需求预测与需求管理 P04 · 计划域
供应链的一切动作都由「需求」驱动。预测不可能 100% 准确，所以这一页的重点不是猜得准， 而是知道误差有多大、怎么度量、误差出现后系统怎么兜底。
这一页讲什么
需求从哪来、四种预测方法、指数平滑的手算过程（可调参数）、预测误差指标 MAPE/MAD/Bias、需求冻结期。
关键概念
一次指数平滑、平滑系数 α、MAPE、跟踪信号 TS、需求时界（Demand Time Fence）、滚动预测。
常见坑
只考核「预测准确率」而不考核「预测偏差方向」。长期低估比长期高估更致命：低估导致缺货丢单，高估导致呆滞积压。
1. 需求不是只有「预测」
系统里参与需求计算的有四类来源预测冲销（Consumption）怎么设计？这是需求模块最容易出错的地方
同一个物料同一时间，预测 100 件、实单 60 件，总需求应该算 100 还是 160？显然是 100，但实现上有两种做法：
- 向前冲销（Forward）：实单吃掉本期的预测，剩余预测顺延到未来期间。适合需求稳定的品类。
- 向后冲销（Backward）：实单吃掉过去期间的预测，把历史多算的部分扣回来。适合订单滞后于预测的场景。
系统还需要设置冲销时界：比如只允许冲销未来 30 天内的预测，避免把远期预测也扣没了，导致长提前期物料缺料。
2. 四类预测方法
定性法
适用：新品、无历史数据、市场剧变。
做法：德尔菲法、销售团队预估、市场调研。
缺点：主观、难复现。
时间序列法
适用：有稳定历史、需求平稳。
做法：移动平均、指数平滑、季节分解。
缺点：对突变反应慢。
因果模型
适用：需求受明确因素驱动（价格、促销、天气、门店数）。
做法：回归、价格弹性模型。
缺点：建模成本高。
协同预测 CPFR
适用：与关键客户/供应商深度绑定。
做法：共享 POS 与库存，联合定计划。
缺点：需要信任与数据打通。
实务中七成以上企业用「统计预测 + 人工调整」：系统先给基线，计划员再结合促销、客户情报做修正，并把调整原因记录下来用于复盘。
3. 动手算一次：指数平滑
拖动滑块改变 α，看预测曲线如何变化F(t+1) = α × 实际需求D(t) + (1 − α) × 上期预测F(t) （α 越大越相信近期，越小越平滑）
0.30
MAPE 平均绝对百分比误差
–%
越低越好，快消品通常 20–40%
MAD 平均绝对偏差
–件
衡量误差的绝对规模
Bias 偏差方向
–件
正数=系统性低估，负数=高估
下期预测 F(13)
–件
进入 MPS 的初始输入
三个误差指标分别解决什么问题？（点开看公式与判读标准）
MAPE = (1/n) × Σ |实际 − 预测| ÷ 实际 × 100% ｜ MAD = (1/n) × Σ |实际 − 预测| ｜ Bias = Σ (实际 − 预测)
- MAPE：跨物料横向可比（百分比），用来给预测模型打分、给计划员考核。缺点：实际需求为 0 时无意义。
- MAD：与需求量级同单位，配合服务水平可直接算安全库存（见 P06）。
- Bias：看方向。长期为正是最危险的信号——说明系统一直低估需求，会持续缺货。
- 跟踪信号 TS = Bias ÷ MAD：一般设定 |TS| > 4 时触发预警，说明模型已经跑偏，需要人工干预或重算参数。
4. 需求时界：计划不是随便能改的
为什么要冻结？
如果近期计划可以随意变动，已采购的物料、已排的产线、已约的车位全部作废，产生计划震荡（Nervousness）。 冻结区就是给执行层一个稳定的「承诺窗口」。
滚动预测怎么做？
每月重跑一次未来 12 个月的预测，把已发生的实际数据替换掉预测值，形成滚动 12 个月的视图。 同时保留历史预测版本，用于事后复盘「当时为什么这么预测」。
供应链管理系统演示原型 · 静态教学版 · 数据均为模拟演示数据