时间序列的构成与需求预测逻辑
在需求预测中,时间序列是将历史需求按时间先后顺序排列。虽然影响需求的变量众多,但在时间序列分析中,我们将除时间外的其他变量统归为时间因素。这些变量整合后表现出一定的惯性,随时间推移呈现特定模式,即需求的延续性。
如图1所示,时间序列主要由三部分构成:
- 水平(Level):需求呈现忽高忽低的波动,但无明显的趋势或季节性特征。
- 趋势(Trend):随着时间推移,需求呈现出持续增长或下降的态势。
- 周期性(Seasonality/Cyclicality):需求呈现交替的高峰与低谷,季节性是其中一种有规律可循的周期性表现。
水平波动、趋势和季节性属于需求变动中的“系统部分”,具有可预测性;其余无法解释的波动则视为随机变动的“杂音”,通常不可预测。

图1:时间序列的基本构成
资料来源:《供应链计划:需求预测与S&OP》,许栩著,有修改。
现实案例中的趋势与季节性
以热饮销售为例,营收每年增长30%体现了趋势;冬季销量高、夏季销量低体现了季节性。两者叠加,形成了既包含趋势又包含季节性的可预测模式。而受气候突变、竞品活动等不可控因素影响的波动,则构成了时间序列中的随机部分。
类似地,牛奶产量随奶牛平均产奶量提升而增长(趋势),并呈现夏秋多、冬春少的规律(季节性);城市用电量、商用车销量以及糖尿病药物销量等,均呈现出显著的趋势与季节性特征。
时间序列分解的实践意义
以某地国际航班乘客总数为例(见图2),数据显示乘客数量逐年增加(趋势),且受寒暑假及法定节假日影响呈现明显的波峰波谷(季节性),剩余部分则为随机成分。

图2:时间序列的分解
时间序列的可分解性具有重要的实践价值。它帮助我们从纷繁复杂的数据中提炼出具有重复性和延续性的规律(如趋势、季节性),将未知留给随机变动部分。经过分解可知,大部分数据变动是可解释的,仅小部分需要依赖数据之外的判断。
需求预测的三大板块与管理策略
在随机变动中,相当一部分是由管理行为(如促销、新品上市等)导入的波动。若能与市场、销售等职能部门紧密协作,提前识别并剔除这些人为干预因素,剩下的才是真正的随机波动。据此,可将需求分解为三大板块进行针对性管理:
1. 基于历史数据的规律性变动
包括趋势和季节性变动。通过深入分析历史数据,即可有效预知这部分需求。这是需求预测的基础,遵循“从数据开始”的原则。
2. 管理行为导入的变动
包括促销活动、市场推广、新品导入及老品退市等。通过与市场、销售等职能部门的充分对接,利用职业判断对数据模型进行修正,遵循“由判断结束”的原则,可大幅降低预测偏差。
3. 真正的随机波动
这是历史数据和职业判断均无法解释的部分。对此,企业应通过设置合理的安全库存和优化供应链执行能力来应对不确定性。
避免“拍脑袋”预测的关键
需求预测本质上是一种计划行为。如果数据分析不到位,无法提炼出有规律的可知部分,企业往往被迫将所有变动视为不可知,进而过度依赖销售人员“提需求”。由于缺乏数据分析能力,这种模式容易陷入“从判断开始,由判断结束”的经验主义泥潭,导致粗放管理。
值得注意的是,随机部分并非完全不可知。小概率事件一旦发生,便成为既定事实,背后往往存在必然性。许多最初表现为“随机”的波动,随着数据积累可能显现出趋势或季节性特征。例如,业务初期的增长可能被归为随机波动,但随着时间推移,其趋势性逐渐明朗;同理,早期的无序波动也可能演变为明显的季节性规律。
应对策略主要包括两方面:一是尽快实施滚动预测,纳入最新的历史数据和职业判断;二是选择并配置合适的预测模型(如移动平均法、简单指数平滑法、线性回归、霍尔特法、霍尔特-温特模型等),通过模型将“随机”因素规律化。若应用得当,这些方法能解决大部分需求预测问题。

