2024年7月现场公开课(第470-479期)

供应链管理:高成本、高库存、重资产的解决方案上海(7/5,周五);深圳(7/12,周五)

需求预测和库存控制:一个实践者的角度—上、下上海(7/3-4,周三、周四);深圳(7/13-14,周六、周日)

战略采购和供应商管理:一个实践者的角度—上、下上海(7/6-7,周六、周日);深圳(7/10-7/11,周三、周四)

详情请垂询助手吴珍桢:177 2795 9069(微信同)。

趋势的预测:霍尔特指数平滑法

| 暂无评论

对需求预测来说,上世纪50、60年代可以说是人才辈出。这里我想特别介绍一下美国的HMMS研究团队。这个团队的名称来自四位研究者姓氏的第一个字母,当时他们都在卡内基工学院(后来与梅隆学院合并,成为今天蜚声海外的卡内基梅隆大学),旨在是寻找更好的决策机制,以帮助工业界更好地应对种种库存、生产和计划问题。这些问题在宏观层面导致经济危机,在微观层面让企业经常处于应急状态----要么是赶工加急,要么是产能闲置和库存积压。

四人团队中的霍尔特开发了简单指数平滑法(应对平缓需求)、霍尔特法(应对趋势),以及霍尔特--温特模型(应对季节性),这些都成为工业界应用最为广泛的预测模型。其余的3位研究者呢,莫迪利亚尼和西蒙后来获得了诺贝尔经济学奖,而穆斯的理性预期模型呢,又成为卢卡斯获取诺贝尔奖的基石。不由得让人感叹,这真是个才华横溢的研究团队,那时的卡内基梅隆就已经是个才俊辈出的地方。

我们这里要谈的霍尔特法,有些人可能不熟悉,我尽可能地从管理的角度来阐述。如果你是个供应链专业人士,却对这些基本的预测模型一无所知,那只能说你没有在"孔夫子门前站过",跟那些拍脑袋做计划的人没区别了----小时候,我有个做木匠的表哥,限于当年的条件,没念过书,经常我们这些读书人是在"孔夫子门口站过的",言下之意是应该懂那些基本的道理。

另外,我说的是理解,并不是记住这些公式----公式到处都能找到,这里的关键是理解其基本逻辑和应用环境,用的时候找书看,或者网上查更多细节。我也假定你熟悉简单指数平滑法,如果不熟悉的话,可搜索我的文章,或参考我的《需求预测和库存计划:一个实践者的角度》一书。

简单指数平滑法适用于没有明显趋势、没有明显周期性,只有随机波动的情况。当需求呈现明显的趋势时,简单指数平滑法就没法有效应对,表现在对平滑系数择优时,你会发现最优的α变成了1,或者非常接近1。这是模型在告诉我们,它没法有效预测,就只能拿上次的实际值作为下次的预测值。这时候,我们就得用霍尔特法。

简单地说,霍尔特法就是在简单指数平滑系数α的基础上,增加了一个趋势的平滑系数β,所以也叫"双参数平滑法"(当β等于0的时候,霍尔特模型就成了简单指数平滑法)。正因为因为增加了趋势参数,霍尔特法能更好地预判需求走向,系统提高预测准确度。

在霍尔特模型中,预测由两部分构成;一部分是水平部分,是在上期水平部分的基础上,用简单指数平滑法来更新;另一部分是趋势部分,是在上期趋势部分的基础上平滑调整,也用简单指数平滑法来更新;两者相加,就得到下期的预测。霍尔特法不但持续调整水平部分,而且持续调整趋势部分,在横向和纵向两维调整预测,所以能更好地应对趋势的变化。

霍尔特法中,平滑系数α和β都是介于0和1之间。与简单指数平滑法一样,这两个平滑系数越大,预测模型就越响应,也就是说最新实际需求的对下一步的预测影响越大,风险是有可能过度反应;平滑系数越小,预测模型就越平稳,也就把最新发生的更多地当成"杂音"给过滤掉,风险是可能没法及时响应需求变动。

对于霍尔特法,我们也可以用Excel中的Solver插件,基于预测准确度最高的目标,围绕两个参数α和β优化,选择最优的参数。与简单指数平滑法类似,霍尔特法也需要初始化(就如工厂正式生产前的"预投产"),经过一段时间的初始化后,初始值的影响变得有限,直至微乎其微(择优和初始化的细节可参考我的《需求预测和库存计划:一个实践者的角度》一书)。

当然,对于这些细节,你读了可能没有什么感觉。这没关系,先了解一下,然后动手实践,在实践中加深理解。这就跟游泳一样,除非下到水里,是没法学会游泳的。

【实践者问】我的专业是工业工程,目前感兴趣的工作有两方面,一个是计划,另一个跟供应链稍微偏差些,是数据分析。我由于本身专业跟供应链很相关,而且对于生产计划这样与数据打交道的工作也很感兴趣,但是专业课上学到的无外乎移动平均法、指数平滑法、霍尔特法这些,感觉一个外行人用点心,一天就能熟练掌握几种预测方法,我想知道在计划这个行业进一步是什么样的职业发展道路?

【刘宝红答】这些基本的方法能够解决需求计划的大部分问题,所以不要小看它们。它们看上去简单,其实不简单,不然的话为什么还要把发明者的名字冠上去?像霍尔特这种专家,都是跟诺贝尔奖获得者相提并论的人。这些方法凝聚着众多研究者多年的心血,远远没有想象的那么简单----如果我们认为简单,那八成是因为我们不理解。

比如移动平均法是简单,但是究竟用多少期的需求历史就很不简单,因为这要求我们懂得如何去评估预测模型的好坏。这又涉及到绝对误差、均方差等预测准确度的统计方法----均方差又让我们意识到,预测的一大关键是避免大错特错:小的预测失误容易对付,可以通过安全库存、供应链执行来解决;害死我们的是大错特错。

那大错特错又是怎么发生的?选择了不合适的预测模型,用了不合适的参数是一个原因,但基础数据也是一大问题源,比如数据没有清洗,把以前促销的数据包括在内,需求预测自然显著偏高。这是对发生了的促销,那没有发生的呢?这又涉及到跟销售端的对接----需求预测是"从数据开始,由判断结束",数据代表已经发生的,可重复的;判断代表还没有发生的,不可重复的,这又牵扯到销售跟运营协调流程,企业的几大主干流程之一。

所以,不要低估这些基本的模型。运用得当,这些模型能解决大部分的问题。不要求新求异。如果有人跟你大谈卡尔曼滤波,或者灰色预测法什么的专业名词,你应该敬而远之----我不是说这些不重要,而是说那更多的是龙肝凤胆;我们得回归计划的基本面,先把我们的大米饭做得更好更合口再说。

这就如练武,不管你学什么武术,基本的招数也就那些。要经过一遍又一遍的练习,熟能生巧,出神入化的时候,才能真正掌握。要知道,高手的高,并不在于他们知道的招数比别人多,而是在相同的招数里,他们比别人更熟悉,更能最大化那些招数的效果。

【更多资料】对于这些预测模型,有个英文网站值得推荐:Real-Statistics.com。这网站是一个老博士的,他开发了各种各样的Excel表格,用来解决数理统计的问题,包括简单指数平滑法和霍尔特法,是学习这些预测模型的很好资料。

这位博士以前在美国大学任教,现居住在意大利。像他那样把复杂的数理统计解释得那么清楚,这世界上可没有多少人。我以前读MBA时,教统计学的那位教授就是这样的人。他让我真正体会到统计学反映出的简单美(惭愧,20多年后,我连他的名字都忘了)。

这也正是人工智能等没法广泛应用的原因之一:我跟好几个人工智能公司的专家谈,他们都在尝试用人工智能来解决需求预测问题,但没有一个人能够解释清楚,人工智能究竟是怎么运作的,能更好地预测需求----我在计划领域可以说是高于平均水平,他们在人工智能上是远超平均水平,我们在一起都没法搞清楚人工智能是怎么回事,一般的计划经理、计划员怎么能搞清楚呢?不理解就不信任,不信任就不会去用。

摘自《需求预测和库存计划:一个实践者的角度》,刘宝红著。

7月供应链系列现场公开课

围绕我的系列畅销书,我设计了系列精品课程,2024年7月份(第470期-479期培训)正在报名。


  1. 供应链管理:高成本、高库存、重资产的解决方案上海(7/5,周五);深圳(7/12,周五)
  2. 需求预测和库存控制:一个实践者的角度—上、下上海(7/3-4,周三、周四);深圳(7/13-14,周六、周日)
  3. 战略采购和供应商管理:一个实践者的角度—上、下上海(7/6-7,周六、周日);深圳(7/10-7/11,周三、周四)

更多信息请点击链接,报名详情咨询请联系我的助手吴珍桢:177 2795 9069(微信同),电邮[email protected]

我有微博、微信(scm-blog),也在LinkedIn上,欢迎加我,随时沟通。更多联系信息见此处

欢迎关注我的微信公众号,每天一篇文章:wwwscm-blogcom

请关注我的微信公众号,每天一篇文章:wwwscm-blogcom

评论

畅销专著

  • Supply chain management: high cost, high inventory, heavy asset solutions

畅销经典

  • Purchasing and Supply Chain Management

关于此日记

此日记由 刘宝红 发表于 2024-01-23 03:38January 23, 2024 3:38 AM

此Blog上的上一篇日记软件往往优于手工计划,为什么企业不用?

此Blog上的下一篇日记从汉王科技说产品的复杂度

首页归档页可以看到最新的日记和所有日记。