《数智时代下的供应链管理：理论与实践》课件 第九章 需求预测

SupplyChainDemandForecast.供应链需求预测第九章目录010302供应链需求预测供应链环境下的CPFR策略需求预测的数学方法需求预测的作用和特点供应链需求预测的方法时间序列预测法回归分析预测法CPFR的发展历程CPFR的概念和内容预测误差的度量04大数据时代下的供应链需求预测大数据时代下供应链需求预测的改变大数据分析对供应链需求预测的价值大数据时代下供应链需求预测的方法CPFR的实施步骤供应链需求预测1需求预测的作用和特点（预测对供应链的作用）（SunilChopra）著名的供应链管理专家苏尼尔·乔普拉有着深刻的解释：不论是推式或拉式供应链，管理者必须进行的第一步都是预测顾客需求将是多少，需求预测影响着供应链决策，对供应链管理者来说，做好预测工作起着至关重要的作用。好的预测会给供应链带来丰厚的利润；反之，糟糕的预测会给供应链带来大麻烦。预测对供应链的作用大致有两个：供应链的战略决策对企业的生存和发展至关重要。管理者需持续判断市场趋势和顾客需求，以决定是否提升响应速度、调整产品或减少投资，甚至解散供应链。准确的市场判断和灵活的战略调整是确保供应链竞争力的关键。为供应链战略决策提供参考对于任何一条供应链来说，管理者都会编制一系列详细的计划，而这一系列计划均初始来源于对市场需求的预测。供应链的需求预测与库存管理息息相关，需求预测可以给库存管理提供两方面的参考：需要多少库存以及何时需要库存。为供应链运作计划提供依据0102需求预测的作用和特点（预测的特点）100%的需求预测精度对于任何供应链来说都是一个理想，实际上难以实现。尽管供应链管理者经验丰富，突发情况仍可能导致预测失败。在进行预测前，管理者必须了解预测的四个特点：1.预测通常是不准确的预测是根据过去和现在推断未来，而未来充满不确定性，误差在所难免。我们无法穷尽所有影响因素，不同的预测模型也会有不同的误差。尽管如此，通过多种方法仍可以降低预测的不确定性。2.长期预测通常没有短期预测准确随着时间推移，不确定因素增多，误差逐渐累积，导致长期预测的偏离度加大。此外，许多产品生命周期短，不会发生二次销售，长期预测会带来较大误差。管理者需要定期调整预测模型，以提高预测的准确度。3.综合预测通常要比独立预测准确得多综合预测可以综合定性的宏观分析预测和微观预测模型，对市场需求转向和产品需求量比较可靠；综合预测可以通过联合供应链上下游企业的预测数据，对市场具体需求预测进行修正，这在原材料、零部件的需求预测方面具有较高的精度。4.距离顾客越远，预测误差越大在缺乏透明信息传输和共享机制的供应链中，距离终端客户需求越远的企业，需求预测误差越大。这种误差累积会放大“牛鞭效应”，导致供应链各环节频繁出现库存积压或缺货，严重影响运营绩效。供应链需求预测的方法世界上不存在也不可能存在一个完美的预测模型。预测本身不在于预测的精确性（当然如果能够精确是最好的），而是在于降低管理者对未知未来的恐惧感。在对需求进行预测之前，供应链管理者应该对可能影响市场需求的因素广泛地收集资料。以下的一些影响因素（但绝不仅限于这些因素）应该是被充分收集的：（1）宏观经济数据；（2）市场需求风向；（3）所涉及的未来时间跨度；（4）可获得的历史需求数据；（5）广告计划或其他营销努力；（6）竞争者的当前和未来动向；（7）可供支持预测的市场调研或试验资金。……供应链需求预测的方法在实践中，企业常用的需求预测方法大多源自以下5种：211.定性预测法（QualitativePrediction）当可获得的数据十分有限、不可得或不直接相关时（如新产品第一次投放市场），需要采取定性的预测方法来对需求进行大致的研判。定性分析法主要依赖于人的主观评估和判断，预测的有效性也取决于预测者的经验、技巧和逻辑分析能力。这种方法的特点是简单易行，不需要经过复杂的运算过程，但同样也存在时间长、费用高、不能够提供精确的预测数值等缺陷。常用的定性方法主要包括：德尔菲法、小组集体讨论法、市场调研法、头脑风暴预测法等。2.时间序列预测法（Time-SeriesPrediction）时间序列预测法是建立在可知的历史数据基础之上，运用历史需求数据对未来需求进行预测的一种方法，这种方法是运用最为广泛的一种。供应链需求预测的方法3.因果关系预测法（CausalPrediction）因果关系是假定需求预测与某些内在因素或周围环境的外部因素有关。常见的因果联系法主要有：回归分析、经济模型、投入产出模型等。而我们最常用的是回归分析法。344.仿真模拟法（SimulationPrediction）仿真模拟允许对预测条件进行变动分析（数学上称为灵敏度分析），并可以结合上述三种方法进行分析，并可以用来回答诸如此类的问题：价格提升多少个百分点将会给销售带来什么样的影响？竞争者在附近开设商店将会带来什么样的影响？当然仿真方法还有更多，例如系统动力方程等。5.智能预测法（ArtificialIntelligentPrediction）神经网络、模糊数学、混沌理论等智能模型能够进行极强的非线性数学分析，而这一特性也非常符合市场需求非线性变化的特点，往往能够获得更好的预测结果。5供应链需求预测的方法五个基本预测原则1.精度优先原则。所预测的结果与实际值相比较误差较小则精确度越高。2.简洁性原则。在相同预测精度下，预测模型结构越简单，简洁性通常也越好，其预测结果也通常相对稳定可靠。3.适应性原则。当参数发生变化后得到预测误差变化越小，模型适应性越强，这意味着预测模型的容错性就越好。4.实用性原则。模型易于被使用者的理解和接受且使用条件苛刻，则实用性越强。5.不断更新原则。随着时间推移需要对预测模型进行修正，否则预测精度会降低。供应链需求预测的方法综合上述5种预测方法和5个预测原则，可以给出相应的需求预测模型选择流程：需求预测的数学方法2时间序列预测是，通过对历史数据的分析去发现未来的发展趋势，并根据一定的算法规则预测下一段时间内可以到达的水平。例如，由过去四个星期的销售量可以预测第五个星期的销售量。时间序列预测法时间序列预测法简单移动平均法加权移动平均法指数平滑法……时间序列预测法（简单移动平均法）简单移动平均法（SimpleMovingAverage：MA）预测需求的数学原理是：根据历史发生的数据，将最近期数据赋以相同的影响权重，并通过简单的移动平均算法来预测未来一段时间的需求。

时间序列预测法（加权移动平均法）

如果要预测夏天的啤酒销量，春季销售的数据影响程度要远远小于夏季，夏季销售情况的权重应该更大，简单移动平均预测不再适用，这时该怎么办？加权移动平均法考虑了历史各期产品需求数据对未来需求的权重情况，其预测模型可用公式表示：

时间序列预测法（指数平滑法）

时间序列预测法（调整趋势后的指数平滑法）

回归分析预测法（一元线性回归）一元线性回归是最简单的回归模型，该模型中只有一个影响因素。例如，啤酒的销量只和气温相关（气温高销量大，气温低销量小），且两者的关系可以用一条直线近似表示：

假设啤酒的销售量仅受气温的影响，表为某小区便利店在2022年夏天每天啤酒销售量与气温（气温高于34摄氏度时）的关系。试建立一元线性回归模型分析气温为35.5摄氏度时啤酒的销售量。气温x（摄氏度）啤酒销售量Y（箱）35103612371638223930

在现实的经济生活中，通常会涉及到两个或两个以上的影响因素。例如，啤酒销量不仅仅与气温有关，而且与便利店所在小区的人口数量有关，这时仅考虑气温因素对啤酒销量显然是不够的,就需要用多元线性回归模型对需求预测问题重新建模。预测误差的度量预测的最终目的是得到一个准确的和不含主观偏见的结果。预测误差（ForecastError），是指在给定的时间间隔内实际值与预测值之间的差值。预测误差的计算公式如下：

1.均方误差MSE（MeanSquaredError）是衡量预测误差最常见的指标之一:2.平均绝对误差MAD（MeanAbsoluteDeviation）是所有时期预测误差绝对值的平均：3.预测累积误差RSFE（RunningSumofForecastError）是用来判定预测结果与真实需求相比是否持续高估或者低估:供应链环境下的CPFR策略3CPFR的发展历程早期零售业供应链管理者采用VMI采购（供应商管理库存）等模式来改善零供双方的库存管理水平，然而多年的实践表明，VMI库存管理模式仍然存在很多缺陷：VMI的库存管理都是单行预测的结果（供应商承担销售预测），决策过程中缺乏协商，供应链在运作过程中难免会造成错误。VMI采购模式的缺点VMI模式中，零售商将库存管理权过度下放给供应商。除了销售，零售商几乎不负任何责任，供应链的集成运作并没有真正实现，尤其是当终端需求发生异动之后，VMI模式会面临着严重失效的可能性。VMI模式并没有考虑到零售商市场营销的影响。零售商的促销和供应商的库存补给并没有协调起来，需求预测缺乏沟通，零售商和供应商之间的业务流程并没有畅通地衔接在一起。VMI模式中供应商承担了大量的库存压力，一旦供应或市场出现问题，留给供应商解决问题的时间是非常有限的。正是上述VMI采购和库存管理模式的缺陷促使零售商和供应商采用CPFR这一新的供应链管理模式。CPFR即协同、计划、预测和补货策略（CollaborativePlanning,Forecast&Replenishment）最早应用于零售业供应链。CPFR的概念和内容（CPFR的概念）CPFR是一种面向供应链的新型合作伙伴的策略和管理的模式，它应用一系列的处理和技术模型，提供覆盖整个供应链的合作过程，通过共同管理业务过程和共享信息来改善供需双方的关系、提高预测准确度，最终达到提高供应链效率、减少库存和提高消费者满意度，实现双赢的过程。CPFR的定义：CPFR的实施，主要就是为了改善零售商和供应商的伙伴关系，通过供应链中的商业合作伙伴之间紧密合作，交换信息和风险，提高预测的准确度。值得注意的是，CPFR要求合作伙伴的框架结构和运作过程以消费者为中心，合作伙伴之间必须共同参与协商、共享消费者需求预测系统，并共同承担在该过程中可能产生的风险，真正提高供应链效率，实现价值增值。CPFR的概念和内容（CPFR的内容）CPFR是协同（Collaborative）、规划（Planning）、预测（Forecasting）和补货（Replenishment）4个英文的头字母缩写，这也是CPFR的最主要内容：1.协同（Collaborative）供应链上、下游企业只有确立共同的目标，才能使双方的绩效都能得到提升，取得综合性的效益，使总体作用大于个体作用，这就是协同效应。CPFR的这一特点，实质上就是与供应商之间关系的问题，双方的关系是共同合作的，以实现双赢为目的。122.规划（Planning）CPFR中的规划要求企业对产品从制造商到消费者手中整个流程中涉及到的各个方面都有一个规划，其实就是要求企业对整个供应链活动的各个方面都有一个计划。3.预测（Forecasting）预测是贯穿于整个CPFR最重要的一个环节，其强调的是买卖双方之间的协同预测，以期改善整个供应链体系原本存在的低效率、死库存问题，提高产品销量、节约供应链资源。需要注意的是，CPFR强调供应链各环节共同参与需求预测模型的建立和修正。344.补货（Replenishment）。零售商和供应商根据事先议定的协议框架，将冻结期间的预测结果生成订单。冻结期通常基于供应商的制造和配送提前期确定。在冻结期内，订单数量被视为已确认的需求量。当零售商的实际订单传来时，供应商只需及时调整产能。CPFR的实施步骤第1步：制定框架协议。买卖双方就协作的目标、协同合作的范围、销售预测中的例外标准、财务标准、提高客户服务水平、降低存货、增加销售等达成正式商业协议。第2步：建立协商方案。销售商与制造商之间分享商业战略和项目发展计划。一般包括商品目录，适合商品销售的促销计划、仓储计划、促销活动以及特别规定的价格战略等。第3步：建立销售预测报告。拟定预测时间的范围、单位等，根据有关历史数据分析产品在未来各时期的销售量，得到可供分享的预测结果。第4步：辨别销售预测可能出现的异常情况。销售预测异常的表现：现货零售的准确率低于90%、销售预测的误差超过15%与去年同期相比销售预测的误差超过10%。对于销售预测异常情况要加以注意以便调整策略。第5步：协商处理异常情况。根据销售商、生产商的决策数据，合作双方通过协商，对预测异常情况进行处理并得到一个一致的预测。第6步：建立订单预测报告。分析历史需要、安全库存、运输信息等数据，得出订单预测，生产人员根据订单预测进行原材料采购和制定生产计划。第7步：辨别订单预测可能出现的异常情况。订单预测异常即超出订单预测标准。类似于第4步的过程。第8步：协商处理异常情况。销售商、生产商根据历史决策数据，分析订单预测异常的原因，并协商解决预测异常。类似于第5步的过程。第9步：生产计划。根据预测的订单制定生产计划。规划预测补给大数据时代下的供应链需求预测4大数据时代下供应链需求预测的改变（传统供应链需求预测的问题）在运用传统的数据分析工具时，供应链成员往往只是基于局部的结构化数据信息进行分散决策，供应链成员间的数据信息共享程度低，只能通过少量的结构化数据进行预测，预测结果常常有较大的偏差。这些偏差大多由传统数据分析带来的数据不全面和信息扭曲造成的：供应链每个环节的预测都会存在误差。这些误差是内生性的，并且会随着需求预测向上游传递过程中会不断积累误差，最后造成误差波动急剧放大，引发牛鞭效应中的经典现象——“需求变异加速放大”。缺乏足够、及时且有效的全链数据是引发预测误差急剧放大的原因之一。数据不全造成预测的“需求变异加速放大”现实中，供应链成员的需求决策通常是分散的，每个企业以自身利益最大化为目标。由于信息不完全共享，各成员难以做出有利于整体的决策。这种分散决策导致局部最优而非全局最优，降低了供应链的整体竞争力。在供应链间的竞争中，这种现象会因双重边际效应而进一步削弱整体表现。分散预测造成预测的“局部而非全局最优”0102大数据时代下供应链需求预测的改变（大数据时代下需求预测的改变）大数据时代的数据类型多样并且体量巨大，如何才能更好地利用这些数据进行需求预测呢？如何获取、保存和传递这些数据？解决这一问题首先需要统一数据定义和规则，构建分布式供应链体系。云计算和大数据平台的发展使这成为可能。大数据分析平台作为连接各个节点的中介，可以快速收集和处理物流、资金流和信息流，整合整个供应链的信息资源，帮助成员实现共赢。大数据时代下的因素关联会超过传统数学模型能够计算的能力范畴，这时需要智能算法或边缘分析算法，这些算法需大量算力。云计算平台提供了成本较低的共享算力，使管理者能专注于开发高效的大数据分析算法。这些算法能带来丰厚回报，但开发这些算法需要丰富的数据源和优秀的人才，目前只有少数大企业能做到。如何从海量的数据中挖掘和分析出供应链运作和决策所需的内容？12大数据分析对供应链需求预测的价值尽管不同企业的大数据基础建设和分析能力有差异，但大数据的价值依然不可小觑。在进行大数据分析之前，管理者需要做出三个重要的思维转变。1.从直觉决策转为数据挖掘传统预测方法所依靠的数据量、影响因素的数量都是有限的。也许已有的预测模型在稳态环境中是奏效的，但大数据时代下需求的特点之一就是非平稳——顾客的需求信息日益复杂多变，呈现数据量大、时效性高且价值密度低等特征。通过个人经验或直觉做出决策的方法，难以挖掘复杂多变的大数据中蕴含的价值，尤其是边缘信息的价值。122.判断需求的变化趋势更重要与精确预测需求值相比，判断需求变化趋势更为重要。消费者需求变化迅速，社交媒体上的抱怨、追捧和点赞都可能引发新的需求浪潮。传统供应链预测难以捕捉这些细微变化，坚守固有预测方式可能导致供应链崩溃。定性预测方法虽能改进传统定量模型，但缺乏数据支持，说服力不足。大数据分析可以处理海量边缘信息，帮助管理者准确判断需求风向。当然，大数据分析并不排斥传统模型。3.从成本关注转向市场细分要利润需求预测的难点在于预测细分市场的需求，即根据客户类型确定产品和定价。每个市场都可以细分为多个部分，各部分的需求和价格弹性不同。理论上，大数据可以将顾客细分到个体层面，但这存在隐私和伦理问题。通过适当的数据颗粒度，利用历史购买数据和商品点击量，算法可以找到最有效的推广渠道来接触细分顾客，这在商业伦理允许的范围内。这样既能提高预测准确性，又能更好地满足不同细分市场的需求。3大数据需求预测大量使用了神经网络等智能算法。这些算法不仅能够改善传统的需求预测精度，同时还克服传统的预测模型在面对数据不确定、波动大的情况下无法迅速准确预测相应市场需求的缺陷。大数据时代下供应链需求预测的方法基于大数据的供应链需求预测方法梯度增强回归树支持向量机回归模型其他大数据需求预测模型……大数据时代下供应链需求预测的方法（梯度增强回归树）梯度增强回归树（GradientBoostingRegressionTree，GBRT）是集成学习Boosting家族的成员，通过组合多个简单模型（称为树或学习器）来预测复杂问题。在GBRT中，每棵树都会优化前一棵树的预测结果，使整个模型逐渐变得更强大。GBRT通常采用强预剪枝方法进行优化，并使用深度较小的树，以减少内存占用并提高预测速度。GBRT是一种迭代的回归树算法，其核心思想是合并多棵简单的树。每棵树只对部分数据进行预测，所有树的预测结果汇总后得到最终预测。因此，合并的树越多，预测能力越强。GBRT的主要优点：GBRT存在的缺点：（1）可以灵活处理各种类型的数据，包括连续值和离散值；（2）在相对少的调参时间下，预测的准确率也比较高；（3）使用一些健壮的损失函数，对异常值的鲁棒性比较高。由于简单模型间存在依赖关系，难以并行训练数据，也需要对参数做出比较仔细的调整。支持向量机（SupportVectorMachine，SVM）是一种二元分类的监督学习方法。SVM不但近似实现了结构风险的最小化，而且在统计学习理论的VC维理论和结构风险最小原理的基础上构建数