时间序列：三种基本的形式

如图1，时间序列可分为三部分：（1）水平----需求展现出忽高忽低的变化，但没有明显的趋势、季节性；（2）趋势----随着时间推移，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，是有规可循的周期性。水平波动、趋势和季节性是需求变动中的"系统部分"，可预测；其余的"杂音"属于随机变动，不可预测。

图1：时间序列的基本构成

资料来源：《供应链计划：需求预测与S&OP》，许栩著，有修改。

比如，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，是可以预测的。当然，热饮的需求受气候、竞品等各种影响，有些不能预测，那就是"杂音"，成为时间序列的随机部分。

再比如牛奶产量，在过去的几十年里，奶牛的平均产奶量在增加，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。城市的用电量，商用车的销量，甚至治疗糖尿病的药的销量都呈现趋势和季节性。

让我们再看个例子。

图2是某地多年来国际航班的乘客总数，单位是千人。我们分解乘客人数，发现乘飞机的人是一年比一年多，呈现明显的趋势；季节性也很明显，这是由每年的寒暑假、法定节日等驱动；剩余的是随机成分，也就是难以系统地预测的部分。

图2：时间序列的分解

时间序列的可分解性，有着极其重要的实践意义。它让我们从貌似纷繁复杂的世界里，提炼出我们能够理解的，即趋势、季节性等有重复性、延续性的成分，把未知留给那些随机变动的部分。经过分解，我们会发现，大部分变动的其实是可知的，也就是数据可以解释的；未知的只是很小一部分，需要数据外的判断。

那些未知的随机变动中，有相当一部分是管理行为导入的变动，表现为波峰波谷，其实也有一定的可预见性，如果找到那些导入此类变动，或者熟悉竞品、客户行为的职能，比如市场、销售、门店经理，让他们及早帮助判断的话。剔除这些管理导入的变动，剩下的才是真正的随机变动。

就这样，我们把需求分解成了三大块：

（1）历史数据完全可以揭示的趋势、季节性变动，只要我们分析历史数据，即能很好地预知，这就是"从数据开始"；

（2）管理行为导入的变动，比如促销、活动、新品导入和老品下市，只要我们很好地对接市场、销售等职能，"由判断结束"，即可大幅降低大错特错的概率；

（3）历史数据、职业判断都没法解释的随机波动，我们要通过设置安全库存和供应链的执行来应对。

现在你知道，为什么需求预测主要是个计划行为：计划的数据分析不到位，没法把有规律的可知部分提炼出来，就把所有的变动都当做不可知，于是就不可避免地依赖销售"提需求"，走上一条不归路。数据驱动的计划都没有能力分析数据，经验主义的销售、市场就更分析不了，企业在需求预测上就不得不"从判断开始，由判断结束"，靠拍脑袋，在粗放管理的泥淖里打滚。

即便是随机部分，也不是完全的不可知----小概率事件一旦发生了，就不再是小概率事件了。也就是说，凡是发生了的，其实都有其必然性。那些可预知的东西，比如趋势、季节性，最初也往往是以"随机"的面目出现。

比如原来的需求挺稳定，业务开始增长时，增长部分是水平部分没法解释的，就被归到随机部分；业务继续增长，你会发现"随机"变动中，有了趋势的成分，变成了可以预测的。

季节性变动也是：刚开始时没呈现任何规律，被归入随机变动；增长地时间长了，就成了增长趋势；然后开始下降，归为下降趋势；过了一段时间又开始增长、下降，这就成了季节性。

我们的解决方案呢，一方面是尽快滚动预测，纳入最新的需求历史和职业判断；另一方面是选择、配置合适的模型，通过模型更好地"规律"化这些"随机"因素。这些模型包括移动平均法、简单指数平滑法、线性回归、霍尔特法、霍尔特-温特模型等，我们在本书会详细介绍。如果应用得当，应该能够解决大部分的需求预测问题。