为什么能预测：延续性和相关性

时间序列是对于特定变量，比如需求，按照时间的先后顺序排列，其延续性表现为三种形式：（1）随机变动----在外界因素的影响下，需求展现出忽高忽低的变化，但整体上平稳；（2）趋势----随着时间发展，需求呈现增长或者降低的趋势；（3）周期性----需求呈现交替性的高峰、低谷，季节性就是其中一种。

这些基本形式叠加到一起，比如趋势和周期性并存，就形成更加复杂的时间序列。举个例子。一个卖热饮的企业营收每年增长30%，这是趋势；热饮冬天卖地多，夏天卖地少，这是季节性；两者加到一起，就是趋势与季节性并存。在比如牛奶产量，在过去的几十年里，每头奶牛的产奶量在增加，这是趋势；夏秋产奶多，冬春产奶少，这是季节性；两者加到一起，也形成趋势与季节性并存的时间序列。

时间序列是需求预测中最常见的情况，其基本假设是我们的业务有一定的延续性，以某种方式呈现在时间序列里，其变量只有一个，那就是时间。这并不是说没有别的变量；有，而且可能很多。这些变量有一定的惯性，一直按照某种方式推动事物的发展，随着时间的进展，呈现出某种模式。我们没法一一解释这些变量，但知道它们一直在起作用，就把它们都归因于时间。

相关性指变量之间存在的关系，可以类推。比如促销预算越高，买的广告、流量越多，销量一般也会越高；预售期卖得好的产品，正常销售一般也会卖得好；在试点区卖得好的产品，在所有区域也会卖得不错。我们常说不怕不识货，就怕货比货，这"货比货"就是基于相关性，在数据有限的情况下，比如新产品的预测中，扮演重要角色。小步快走、尽快纠偏，也是通过有限时间、有限客户的需求，来推断、调整整体的需求预测，其后的逻辑也是相关性。

这部分我们会介绍几种常见的预测方法，包括移动平均法、指数平滑法和线性回归法，以及如何选择更优的预测模型。这几种预测方法，加上它们的变种，如果应用得当，能够解决大部分的需求预测问题。

记住，如果有人一上来，就给你来一通傅里叶变换，大数据和人工智能，你应该特别警惕才对：我不是说这些不重要或者不好；我是说大多问题都可以用简单的模型来应对。要知道，大多时候，我们得的都是感冒什么的，阿司匹林和感冒清就能解决，尽量不要一上来就上青霉素这样的猛药----复杂的往往不如简单的模型；你不懂的往往不如你懂的模型好。