非数据科学家的库存需求预测听起来比实际做起来难。大多数团队不需要黑盒模型。他们需要的是干净的销售历史、可重复的方法,以及发现数据在说谎时的能力。如果某件商品上周五缺货了,电子表格缺少的不是数学,而是上下文。
这是好消息,因为简单方法通常比人们预期的更有效。在Green和Armstrong发表于Journal of Business Research的综述中,作者考察了跨32篇论文的97项比较,没有发现增加复杂性能提高预测准确性的证据优势。预测仍然很难,但第一次改进通常来自纪律,而不是高级软件。
有用的预测不是标签页最多的那个,而是采购员能解释、能质疑、能在下一个订单截止日前使用的那个。
有用的库存预测实际做了什么
预测是对一个确定窗口期内未来需求的估计。对库存而言,这个窗口期应与你的采购节奏匹配:供应商交货期加上到下次审查的时间。如果你每周一下单,供应商需要21天交货,你关心的是未来28天,而不是理论上的年均值。
预测为你提供足够的预警,在A类商品遭遇本可避免的缺货之前重新下单。
防止低周转商品仅因为有人为了保险多订了一点就占用运营资金。
销售、采购和运营可以围绕一个数字讨论,而不是各自捍卫三种不同的直觉判断。
预测不是承诺,而是起点。你仍然需要叠加供应商问题、商业活动和业务判断。目标不是完美,目标是更少的意外。
从简单方法开始,只在证明有效时才增加复杂度
NIST平滑化手册将均值描述为平滑数据和减少随机波动的最简单方法。这正是大多数库存团队应该开始的地方。如果你的历史数据相当稳定,简单移动平均和平滑方法可以快速为你提供运营基准线。
方法一:适用于稳定需求的移动平均
移动平均取最近几个可比期间的值并计算平均值。如果按周预测,4周移动平均通常足够起步。示例:如果过去4周分别销售92、104、96和108件,下周的基准预测为(92 + 104 + 96 + 108) / 4 = 100件。
下周预测 = (第-1周 + 第-2周 + 第-3周 + 第-4周) / 4。使用可比期间:周与周比,月与月比。
方法二:当近期历史更重要时使用指数平滑
如果近期销售比历史数据更重要,请升级到简单指数平滑法。在Forecasting: Principles and Practice中,Hyndman和Athanasopoulos将其展示为最近实际值与前次预测值的加权平均。通俗地说,昨天的数据比上季度更重要,但上季度并没有被忽视。这使得平滑法在需求缓慢漂移但没有强烈季节性时非常有用。
方法三:当日历确实重要时添加季节因子
如果需求按重复的日历模式起伏 - 十二月的礼品需求、夏季周末、返校季、月末订单 - 请将季节效应从基准水平中分离出来。在Forecasting: Principles and Practice中,实用的做法是预测经季节调整的序列,然后把季节模式加回去。这是一个简单想法的技术描述:今年的十二月应该更像去年的十二月,而不是去年的五月。
季节调整值得付出努力。在同一篇Green和Armstrong的综述中,季节调整将原始M-Competition的68个月度序列的MAPE从23.0降至17.7个百分点。这有力地提醒我们,简单的日历结构可以胜过许多额外的数学计算。
当商品定期销售且水平未大幅波动时,使用4至8期的移动平均。
当需求逐渐变化且近期数据应获更大权重时,使用简单指数平滑法。
当同样的日历波动足够频繁地重复并值得信赖时,在基准预测上加入季节因子。
在信任数学之前先清洗历史数据
预测方法固然重要,但输入数据的质量更重要。退货、一次性项目订单、供应商短发货和促销激增都可能扭曲基准线。如果你向模型输入噪音,你只是在自动化糟糕的判断。
缺货是最大的陷阱。在关于缺货库存策略下需求预测的研究中,作者指出,当库存充足时,销售是需求的无偏估计;但在缺货情况下,销售低估了需求并将预测向下推动。这正好制造了运营人员最痛恨的恶性循环:预测不足、订货不足、缺货、循环重复。
当货架空了的时候,销售衡量的不是需求,而是可供性。
一个简单的缺货调整示例
假设某件商品在一个30天的月份里卖了210件,但实际有货的只有21天。朴素的日均销量是7件。缺货调整后的日均销量是10件,因为210 / 21 = 10。在补货规划中,第二个数字更接近现实。第一个数字会把缺货烘焙进下个月的预测中。
数据清洗规则
- 标记缺货期间:追踪可供性为零的天数或周数,将其排除或调整,而不是一起平均。
- 将促销从基准线中分离:清仓周或营销激增应放在事件列中,而不是永久地膨胀基准预测。
- 剔除一次性订单:大批量项目采购、上市铺货和内部调拨是规划事件,不是日常需求。
- 使用库存真实数据,不仅仅是销售:如果记录准确性较弱,先修正盘点。脏的库存记录会同时扭曲历史数据和采购决策。请参阅不准确库存水平的真实成本。
- 必要时先预测产品系列再到变体:尺码/颜色或包装变体的稀薄历史数据通常先在组级预测再向下分配效果更好。
每周一都能运行的电子表格工作流
你可以在一张表中运行一个像样的预测,行为SKU,列为最近12到24个期间、有货标记、事件备注、预测值、实际值和误差。重点不是创建一个漂亮的模型,重点是创建一个可重复的流程。
周一预测流程
- 按周或月导出历史数据:高周转商品用周数据更好,低周转目录商品用月数据就够了。
- 添加两个辅助列:一列表示有货状态,一列用于事件备注。这两个字段可以防止数量惊人的错误预测。
- 为每个品类选择一种基准方法:稳定商品从移动平均开始,缓慢变动的商品从平滑法开始。
- 只在重复出现时才应用季节性:如果你能多次指出同样的日历波动,就添加季节因子;否则保持简单。
- 预测补货窗口期的需求:预测供应商交货期加上到下次订单审查的间隔内的需求量。
- 记录每一次人为调整:如果销售说赢得客户后下个月增加300件,请输入调整量和原因。隐藏的调整会破坏学习过程。
普通人也能计算的三项准确性检查
你不需要充满统计数据的仪表板。你只需要几个能告诉你预测是否系统性偏差以及偏差多大的指标。
带符号的平均误差。正偏差意味着你一直在过高预测。负偏差意味着你长期过低预测并引发缺货。
平均绝对误差,以单位计量的平均偏离。正如Green和Armstrong指出的,MAE是用于生产和库存管理决策的简单而有用的指标。
加权绝对百分比误差。AWS Supply Chain的需求计划文档使用WAPE作为汇总准确性指标,因为它展示了总预测偏差相对于总实际需求的比例。
谨慎使用MAPE。在Hyndman的准确性指南中,当实际需求为零时MAPE无法定义,当实际值接近零时可能剧烈膨胀。这使它不适用于低周转商品、新品或需求频繁为零的序列。
从偏差、MAE和WAPE开始。只有当这三个指标稳定且被理解后,才添加更高级的指标。
纳入采购之前先做回测
预测不是因为看起来合理就算完成了。它是在你用模型未见过的历史期间测试之后才算完成的。Hyndman的时间序列交叉验证指南描述了滚动预测原点:逐步穿过历史数据,向前预测,然后对误差取平均。这是「这个方法上个季度管用吗?」这个问题的成熟版本。
快速回测
- 留出最近8到12个期间:不要用它们来构建初始模型。
- 运行每种候选方法:移动平均、平滑法以及你想比较的任何季节版本。
- 衡量偏差、MAE和WAPE:用模型未见过的期间来评判方法。
- 选择人们能解释的方法:如果两种方法相差无几,选择团队实际会维护的那个。
了解电子表格力不从心的场景
- 新产品: 从相似商品、品类或上市计划借用历史数据,因为新SKU还没有稳定的模式。
- 不规则或间歇性需求: 先在产品系列或品类层面预测,再以更多人工审核来规划个别补货。
- 促销和项目业务: 单独添加事件覆盖,而不是让基准模型去猜测特殊事件。
- 库存记录不准确: 如果入库、调整和库位管理薄弱,先修复流程。在错误记录之上叠加预测,采购数量仍然是错的。
这正是优先级排序发挥作用的地方。使用ABC分析来决定哪些商品值得最多的预测关注,并将预测与有纪律的安全库存审查结合起来,使不确定性不会变成一刀切式的过量采购。
最终要点
非数据科学家的库存需求预测,与其说是高级数学,不如说是运营上的诚实。清洗历史数据。从移动平均或平滑法开始。只在重复出现时才添加季节性。衡量偏差和绝对误差。在信任数字之前先做回测。
下一步:挑选20个重要SKU,建一张周度表格,在接下来8周内对比预测与实际。之后,预测将不再感觉是理论性的,而是开始成为你采购方式的一部分。