产品预测方法
作者: 来源: 文字大小:[大][中][小]
预测方法有许多不同类型，有些为定性的，依赖于管理意见和舆论，但有些为定量的，则要求通过专业预测分析。最常用的定性方法包括管理意见、主管或专家意见讨论法和销售组合法。定量方法包括移动平均法、指数平滑法、回归模式、时间序列分解法，以及更先进的自动回归移动平均( Autoregressive Moving Average，ARIMA)模式。定量方法要求收集资料以建立模式。简单的分析要求至少12个月的时间，季节性模式则要求至少36个月的时间。定量方法最为广泛地用于预测需求，将做进一步的研讨。开发预测模式之前，重要的是了解预测的目的，包括做出预测的单元和预测时间幅度。
这些先进的模式采用了多个自变量，而非时间序列的历史模式（即滞后应变量和预测误差期）。这些自变量包含有助于解释“应变量”需求模式的信息。例如，有数据显示历史产品销售情况依赖于实际可支配的收入和雇用水平及预先销售水平（滞后应变量组成部分）。相较于仅依靠需求历史，该信息可帮助建立更准确的模式。由于每一种物项和定位都有一个独立需求模式，因此模式的数目则根据产品和定位而定。
为了更有效管理大批量的模式，建议使用基于需求变量系数（平均需求划分的需求标准偏差数）和二级度量指标，如单元量销售，对整体产品数量进行分层。该方法如图所示。
分层使得预测分析有的放矢，对量大（或另一相对重要的标准）、对需求变动小的时间序列进行有效管理。需求变动小是指可建立好的模式，但是需求变动大却难以成为模型。MRPⅡ系统采用最小、最大库存系统模式自动管理数量及变动小的物项的需求。另一方面，如果对时间序列而言，需求变动大于平均需求，则应开发特殊模式用于预测需求。总体而言，定量时间序列模式可用于采用静态需求模式开发的产品，但是在其他情况下，还需要特殊模式技术。
时间序列方法可用于建立模式。预测单个变量时，应结合前期的需求和预测误差。举例说明，可建立一个模式，基于本月实现的销售与前期月份的对比的不同，预测下一月份的销售数额。时间序列法不要求复杂的分析，因为该系统软件优化该模式是基于历史需求的加权参数。其可最小化关于模式适合性和历史基线相比的结果性预测误差。在一定程度上，指数平滑法用于该类模式。另外，大多数机构采用平滑指数法以自动预测产品销售。如果产品不存在趋势或季节性模式，则采用带有单独加权参数的“简单平滑指数法”模式建立预测模式。如果时间序列具有明显的趋势，但是不带有季节性模式，则采用双重加权参数（“双重指数平滑”亦称为霍特指数平滑法）建议使用三项加权参数的预测模式。
“移动平均法”可用于预测一段时间内的平均产品需求，但是该方法不适用于预测季节性需求。“时间序列分解”法也可以类似于三重指数平滑法的方式把时间序列分解为其趋势和季节性组成部分。因ARIMA模式复杂，一般不适用于预测产品销售情况。
基于回归的方法通常建立使用一个或多个自变量的模式，以及在某些情况下使用应变量的自动回归组成部分。举例来说，未来的销售量可能需要参考前期的销售情况（自动回归部分）和一个或多个自变量，如参考收入及消费者市场的状况。有些自变量为主导变量，有些为滞后变量。主导变量为当前我们所知的变量以及已显示将在未来对应变量产生影响的变量。举个例子，油价可作为未来机动车辆销售的主导指标。在该例中，用户应获得关于主导指标的信息以进行更准确的预测。
若想正确地创建和分析预测模式，则需要经验和学习。一些机构使用高阶预测方法，如使用计量经济学变量（即主导经济指标、滞后经济指标和多个自变量）建立的回归模式，但是，大多数生产机构倾向于使用较简单的时间序列胜予基于回归的方法预测产品销售情况。基于时间序列预测的产品销售情况可于每月由预测系统通过定位对所有产品或所有产品物项的日常销售量进行计算。在这些时间序列模式中，预测模式以迭代方式建立，使用参数以消除历史需求。有三个基本概念用于定义及建立一个时间序列模式。第一个概念为预测时间带，即为运转设计的预测时期；第二个概念为准备预测的预测交付周期或时间单位（即月或年）；第三个概念为按时间顺序排列的历史要求结果，即基于交付周期，。从最原始到最近的要求观测结论。使用该信息，一个预测模式便可建成，用于预测未来产品需求。
近年来，信息科技被广泛用于供应链中，为供应链的各个部分实时提供需求信息。举例来说，在零售供应链中，由于每项物品都在结账柜台进行扫描，因此可实时记录需求信息。每天，该类已记录的需求信息都会发送至供应基地，因而无须以相关的预测错误信息建立预测模式，可根据该类需求信息安排进货产品物项。该类系统的更先进之处在于供应商可使用该类信息在消费者所在地实时管理库存。在这种情况下，供应商可分析外部消费者需求及与其相对的可用库存，提供适量产品以供销售以最大化销售及运转利润。