有明显的季节/有较大的下降上升趋势，要重点沟通
6、BZ:正常以平量*季节系数来，如有活动，可考虑促销下限，需与渠道敲定，如相关月有明显的季节/有较大的下降上升趋势，要重点沟通
7、CX:按平量预测，如要多做A类可考虑为0
8、CY:按平量预测，如要多做A类可考虑为0，如相关月有明显的季节/有较大的上升趋势，要重点沟通
9、CZ:按平量预测，如要多做A类可考虑为0，如相关月有明显的季节/有较大的上升趋势，要重点沟通
安全库存应用
结合传统ABC分类（80%、15%、5%）和需求波动系数（标准差/平均）
需求波动系数：0-0.3 X
需求波动系数：0.3-0.5 Y
需求波动系数：>0.5 z
实际计划中的应用
1、AX:按7天来备，可考虑VMI
2、AY: 比如说从AY类总体来看14天满足绝大多数SKU通过安全库存能满足95%销售
3、AZ:不备，充分利用工厂柔性按周消耗一批，补一批，平时紧密跟进
4、B类如涉及到冲指标情况可备，须预先对渠道平时充哪些SKU有所了解
5、C类原则上不备，如RDC可考虑备
非线性回归应用
测算小类相关月数量（只能用于小类层面）
根据清洗后的数据来看，相关数据组属于多项式
线性回归应用
业绩指标测算
结合2016+2017相关月的比重和2018年1月-8月的金额，使用线性回归测算2018年9月-12月业绩
分段函数应用-活动力度与销售增长倍率
通过分析某个品牌所有SKU近2年（24个月）的折扣力度与相应销量增长倍率，数据量大可考虑使用数据库来处理相关数据，从截图中可知，如产品成本可以支持，相关品牌建议做6折活动，反之建议做6.5折活动
平时建议各位需求计划，可以试着分析产品小类对应的折扣与销售增长的关系，这对给出合理的活动量有很大的好处，建议可以尝试。
泊松分布应用（测算订货量与有货率）
适用于间隙性需求，波动较大，但也是比较重要的SKU
比如有些电商团购的活动
从结果来看，订10周的量最合理（既可满足有货率95%，也能保证合理的库存水平）
END
数理统计只是优化计算精度/提升效率的一种方式。想要做好需求计划，熟悉产品季节特点、销售运营的思维、渠道市场的动态，永远是第一位的，祝愿大家在各自的领域能取得好成绩，谢谢！
相关好文如下，点击即可阅读
如何用Excel做供应链网络优化（通俗易懂）
最实用的呆滞物料处理方案
供应链神人：不用系统也能处理海量订单
一个真实的供应链九宫格ABCXYZ降本案例
ABCXYZ策略分类在需求计划和供应计划中的应用
物料计划中如何使用Excel实现一对多反向查询功能
有了ERP 软件，供应链人为什么还依赖 Excel 表格？
Excel新技能 -- 产能与销售策略最优决策分析
为什么很多公司的ERP系统用得还不如Excel