如何预测需求：德尔菲法和简单移动平均法

某些情况下，可以确切地知道将要采购物品的数量和品种。例如，对物品的需求可以通过某时期内公司签订的销售产品或服务合同来明确。但是在大多数情况下，并不能准确地知道某一物品的需求情况，因此需要对需求进行预测。预测的准确性，直接影响了企业的生产计划、库存水平和客户满意度。预测有以下几项基本原则：

（1）预测在大多数时候都是不准确的；

（2）预测存在一定的估算误差；

（3）产品大类（或称产品族，Product Families）的预测比单个产品（Individual Item）的预测更准确；

（4）短期预测比长期预测更准确。

由于预测固有的不准确性，很多企业将提高预测准确度作为持续改进的目标。因此，选择正确的预测方法，对于预测的准确度起着至关重要的作用。

预测方法分为两大类：定性预测和定量预测（如图3-2）。定性预测主要基于判断得出结论，而定量预测则是基于计算得出结论。

图3-2　预测方法

1.定性预测（Qualitative Forecasting）

定性预测属于主观判断，是依靠经验、直觉和有根据的推测做出的预测。定性预测通常用于缺少历史数据的产品（如，新产品）；或是企业中长期的战略计划；或是作为定量预测的补充手段。

这类预测受主观判断的影响，更容易出现偏差。所以企业会通过市场调查、试销、研究类似产品或竞争对手的产品等方式，提高定性预测的准确性。常见的定性预测方法包括：历史类推法、专家意见法和德尔菲法。

（1）历史类推法（Historical Analogy）

历史类推法是以主观判断为基础的预测方法。根据事物发展的类似性原理，通过过去发生的类似事件，来预测未来趋势。比如，新产品上市之前，通过类似产品过去的销售情况，来推测未来的需求趋势。

但历史事件和预测事件不可能绝对相似，所以历史类推法仍然有一定的局限性，并不是一种精确的预测方法。

（2）专家意见法（Judgmental/Expert Opinion）

专家意见法是借助专业人士的意见获得预测结果的方法。可以是由执行管理层、销售人员、市场分析员、营销委员会和其他具有专业知识的人员组成的团队，根据过去的预测和实际销售差异进行分析和判断，从而生成预测。

这种预测方法，主要用于调整定量预测的结果，即根据专家的经验和认知，对计算出来的预测结果进行调整，以匹配实际市场需求。再对调整后的预测进行跟踪，从而得知专家的判断是否存在偏差。

专家意见法可以采取公开征询专家意见的形式，也可采取匿名的形式。公开征询意见可以使专家之间相互启发，交换意见。因此考虑的因素较多，较全面。但是这种形式，容易导致少数屈从多数或追崇权威人士意见；也有可能一些专家因为面子而不肯改变自己的错误意见；或因表达水平的差异对结果产生影响。

（3）德尔菲法（Delphi method）

通过匿名的方式收集专家意见，又称反馈匿名函询法。最具代表的，就是德尔菲法。德尔菲法的大致流程是：将所要预测的问题发给若干名专家，让专家以匿名的方式进行反馈。然后将专家的意见进行整理、归纳、统计，再将结果反馈给各专家，请他们重新考虑。专家们根据反馈再次发表意见（可以修正或改变原来意见）。如此进行多次，使专家们的意见趋向一致。采取匿名的方式有两个主要原因：避免受到权威人士或多数人意见的影响；避免专家因为面子而不肯改变自己的错误意见。

德尔菲法已被证实是一种较为可靠的预测方法。但由于此方法需要花费大量的时间和精力，因此通常仅被用于企业战略层的预测。

2.定量预测（Quantitative Forecasting）

定量预测法是根据以往的历史数据，运用各种数学公式对市场未来发展趋势做出定量的计算，求得预测结果。常用的定量预测方法主要有时间序列分析法和因果分析法。

1）时间序列分析法（Time Series）

时间序列分析法，又称内部型预测方法（Intrinsic Forecast Method），是因为这类预测方法主要使用企业内部数据来做预测的方法，比如历史平均销售额。该方法假设，近期的历史数据可以引导近期的未来趋势。由于计算方法简单、预测结果易懂，时间序列分析法比其他预测方法更为常用。时间序列预测一般反映三种实际变化的规律：趋势变化、周期性变化和随机性变化。时间序列常用的方法有：移动平均法、指数平滑法、季节性调整预测法等。

（1）移动平均法（Moving Average）

这种方法被称为“移动”平均，是因为计算过程永远使用最近周期的数据，随着时间推移，所用于运算的数据也是不断滚动的。比如，计算4月份的销售预测，会用到1、2、3月的销售平均值；而到了5月份，则需要使用2、3、4月的销售平均值，以此类推。

①简单移动平均法（Simple Moving Average）：将近期需求记录的平均值作为下一期的预测值。

②加权移动平均法（Weighted Moving Average）：与简单移动平均法类似，只是给近期每个时段的数据赋予一定的权重。一般对越近时间段的数据赋予越大的权重，使结果更加符合近期的走势。

【例3-1】　某企业过去1～5月份某产品的销售量（需求量）见表3-1所示。

表3-1　某企业1-5月份某产品的销售量数据表

（1）简单移动平均法。

预测6月份的需求量，是前5个月的平均值（35＋20＋42＋60＋52＋35）/5＝42个单位。

（2）加权移动平均法。

权重按照简单的分配方法，见表3-1。按照权重分配后的计算，6月份的预测需求量为：35×0.067＋20×0.133＋42×0.200＋60×0.267＋52×0.333＝47个单位。

（2）指数平滑法（Exponential Smoothing）(www.xing528.com)

指数平滑法实际上是一种特殊的加权移动平均法。以上一周期的预测和上一周期的实际销售额作为基础，引入权重因子，即平滑常数（Smoothing Constant）来计算下一周期的预测数据。指数平滑法的公式：

据平滑次数不同，指数平滑法分为一次指数平滑法、二次指数平滑法和三次指数平滑法等。指数平滑方法的选用，一般可根据原数列散点图呈现的趋势来确定。当实际数列无明显的趋势变化，可用一次指数平滑预测。如呈现直线趋势，选用二次指数平滑法。若实际数据序列呈非线性递增趋势，采用三次指数平滑预测方法。如呈现抛物线趋势，选用三次指数平滑法。

2）因果分析法（Causal）

因果关系分析法，又称外部型预测方法（Extrinsic Forecast Method），是利用事物发展变化的因果关系来进行预测的方法，通常用于确定外部因素和需求之间的关联。两者的关联，被称为因果关系（Correlation）。因果分析法中最常用的就是回归分析法（Regression Analysis）。

回归分析法，是研究两个或两个以上变量之间关系的数学方法。通过公式来计算因变量和自变量之间的关系，并对未来结果进行预测。依据相关关系中自变量的个数不同分类，可分为一元回归分析法（Simple Regression）和多元回归分析法（Multiple Regression）。一元回归分析法中，自变量只有一个，而多元回归分析法中，自变量有两个以上。依据自变量和因变量之间的相关关系不同，可分为线性回归和非线性回归。

（1）一元线性回归分析法（Simple Linear Regression）

线性回归是最为人熟知的建模技术之一。线性回归通常是人们在学习预测模型时首选的技术之一。在这种技术中，因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。

一元线性回归使用最佳的拟合直线（也就是回归线）在因变量Y和一个自变量X之间建立一种关系。用一个方程式来表示：

式中：m——直线的斜率，或回归系数，表示因变量和自变量之间的相关关系；

b——截距，常数。

一元线性回归和多元线性回归的区别在于，多元线性回归有两个或两个以上的自变量，而一元线性回归通常只有一个自变量。

最小二乘法是用于拟合回归线最常用的方法。对于观测数据，它通过最小化每个数据点到线的垂直偏差平方和来计算最佳拟合线。

【例3-2】　一元线性回归分析法例题：某企业每月广告费用和销售额如表3-2所示。

表3-2　某企业1-5月份某产品的销售量数据表

把广告费和销售额画在二维坐标内，就能够得到一个散点图，如果想探索广告费和销售额的关系，就可以在Excel中将X和Y以散点图的形式呈现，然后点击添加趋势线，利用一元线性回归做出一条拟合直线（如图3-3）：

图3-3　散点图和拟合直线

最小二乘法求出拟合直线为：

即　　　　　　　　a=9.095 2，b=1.542 9

作图法得到结果的方式十分便捷，但是限制性也相对较多：

首先只能在它给出的5种模型类型中选择，回归函数的形式相对固定；由于Excel只能二维作图，所以对自变量大于一个的问题无法解决；选择合适的回归模型的方程只能通过这个单一指标来决定，不能在模型的复杂程度和精准度上交叉对比进行取舍。因此作图法和回归工具包需要根据相应的问题类型进行选择。

（2）多元线性回归分析

多元线性回归使用最佳的拟合直线（也就是回归线）在因变量Y和两个或两个以上自变量之间建立一种关系。用一个方程式来表示：

式中：——回归系数，表示因变量和自变量之间的相关关系；

b——截距，常数。

【扩展资料3-1】　Microsoft Excel中需求预测回归模型

（1）线性回归，线性趋势线通过使用以下公式计算直线的最小平方拟合： y=mx+b，其中m是斜率，b是截距。

（2）对数线性回归，通过使用以下公式计算点的最小平方拟合值计算的对数趋势线：

想要做出准确的预测，企业需要将定量分析和定性分析两种方式相结合：通过收集和分析历史数据和未来趋势，做出预测判断；不断追踪预测准确性，并分析预测差异的根本原因，进而对预测方法进行调整；做到持续改进、不断优化，从而提高预测准确性，达到降低企业的成本和风险的目标。

一段时期内的需求确定后，就要确定订购批量和订购周期了。订购批量与订购周期的确定参看3.2小节。