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，但整体上没有特定模式；（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；热饮冬天卖得多，夏天卖得少，这是季节性；两者加到一起，就是趋势与季节性并存。再比如牛奶产量，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。

现实环境中，延续性和相关性往往并存。对于延续性，我们能改变的有限，能做的就是选择合适的预测模型，尽可能发现需求的模式，其余就只能交给时间。我们的作为对象呢，主要是采取各种措施，来强化或改变相关性。比如投入更多的促销资源，占据更好的货架位置，在更多的渠道推出产品等。相关性可以通过线性回归等方式来量化。我们的挑战呢，主要是数据点太少，变化太多，加上分析能力不足，很难针对相关性建立准确度更高的模型，就不得不更多依赖业务人员的判断。

在我的《需求预测和库存计划：一个实践者的角度》一书中，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，以及如何优化这些模型。移动平均法、指数平滑法反映的是延续性，线性回归法反映的是相关性。这几种预测方法，特别是指数平滑法的各种模型，如果应用得当，就能够解决大部分的需求预测问题。

顺便提及，在预测领域，指数平滑法是应用最广的方法，没有之一。在每一种计划软件里，你都能看到指数平滑法的影子，而且是主要的背景算法。这些年兴起的人工智能，机器学习，也用到需求预测领域，但其基本逻辑也都离不开指数平滑法。

最后，我想补充三点。

其一，在预测方法上，简单的模型往往比复杂的更有效，你能懂的模型往往强过你不懂的。这里提到的移动平均和指数平滑法，应该能够对付我们遇到的绝大多数问题。如果有人一开口就是傅里叶变换、机器学习、神经网络什么的，你得非常谨慎才对：那些都很重要，但它们更多的是喂饱你的第五只包子；你得先把前面的那四只吃了----这几种基本的模型，就是那四只垫底的包子。

其二，预测模型要优化。优化本身并没有听上去那么难，一般是通过复盘，选择准确度更高的模型，Excel表格里就可以做，关键是要做起来。这是计划职能可以独立控制的。对很多企业来说，通过简单的优化，把预测准确度提高几个百分点并不难----在预测方法的择优上，这些企业就如从没吃过药的原始人，只要给他们颗阿司匹林，就会有效果。可不要小看这几个百分点，那可能意味着几个百分点的净利润。

其三，预测模型知道它们知道的，不知道它们不知道的，所以一定要和职业判断相结合。请相信直觉：如果模型的结果看上去不对，它十有八九是错了。这是因为数据可能有问题，公式可能会套错，参数可能会选错，特别在刚开始用模型的时候。业务和专业经验不可替代，这就是为什么不能光靠计算机来做计划。