预测就如赌博，赌对说明了什么？说明了你幸运。我们其实是很难分析赌对的原因，除了基本的"从数据出发，由判断结束"的需求预测流程，以及选择更合适的数理统计模型。即使这两者都做对了，你还是可能预测失败。所以，从赌对中，我们很难学到太多的东西。这就如你问那位九十多岁的老寿星长寿的秘诀，他说他吃饭，他运动，他睡觉----他其实也不知道为什么长寿，否则的话，为什么不教给他的老伴儿，这样，老伴儿就不会在三十年前去世了。
成功并不能让我们更聪明多少，也很难复制。否则的话，马云会把他的那些成功法则一遍又一遍地复制，把地球上的钱都赚光了；苹果也是，把iPhone的成功复制到i汽车、i电视、i电冰箱，凡是你能想到的，前面都加个i。人之所以变聪明，是因为我们从失败中学习。具体地说，就是坚守基本原则的情况下，尽量避免那些失败，这样就增加成功的概率。
就拿长寿来说，基本原则就是吃好、运动好、休息好。要避免的失败呢，就是不吸毒，少喝酒，不在XYZ公司上班----加班太多，过劳死；压力太大，容易跳楼。对于需求预测来说，坚持基本原则就是选择最合适的统计模型，走"从数据出发，由判断结束"的基本流程。而要避免的失败呢，则得从预测的偏差率中去发现----所有的预测都是错的，识别偏差，纠正差别就是调整预测的过程。
需求预测就如发射导弹，一路飞去，一路纠偏。命准目标的过程其实就是纠正偏差的过程。
图：导弹击中目标的过程，就是发现偏差，纠正偏差的过程
让我们先来看偏差怎么计算。概念上很简单：实际值与预测值的差就是偏差。但预测是个循环更新的过程，如果每月滚动的话，每一个月就有个预测。那究竟该用哪个月的预测来计算偏差？这取决于供应链的响应周期：在一般的行业，生产周期加上长周期物料的采购前置期，大概在3个月左右。因此，理论上讲，用三个月前的预测（M-3）最合理：1月份，你告诉我4月份的预测是100个，我就按照这个来采购、生产。结果4月份的实际需求是80个，那么偏差就是20个，偏差率是25%。
M-3的偏差率一般会非常高，会揭示太多的"问题"。而最大的问题呢，就是预测做得太早而不准，解决方案就是缩短供应链的响应周期，这样我们就不需要那么早地做预测了。所以时间是最大的因素，对于需求预测来说又不可控，反倒把很多别的可控因素给掩盖了。
打个不一定很恰当的比方。乔丹的投篮命准率是49.7%，这是他在三分线内外的命准率。假定乔丹一过中场就投篮，估计命准率只有5%。分析为什么95%的球都投丢了，结论很容易是他离篮板太远了。其实即使乔丹在篮下，跟篮板的距离是0，也不是百分之百地命准。这意味着在距离因素以外，还有别的因素在影响他的投篮命准率，比如投篮的姿势，手腕的发力等。这些其实是可以控制的，但因为被距离因素掩盖掉了，反倒没有被发现，采取合适的纠偏措施。
有些企业用M-1来统计偏差，用1个月前的预测作为基准。这有一定的合理性，因为一般的行业，需求预测的冻结期大概是1个月以内（意味着数量、配置和日期都不能改变），如果进入冻结期还改变预测，那对生产和供应链的代价很高，所以必须严加控制。半冻结期大概在1到2个月，这段时间内的需求变化呢，对不起，供应链你就想法消化吧。就这样，冻结期内的问题由销售买单；半冻结区内的变动由供应链买单，两头一凑，算是个折中方案吧。
但是，对于芯片等采购提前期很长（动辄就13个星期或更长），供应灵活性很差的情况（比如芯片生产流程很长很复杂，人工干预挺困难），M-1对供应链来说就有点太不公平----M-1的预测准确度挺高，但太迟了，因为供应链的决策早都做了。这就是为什么有些企业用M-2来统计预测的准确度，分析其偏差度。当然，还有些企业采取更折中的方式，用M-1、M-2、M-3的平均值来统计需求预测的差异，这在操作上有点太复杂，也掩盖了不少有用的信息，指导意义有多大，还有待商榷。
其实，采用多久前的预测做基准，其实是销售与供应链力量博弈的结果：销售的力量越强，就选择近期的预测做基准；供应链的胳膊越粗，就越可能用更久前的预测做基准。想必我们现在也清楚了，如果两家公司都说他们的预测偏差是30%时，如果一个用的是M-1，另一个是M-3，那他们的差距可不是一点点喔。
定义好了偏差怎么计算，让我们进一步探讨差异是怎么分析的。总的来说，我们感兴趣有几个方面：绝对偏差（绝对值），相对偏差（百分比），偏差的方向（偏见）。
先说绝对偏差。假定需求预测是100，实际需求是80，那么绝对偏差就是20。除以实际需求80，就得到绝对百分比偏差25%。绝对百分比让不同的产品有了可比性，所以是差异分析中较常用的一种。不过你看得出，绝对百分比掩盖了偏差方向，没法判断预测是虚高还是虚低。比如需求预测是60，实际需求是80，其百分比差异也是25%。但你知道，这是预测虚低，会造成短缺，跟预测100、实际80造成的过剩不一样，对供应链的影响也不同。
这就是为什么有些公司拿掉绝对值，直接计算预测和实际的偏差百分比。这种偏差可以清楚地判断预测与实际的偏差方向，以揭示需求预测中的系统性偏见。比如"由判断结束"中，有几个销售人员习惯性地高估需求，而别的销售人员时高时低，更加符合统计学规律。根据这样的分析，就可有针对性地采取组织措施，纠正这几个销售人员的行为。
有的公司把预测和实际的偏差值累计起来，就得到累计偏差，以判断预测的累计影响。比如而1月、2月、3月的预测偏高，4月、5月、6月的偏低，半年加起来可能抵消，从而没有造成呆滞库存。不过这并不意味着完美无缺。比如基于前三个月的过高预测，供应链可能不得不赶工加急，造成额外的运营成本；由于后三个月的预测偏低，工厂可能遣散一部分员工，产生遣散费用。可以说，一旦汇总，我们可能冒丧失某些信息、掩盖某些问题的风险。所以，预测的累计偏差一般不独立使用，而是和别的偏差指标一起用。
此外，还有很多偏差的统计方法，比如统计预测值与实际值之间的方差、均方差，来衡量偏差的幅度和离散度。但不管用什么样的统计方法，超过一定限度的会成为异常值，需要根源分析，采取纠偏措施。需求预测虽说是"预测"，其实大部分时间都在纠偏：发现差异，分析差异，理解差异，采取纠偏措施，比如更换统计模型，与销售、市场、产品管理会面讨论，和关联职能协商等。正是通过处理一个个的"例外"，我们才得以避免失败，从而能够成功。这就如要长寿很简单，只要解决那些可能让你死去的"例外"，活着就是长寿。
汽车零部件行业一般采用瀑布图(waterfall)的形式来统计客户需求波动。但统计之后对于后续预测判断参考意义有多大，有待商榷。