需求预测方法的综合应用：时间序列回归分析与定性技术组合预测

Posted 2021-05-02 许栩原创之供应链计划

我在专栏《需求预测指数平滑法详解》中提到，需求预测有若干种方法，但几乎任何需求预测方法都有缺点，需求预测的方法也一般在最佳应用范围内应用。

于是，有不少朋友问我，在大多数情况下，有没有可以应对一些常规企业的，较通用并有一定效果的一种或多种组合的需求预测方法。

方法总是有的。本文就提出一个思路，请大家讨论和参考。

但还是那句老话，方法只是解决问题的工具，方法没有对错之分，方法必须根据实际的情况进行实施与落地。否则，方法，永远只是一个纸面上的方法。

 

需求预测，按预测方法，一般分为定量预测和定性预测两大类。

定量预测是客观的预测方法，以数据为基础。主要包括以内生数据（历史需求数据）为分析对象的时间序列预测法，和以外生数据（解释性数据，比如促销）为分析对象的回归分析预测法。定量预测侧重于解释过去。

无论是时间序列还是回归分析，都对商业运行环境的突变无能为力。这时，定性预测可以起到一定的作用。

定性预测是主观的预测方法，也称主观判定预测法。定性预测是一个过程，是将专业人员或内外部专家的意见、经验以及直觉转变为正规预测结果的过程。定性预测侧重于预测未来而不是解释过去。

 

回到开头的问题，有没有可以应对一些常规企业的，较通用并有一定效果的一种或多种组合的需求预测方法。我个人觉得，根据定量技术和定性技术的优缺点，定量定性技术综合使用，是应对一些常规企业需求预测的较通用并行之有效的方法。

这个综合方法使用的具体做法是：首先利用定量预测的时间序列技术进行初步预测，再利用定量预测的回归分析技术改善初步预测，最后由专业及管理人员根据自身经验、直觉进行定性的调整。即时间序列+回归分析+定性技术。

 

一、以时间序列做初步预测。

需求在发展过程中，常常是随着时间的推移而呈现出连贯甚至连续变化的趋势，即需求的发展具有合乎规律的连续性，过去的行为不仅影响到现在，还会影响到未来。基于此，时间序列技术应运而生。

以时间序列技术做初步预测，其目的就是找到这种连续性，找到这种变化的连贯和趋势，从而预测我们未来的需求。

时间序列技术有很多种，比如移动平均、一次指数平滑、已计去年百分比法、Holt双参数指数平滑、Holt-Winters三参数指数平滑等等。我们具体采用哪种时间序列方法，需要根据需求的实际情况而定。比如，如果趋势和季节性都不十分明显，一次指数平滑法是一种有效的预测方法，如果有明显的季节性，建议采用Holt-Winters三参数指数平滑法。

以时间序列做初步预测，一般有如下五个步骤。

1、收集数据。

时间序列技术是以历史数据为基础的，我们以时间序列技术进行预测，第一步是收集实际发生的各种需求数据。有了数据，我们才可以去进行分析和预测。

2、数据清洗。

收集来的数据往往不是直接可以用的，可能会有一些不必要的数据（如重复值）、缺失的数据（如某个时间段数据找不到）、逻辑错误的数据（如自相矛盾的数据）和偶然的数据（比如百年一遇的大客户）等等。

数据清洗就是对数据进行重新审查和校验的过程，目的在于删除重复信息、补充缺失的数据，纠正存在的错误，识别偶然的数据，并提供数据的一致性。

3、选择确定合适的时间序列方法。

有了清洗后的数据，我们可以凭借经验选择确定一种或多种组合的时间序列方法。当然，如果对经验不放心或不自信，我们也可以采用测试法，即选取多种时间序列方法进行测试，以MAPE较低的并相对简单的方法为我们的最终采用的预测方法。

4、预测建模。

预测建模就是根据确定采用的需求预测方法，用数学函数或公式建立一个运算模型，当有相关数据输入运算模型时，自动得出预测结果。

目前一些预测或数据分析软件都自带了一定数量预测模型，但较难直接应用。所以，我们预测人员需要具备自己建立预测模型的能力。

预测建模能力是需求预测人员必备的一种能力，也是最基础的一种能力。

5、导入数据，进行预测。

预测模型建立后，我们导入清洗后的相关数据，即可自动生成得出我们需要的初步的预测结果。

 

二、以回归分析改善初步预测。

时间序列技术的缺点是不能考虑外部因素对需求的影响，比如促销。

这个缺点回归分析正可弥补。从某种程度上说，时间序列和回归分析是互补的一对预测技术和方法。所以，以回归分析来改善用时间序列技术得出的初步预测结果，是一个有效的方法，能起到一定的效果。

回归分析，是指对两个或两个以上变量之间的因果关系进行定量研究的一种统计分析方法。回归分析预测法，是指在分析自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型进行预测的一种预测方法。

回归分析按自变量的个数多少分为一元回归和多元回归，按自变量因变量相关关系的不同分为线性回归和非线性回归。需求预测中，应用最多的是多元线性回归。

以多元线性回归分析改善初步预测的具体步骤。

1、寻找回归分析点。

时间序列技术能有效的识别和预测固定周期的促销或其它营销活动产生的需求，但如果促销活动在不同时期随机发生，时间序列技术将不能进行辨认和预测。

回归分析技术则可清晰的辨认这种需求。我们在得出初步预测后，第一步需要做的就是找到这些促销或其它营销活动的时间点及相应的数据。

2、确定自变量。

我们找到了需要进行回归分析的相关数据，接下来需要确定自变量。

确定自变量首先是找出全部自变量，进行相关分析；接着根据相关分析结果，将相关性为中相关及以下的自变量放弃；然后对留下来的自变量进行多重共线性评估，去掉或合并存在多重共线的自变量，得出最终的自变量。

（注：强弱相关性的标准，我的看法是，相关系数R值±0.5~±0.7为中相关，±0.5以下为弱相关，±0.7以上为强相关。）

3、求解多元回归方程并进行相应的检验。

求解多元回归方程和诸如确认回归方程精度和显著性检验（F检验、t检验）等，我会在后续文章中详细说明，本文就不深入。

4、多元线性回归预测。

将相关数据代入多元回归方程，得出预测结果。

5、以多元线性回归预测结果调整初步预测。

返回回归分析点，以多元线性回归预测结果，对我们的初步预测进行修正、调整和改善，得出改善后的预测。

 

三、定性预测调整。

前文我说了，无论是时间序列还是回归分析，都对商业运行环境的突变无能为力。比如中美贸易摩擦带来的影响，时间序列和回归分析都不能预知和把握。

这种情况下，我们通常采用的方法是进行定性预测。

定性预测依靠具有经验和感知能力的内外专家以主观判断来完成，它的主要优点是它具有应对商业运行环境突或预测销售模式变化的能力，刚好弥补定量技术如时间序列和回归分析的不足。

常见的定性预测方法主要德尔菲法、部门主管意见法、用户调查法和销售人员组合法。

对时间序列得出的初步预测，经回归分析改善后，我们可以采用一种或多种定性方法进行最后的调整。

这里，我提出以加权的思路进行汇集专家意见的定性预测方法。我将其命名为专家意见加权评估法，具体操作如下。

1、确定参加定性调整的专家人员。

邀请具体一定经验和能力的专业人员、管理人员、销售人员或其他内外部专家，组成定性调整专家团队。

2、请定性调整专家独立给出预测。

请每一位专家依据他们的经验、直觉和判断，独立给出预测结果。这里有个关键词是独立，专家的意见需要他们独立得出，不要受其他人员或外部因素的影响。同时，我们也不需要将我们经前两步得出的预测结果告之他们，以免带来“锚定”效应。

3、给每一位专家评分。

给专家评分可以从三个方面考量：一是专家的能力和经验程度，也就是专家的水平如何；二是专家以往预测的业绩，也就是他以前拍脑袋的结果如何；三是专家的参与程度，即专家费了多少心思给我们帮忙。三方面综合给出专家的最终得分。

4、加权平均得出定性预测值。

以专家的最终得分为权数，加权平均计算得出定性预测值。

5、以定性预测值调整预测。

我们以时间序列得出初步预测，以回归分析改善预测，最后，我们再以专家的定性预测来调整回归分析改善后的预测，得出最终的预测结果。

 

简单做一总结。

如果我们找一种应对一些常规企业的，较通用并有效的需求预测方法，本文提出“时间序列+回归分析+定性技术”预测法，即以时间序列做出初步预测，以回归分析改善预测，以定性技术来最终调整预测的方法或许为一种选择。

需求预测是一项技术，也是一个管理方法，更是一个实践的过程。需求预测水平的提升，不是一个人的事，也不是计划一个团队的事，需要我们共同努力去提升。

需求预测，在路上，我们，在路上。