2025年1月现场公开课(第500-510期)

采购和供应商管理:一个实践者的角度(1天)上海(1/8,周三);深圳(1/15,周三)

供应链管理:高成本、高库存、重资产的解决方案(1天)上海(1/9,周四);深圳(1/16,周四)

供应链的三道防线:需求预测、库存计划、供应链执行(3天)上海(1/10-1/12,周五、六、日);深圳(1/17-1/19,周五、六、日)

详情请垂询助手党琪:182 1756 2014(微信同)。

需求预测:季节性带趋势的预测

| 暂无评论

我们能预测需求,一方面是因为需求的延续性(比如以前需求大的,以后的需求也大),另一方面是因为需求的相关性(比如促销力度越大,销量也越大)。

需求的延续性有三种基本形式:其一,随机变动,也就是说忽高忽低,但没有趋势和周期性;其二,趋势,也就是说随着时间发展,需求呈现增长或者降低的趋势;其三,周期性,也就是说需求呈现交替性的高峰、低谷,季节性就是其中一种。再就是趋势和周期性的组合。

对于有趋势的季节性需求,本文介绍一种常用的预测方法,准确度不如霍尔特-温特模型那么高,但相对简单易行,每个人在Excel表格中即可实现。在介绍具体模型前,我们先看一下季节性周期性的区别。

周期性是时间序列呈现出波浪形起伏,上下起伏,一般由商业和经济活动引起。它不同于趋势,不是朝着单一方向的持续运动,而是涨落相间的交替波动;它也不同于季节变动,季节变动有固定的规律,而循环波动则无固定规律(百度百科,"周期性"词条)。可以说,周期性和季节性都有波峰波谷,前者缺乏规律性,可预见性低;后者规律性强,容易预见。

提到季节性,人们想到的就是一年四季。这没错,不过季节性不一定非得要一年:一天、一周、一个月,甚至一个小时,一分钟,都可以有季节性。

比如你开个餐馆,早饭、午饭和晚饭的需求量不同,对人工的需要早晨少,中午和晚上多,这是一天的季节性。同样,作为餐馆,周五、周六的晚上生意一般最忙,而周二的晚上一般最闲(这也是在美国,很多餐馆周二有特价的原因),这是一周的季节性。

电商也类似,不过跟餐馆的周期性正好相反:周末的时候,小姑娘们都出去逛街吃饭,没多少人在网购;周二的时候,更多人窝在家里不出去,你会发现网购的量会更高----至少这是美国的情形,我在分析一个跨境电商的业务时,看到类似的模式。

如果是单纯的季节性,季度与季度之间没有趋势的话,我们可以求出每个季节跟平均值的比值,用来预测下一年各季的需求。就如下面的例子中,上年四个季度的平均值已知(2500个),根据每个季度的实际需求,就可求出每个季度对应的季度系数。

季度 实际需求 季节性系数

春季 2000 2000/2500 = 0.8

夏季 3500 3500/2500 = 1.4

秋季 3000 3000/2500 = 1.2

冬季 1500 1500/2500 = 0.6

假定下一年这个产品的需求增长30%,那么总预测就是13000,每个季度的平均预测是13000/4=3250,相应地可以预测每个季度的需求。注意,因为需求的聚合效应,预测一年要比分别预测四个季度或12个月的更准确。所以,企业一般会基于一定的假设,预测下年的全年需求,然后参考季节性分解到每个季度或每个月。

季度 预测

春季 3250 * 0.8 = 2600

夏季 3250 * 1.4 = 4550

秋季 3250 * 1.2 = 3900

冬季 3250 * 0.6 = 1950

这其实也不难。有趣的是,读英特尔前CEO格鲁夫的书,其中提到,照相机用的胶卷就是这样的季节性产品,即便在每年的需求量变化不大的情况下,在匈牙利的计划经济时代,那些国营企业还是没法生产出合适的量来(格鲁夫是匈牙利裔)。计划经济之"计划"性,可见一斑。

我们下面看一下季节性、趋势并存的情况(这部分参考了Ron Lembke博士的文章Forecasting with Seasonality)。如图 1,假定这个产品的销量具有季节性,每四期是一个周期;同时,需求也呈现出趋势。我们的任务是预测第13到16期的需求。这里的"期"可以理解为季、月、周、天等任何时间单元(案例中的期其实是季度)。

图 1:季节性和趋势并存的时间序列

我们先求每一期的季节指数。如表 1,鉴于季节性每4期循环一次,我们把12期的数据分为三轮(可以理解为3年),求出每期的三轮平均值。每期的平均值与12期的总平均值相比,就得到该期的季节指数。比如第二期的平均值为176.7,12期的总平均为190.8,两者相除,得到第二期的季节指数为0.93,意味着第二期是平均需求的93%(低于100%的话,可以理解为淡季;高于100%,可以理解为旺季)。

表 1:季节指数的计算

接着我们求趋势。在求趋势前,我们先得去季节化,也就是每期的需求除以季节指数。如表 2,第④列就是假定没有季节性时,每期的需求。围绕第①和第④列的数据,我们来运行线性回归(线性回归在我的《需求预测和库存计划:一个实践者的角度》一书里有详细介绍),得出线性回归方程为需求预测=152.44+5.91*期数。这里的5.91就是我们说的"趋势",也就是,每期比上期增加5.91个。这样,我们就能够求出不包含季节性的线性预测,见第⑤列。比如第13期的线性预测等于152.44+5.91*13=229.27,四舍五入为229。

最后一步呢,就是把季节指数反算进去,求得季节性调整后的预测,亦即我们最终需要的预测。这是拿线性预测(第⑤列)跟季节指数(第②列)相乘。比如第14期的最终预测就是235*0.93=218。

表 2:预测趋势和季节性并存的情况

看到这里,有些人或许或问,现在的产品生命周期都这么短,哪能有两年、三年、四年的需求历史,让我们来求这些季节指数、趋势,预测未来的需求?从具体的成品来说,这或许没错;但对半成品、原材料、产能来说,却未必。

比如你是卖热饮的,季节性非常明显的产品,热饮的包装就如快时尚,更新频次相当高;但热饮本身(半成品)和原材料的变化却没那么大,生产线和工艺也是年复一年差不多,我们在半成品、原材料、产能层面还是可以做类似的预测,指导整个供应链更加有序地响应。

我们再回到图 1的例子。这是个完美的季节性带趋势的例子,我们可以相当准确地预测出来(从第⑦列的预测误差即可看出)。实践中,我们很少会有这样的完美情况。我们的应对方案还是尽量作准,尽快纠偏

尽量作准是寻找更合适的预测方法,通过优化各参数,来尽量提高预测准确度;尽快纠偏是有了一点实际销售数据,要尽早分析,与原来的预测比较,与历史数据比较,再结合市场、销售、产品管理等的职业判断,尽快调整预测。这样做,至少可以避免大错特错。

此外,不管是季节性,周期性,还是趋势,都是相对特定的供应链响应周期、响应能力而言。

当供应链的响应周期很短,响应能力无限的时候,对这些变动性的预测就不那么重要。比如这是个前置仓,或者门店,补货周期就那么几个小时或几天,反映不出来多少季节性、趋势,你也就用不着采取复杂的模型来预测----移动平均法,简单指数平滑法,甚至卖一补一的"幼稚预测",八成就能够很好应对。

但是,如果你要规划前置仓、门店的规模,决定是否扩容的话,那可是长周期行为,我们得预测未来几个季度甚至几年的需求,这时候,季节性、趋势等更复杂的情形预测就更必要。产线的产能、供应商的产能、长周期物料的备料也是同理。

25年1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,2025年1月份(第500期-510期培训)正在报名。


  1. 采购和供应商管理:一个实践者的角度(1天)上海(1/8,周三);深圳(1/15,周三)
  2. 供应链管理:高成本、高库存、重资产的解决方案(1天)上海(1/9,周四);深圳(1/16,周四)
  3. 供应链的三道防线:需求预测、库存计划、供应链执行(3天)上海(1/10-1/12,周五、六、日);深圳(1/17-1/19,周五、六、日)

更多信息请点击链接,报名详情咨询请联系我的助手党琪:182 1756 2014(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 2024-11-21 03:56November 21, 2024 3:56 AM

此Blog上的上一篇日记从"正三角"到"倒三角",释放资源做"大采购"

此Blog上的下一篇日记好坏SKU:高乐氏控制产品复杂度

首页归档页可以看到最新的日记和所有日记。