SupplyChainDemandForecast.供應鏈需求預測第九章目錄010302供應鏈需求預測供應鏈環境下的CPFR策略需求預測的數學方法需求預測的作用和特點供應鏈需求預測的方法時間序列預測法回歸分析預測法CPFR的發展歷程CPFR的概念和內容預測誤差的度量04大數據時代下的供應鏈需求預測大數據時代下供應鏈需求預測的改變大數據分析對供應鏈需求預測的價值大數據時代下供應鏈需求預測的方法CPFR的實施步驟供應鏈需求預測1需求預測的作用和特點（預測對供應鏈的作用）（SunilChopra）著名的供應鏈管理專家蘇尼爾·喬普拉有著深刻的解釋：不論是推式或拉式供應鏈，管理者必須進行的第一步都是預測顧客需求將是多少，需求預測影響著供應鏈決策，對供應鏈管理者來說，做好預測工作起著至關重要的作用。好的預測會給供應鏈帶來豐厚的利潤；反之，糟糕的預測會給供應鏈帶來大麻煩。預測對供應鏈的作用大致有兩個：供應鏈的戰略決策對企業的生存和發展至關重要。管理者需持續判斷市場趨勢和顧客需求，以決定是否提升響應速度、調整產品或減少投資，甚至解散供應鏈。準確的市場判斷和靈活的戰略調整是確保供應鏈競爭力的關鍵。為供應鏈戰略決策提供參考對于任何一條供應鏈來說，管理者都會編制一系列詳細的計劃，而這一系列計劃均初始來源于對市場需求的預測。供應鏈的需求預測與庫存管理息息相關，需求預測可以給庫存管理提供兩方面的參考：需要多少庫存以及何時需要庫存。為供應鏈運作計劃提供依據0102需求預測的作用和特點（預測的特點）100%的需求預測精度對于任何供應鏈來說都是一個理想，實際上難以實現。盡管供應鏈管理者經驗豐富，突發情況仍可能導致預測失敗。在進行預測前，管理者必須了解預測的四個特點：1.預測通常是不準確的預測是根據過去和現在推斷未來，而未來充滿不確定性，誤差在所難免。我們無法窮盡所有影響因素，不同的預測模型也會有不同的誤差。盡管如此，通過多種方法仍可以降低預測的不確定性。2.長期預測通常沒有短期預測準確隨著時間推移，不確定因素增多，誤差逐漸累積，導致長期預測的偏離度加大。此外，許多產品生命周期短，不會發生二次銷售，長期預測會帶來較大誤差。管理者需要定期調整預測模型，以提高預測的準確度。3.綜合預測通常要比獨立預測準確得多綜合預測可以綜合定性的宏觀分析預測和微觀預測模型，對市場需求轉向和產品需求量比較可靠；綜合預測可以通過聯合供應鏈上下游企業的預測數據，對市場具體需求預測進行修正，這在原材料、零部件的需求預測方面具有較高的精度。4.距離顧客越遠，預測誤差越大在缺乏透明信息傳輸和共享機制的供應鏈中，距離終端客戶需求越遠的企業，需求預測誤差越大。這種誤差累積會放大“牛鞭效應”，導致供應鏈各環節頻繁出現庫存積壓或缺貨，嚴重影響運營績效。供應鏈需求預測的方法世界上不存在也不可能存在一個完美的預測模型。預測本身不在于預測的精確性（當然如果能夠精確是最好的），而是在于降低管理者對未知未來的恐懼感。在對需求進行預測之前，供應鏈管理者應該對可能影響市場需求的因素廣泛地收集資料。以下的一些影響因素（但絕不僅限于這些因素）應該是被充分收集的：（1）宏觀經濟數據；（2）市場需求風向；（3）所涉及的未來時間跨度；（4）可獲得的歷史需求數據；（5）廣告計劃或其他營銷努力；（6）競爭者的當前和未來動向；（7）可供支持預測的市場調研或試驗資金。……供應鏈需求預測的方法在實踐中，企業常用的需求預測方法大多源自以下5種：211.定性預測法（QualitativePrediction）當可獲得的數據十分有限、不可得或不直接相關時（如新產品第一次投放市場），需要采取定性的預測方法來對需求進行大致的研判。定性分析法主要依賴于人的主觀評估和判斷，預測的有效性也取決于預測者的經驗、技巧和邏輯分析能力。這種方法的特點是簡單易行，不需要經過復雜的運算過程，但同樣也存在時間長、費用高、不能夠提供精確的預測數值等缺陷。常用的定性方法主要包括：德爾菲法、小組集體討論法、市場調研法、頭腦風暴預測法等。2.時間序列預測法（Time-SeriesPrediction）時間序列預測法是建立在可知的歷史數據基礎之上，運用歷史需求數據對未來需求進行預測的一種方法，這種方法是運用最為廣泛的一種。供應鏈需求預測的方法3.因果關系預測法（CausalPrediction）因果關系是假定需求預測與某些內在因素或周圍環境的外部因素有關。常見的因果聯系法主要有：回歸分析、經濟模型、投入產出模型等。而我們最常用的是回歸分析法。344.仿真模擬法（SimulationPrediction）仿真模擬允許對預測條件進行變動分析（數學上稱為靈敏度分析），并可以結合上述三種方法進行分析，并可以用來回答諸如此類的問題：價格提升多少個百分點將會給銷售帶來什么樣的影響？競爭者在附近開設商店將會帶來什么樣的影響？當然仿真方法還有更多，例如系統動力方程等。5.智能預測法（ArtificialIntelligentPrediction）神經網絡、模糊數學、混沌理論等智能模型能夠進行極強的非線性數學分析，而這一特性也非常符合市場需求非線性變化的特點，往往能夠獲得更好的預測結果。5供應鏈需求預測的方法五個基本預測原則1.精度優先原則。所預測的結果與實際值相比較誤差較小則精確度越高。2.簡潔性原則。在相同預測精度下，預測模型結構越簡單，簡潔性通常也越好，其預測結果也通常相對穩定可靠。3.適應性原則。當參數發生變化后得到預測誤差變化越小，模型適應性越強，這意味著預測模型的容錯性就越好。4.實用性原則。模型易于被使用者的理解和接受且使用條件苛刻，則實用性越強。5.不斷更新原則。隨著時間推移需要對預測模型進行修正，否則預測精度會降低。供應鏈需求預測的方法綜合上述5種預測方法和5個預測原則，可以給出相應的需求預測模型選擇流程：需求預測的數學方法2時間序列預測是，通過對歷史數據的分析去發現未來的發展趨勢，并根據一定的算法規則預測下一段時間內可以到達的水平。例如，由過去四個星期的銷售量可以預測第五個星期的銷售量。時間序列預測法時間序列預測法簡單移動平均法加權移動平均法指數平滑法……時間序列預測法（簡單移動平均法）簡單移動平均法（SimpleMovingAverage：MA）預測需求的數學原理是：根據歷史發生的數據，將最近期數據賦以相同的影響權重，并通過簡單的移動平均算法來預測未來一段時間的需求。

時間序列預測法（加權移動平均法）

如果要預測夏天的啤酒銷量，春季銷售的數據影響程度要遠遠小于夏季，夏季銷售情況的權重應該更大，簡單移動平均預測不再適用，這時該怎么辦？加權移動平均法考慮了歷史各期產品需求數據對未來需求的權重情況，其預測模型可用公式表示：

時間序列預測法（指數平滑法）

時間序列預測法（調整趨勢后的指數平滑法）

回歸分析預測法（一元線性回歸）一元線性回歸是最簡單的回歸模型，該模型中只有一個影響因素。例如，啤酒的銷量只和氣溫相關（氣溫高銷量大，氣溫低銷量小），且兩者的關系可以用一條直線近似表示：

假設啤酒的銷售量僅受氣溫的影響，表為某小區便利店在2022年夏天每天啤酒銷售量與氣溫（氣溫高于34攝氏度時）的關系。試建立一元線性回歸模型分析氣溫為35.5攝氏度時啤酒的銷售量。氣溫x（攝氏度）啤酒銷售量Y（箱）35103612371638223930

在現實的經濟生活中，通常會涉及到兩個或兩個以上的影響因素。例如，啤酒銷量不僅僅與氣溫有關，而且與便利店所在小區的人口數量有關，這時僅考慮氣溫因素對啤酒銷量顯然是不夠的,就需要用多元線性回歸模型對需求預測問題重新建模。預測誤差的度量預測的最終目的是得到一個準確的和不含主觀偏見的結果。預測誤差（ForecastError），是指在給定的時間間隔內實際值與預測值之間的差值。預測誤差的計算公式如下：

1.均方誤差MSE（MeanSquaredError）是衡量預測誤差最常見的指標之一:2.平均絕對誤差MAD（MeanAbsoluteDeviation）是所有時期預測誤差絕對值的平均：3.預測累積誤差RSFE（RunningSumofForecastError）是用來判定預測結果與真實需求相比是否持續高估或者低估:供應鏈環境下的CPFR策略3CPFR的發展歷程早期零售業供應鏈管理者采用VMI采購（供應商管理庫存）等模式來改善零供雙方的庫存管理水平，然而多年的實踐表明，VMI庫存管理模式仍然存在很多缺陷：VMI的庫存管理都是單行預測的結果（供應商承擔銷售預測），決策過程中缺乏協商，供應鏈在運作過程中難免會造成錯誤。VMI采購模式的缺點VMI模式中，零售商將庫存管理權過度下放給供應商。除了銷售，零售商幾乎不負任何責任，供應鏈的集成運作并沒有真正實現，尤其是當終端需求發生異動之后，VMI模式會面臨著嚴重失效的可能性。VMI模式并沒有考慮到零售商市場營銷的影響。零售商的促銷和供應商的庫存補給并沒有協調起來，需求預測缺乏溝通，零售商和供應商之間的業務流程并沒有暢通地銜接在一起。VMI模式中供應商承擔了大量的庫存壓力，一旦供應或市場出現問題，留給供應商解決問題的時間是非常有限的。正是上述VMI采購和庫存管理模式的缺陷促使零售商和供應商采用CPFR這一新的供應鏈管理模式。CPFR即協同、計劃、預測和補貨策略（CollaborativePlanning,Forecast&Replenishment）最早應用于零售業供應鏈。CPFR的概念和內容（CPFR的概念）CPFR是一種面向供應鏈的新型合作伙伴的策略和管理的模式，它應用一系列的處理和技術模型，提供覆蓋整個供應鏈的合作過程，通過共同管理業務過程和共享信息來改善供需雙方的關系、提高預測準確度，最終達到提高供應鏈效率、減少庫存和提高消費者滿意度，實現雙贏的過程。CPFR的定義：CPFR的實施，主要就是為了改善零售商和供應商的伙伴關系，通過供應鏈中的商業合作伙伴之間緊密合作，交換信息和風險，提高預測的準確度。值得注意的是，CPFR要求合作伙伴的框架結構和運作過程以消費者為中心，合作伙伴之間必須共同參與協商、共享消費者需求預測系統，并共同承擔在該過程中可能產生的風險，真正提高供應鏈效率，實現價值增值。CPFR的概念和內容（CPFR的內容）CPFR是協同（Collaborative）、規劃（Planning）、預測（Forecasting）和補貨（Replenishment）4個英文的頭字母縮寫，這也是CPFR的最主要內容：1.協同（Collaborative）供應鏈上、下游企業只有確立共同的目標，才能使雙方的績效都能得到提升，取得綜合性的效益，使總體作用大于個體作用，這就是協同效應。CPFR的這一特點，實質上就是與供應商之間關系的問題，雙方的關系是共同合作的，以實現雙贏為目的。122.規劃（Planning）CPFR中的規劃要求企業對產品從制造商到消費者手中整個流程中涉及到的各個方面都有一個規劃，其實就是要求企業對整個供應鏈活動的各個方面都有一個計劃。3.預測（Forecasting）預測是貫穿于整個CPFR最重要的一個環節，其強調的是買賣雙方之間的協同預測，以期改善整個供應鏈體系原本存在的低效率、死庫存問題，提高產品銷量、節約供應鏈資源。需要注意的是，CPFR強調供應鏈各環節共同參與需求預測模型的建立和修正。344.補貨（Replenishment）。零售商和供應商根據事先議定的協議框架，將凍結期間的預測結果生成訂單。凍結期通常基于供應商的制造和配送提前期確定。在凍結期內，訂單數量被視為已確認的需求量。當零售商的實際訂單傳來時，供應商只需及時調整產能。CPFR的實施步驟第1步：制定框架協議。買賣雙方就協作的目標、協同合作的范圍、銷售預測中的例外標準、財務標準、提高客戶服務水平、降低存貨、增加銷售等達成正式商業協議。第2步：建立協商方案。銷售商與制造商之間分享商業戰略和項目發展計劃。一般包括商品目錄，適合商品銷售的促銷計劃、倉儲計劃、促銷活動以及特別規定的價格戰略等。第3步：建立銷售預測報告。擬定預測時間的范圍、單位等，根據有關歷史數據分析產品在未來各時期的銷售量，得到可供分享的預測結果。第4步：辨別銷售預測可能出現的異常情況。銷售預測異常的表現：現貨零售的準確率低于90%、銷售預測的誤差超過15%與去年同期相比銷售預測的誤差超過10%。對于銷售預測異常情況要加以注意以便調整策略。第5步：協商處理異常情況。根據銷售商、生產商的決策數據，合作雙方通過協商，對預測異常情況進行處理并得到一個一致的預測。第6步：建立訂單預測報告。分析歷史需要、安全庫存、運輸信息等數據，得出訂單預測，生產人員根據訂單預測進行原材料采購和制定生產計劃。第7步：辨別訂單預測可能出現的異常情況。訂單預測異常即超出訂單預測標準。類似于第4步的過程。第8步：協商處理異常情況。銷售商、生產商根據歷史決策數據，分析訂單預測異常的原因，并協商解決預測異常。類似于第5步的過程。第9步：生產計劃。根據預測的訂單制定生產計劃。規劃預測補給大數據時代下的供應鏈需求預測4大數據時代下供應鏈需求預測的改變（傳統供應鏈需求預測的問題）在運用傳統的數據分析工具時，供應鏈成員往往只是基于局部的結構化數據信息進行分散決策，供應鏈成員間的數據信息共享程度低，只能通過少量的結構化數據進行預測，預測結果常常有較大的偏差。這些偏差大多由傳統數據分析帶來的數據不全面和信息扭曲造成的：供應鏈每個環節的預測都會存在誤差。這些誤差是內生性的，并且會隨著需求預測向上游傳遞過程中會不斷積累誤差，最后造成誤差波動急劇放大，引發牛鞭效應中的經典現象——“需求變異加速放大”。缺乏足夠、及時且有效的全鏈數據是引發預測誤差急劇放大的原因之一。數據不全造成預測的“需求變異加速放大”現實中，供應鏈成員的需求決策通常是分散的，每個企業以自身利益最大化為目標。由于信息不完全共享，各成員難以做出有利于整體的決策。這種分散決策導致局部最優而非全局最優，降低了供應鏈的整體競爭力。在供應鏈間的競爭中，這種現象會因雙重邊際效應而進一步削弱整體表現。分散預測造成預測的“局部而非全局最優”0102大數據時代下供應鏈需求預測的改變（大數據時代下需求預測的改變）大數據時代的數據類型多樣并且體量巨大，如何才能更好地利用這些數據進行需求預測呢？如何獲取、保存和傳遞這些數據？解決這一問題首先需要統一數據定義和規則，構建分布式供應鏈體系。云計算和大數據平臺的發展使這成為可能。大數據分析平臺作為連接各個節點的中介，可以快速收集和處理物流、資金流和信息流，整合整個供應鏈的信息資源，幫助成員實現共贏。大數據時代下的因素關聯會超過傳統數學模型能夠計算的能力范疇，這時需要智能算法或邊緣分析算法，這些算法需大量算力。云計算平臺提供了成本較低的共享算力，使管理者能專注于開發高效的大數據分析算法。這些算法能帶來豐厚回報，但開發這些算法需要豐富的數據源和優秀的人才，目前只有少數大企業能做到。如何從海量的數據中挖掘和分析出供應鏈運作和決策所需的內容？12大數據分析對供應鏈需求預測的價值盡管不同企業的大數據基礎建設和分析能力有差異，但大數據的價值依然不可小覷。在進行大數據分析之前，管理者需要做出三個重要的思維轉變。1.從直覺決策轉為數據挖掘傳統預測方法所依靠的數據量、影響因素的數量都是有限的。也許已有的預測模型在穩態環境中是奏效的，但大數據時代下需求的特點之一就是非平穩——顧客的需求信息日益復雜多變，呈現數據量大、時效性高且價值密度低等特征。通過個人經驗或直覺做出決策的方法，難以挖掘復雜多變的大數據中蘊含的價值，尤其是邊緣信息的價值。122.判斷需求的變化趨勢更重要與精確預測需求值相比，判斷需求變化趨勢更為重要。消費者需求變化迅速，社交媒體上的抱怨、追捧和點贊都可能引發新的需求浪潮。傳統供應鏈預測難以捕捉這些細微變化，堅守固有預測方式可能導致供應鏈崩潰。定性預測方法雖能改進傳統定量模型，但缺乏數據支持，說服力不足。大數據分析可以處理海量邊緣信息，幫助管理者準確判斷需求風向。當然，大數據分析并不排斥傳統模型。3.從成本關注轉向市場細分要利潤需求預測的難點在于預測細分市場的需求，即根據客戶類型確定產品和定價。每個市場都可以細分為多個部分，各部分的需求和價格彈性不同。理論上，大數據可以將顧客細分到個體層面，但這存在隱私和倫理問題。通過適當的數據顆粒度，利用歷史購買數據和商品點擊量，算法可以找到最有效的推廣渠道來接觸細分顧客，這在商業倫理允許的范圍內。這樣既能提高預測準確性，又能更好地滿足不同細分市場的需求。3大數據需求預測大量使用了神經網絡等智能算法。這些算法不僅能夠改善傳統的需求預測精度，同時還克服傳統的預測模型在面對數據不確定、波動大的情況下無法迅速準確預測相應市場需求的缺陷。大數據時代下供應鏈需求預測的方法基于大數據的供應鏈需求預測方法梯度增強回歸樹支持向量機回歸模型其他大數據需求預測模型……大數據時代下供應鏈需求預測的方法（梯度增強回歸樹）梯度增強回歸樹（GradientBoostingRegressionTree，GBRT）是集成學習Boosting家族的成員，通過組合多個簡單模型（稱為樹或學習器）來預測復雜問題。在GBRT中，每棵樹都會優化前一棵樹的預測結果，使整個模型逐漸變得更強大。GBRT通常采用強預剪枝方法進行優化，并使用深度較小的樹，以減少內存占用并提高預測速度。GBRT是一種迭代的回歸樹算法，其核心思想是合并多棵簡單的樹。每棵樹只對部分數據進行預測，所有樹的預測結果匯總后得到最終預測。因此，合并的樹越多，預測能力越強。GBRT的主要優點：GBRT存在的缺點：（1）可以靈活處理各種類型的數據，包括連續值和離散值；（2）在相對少的調參時間下，預測的準確率也比較高；（3）使用一些健壯的損失函數，對異常值的魯棒性比較高。由于簡單模型間存在依賴關系，難以并行訓練數據，也需要對參數做出比較仔細的調整。支持向量機（SupportVectorMachine，SVM）是一種二元分類的監督學習方法。SVM不但近似實現了結構風險的最小化，而且在統計學習理論的VC維理論和結構風險最小原理的基礎上構建數