指数平滑法的逻辑

让我们拿足球场上的防守队员打比方，以进一步理解指数平滑法的逻辑。

如图1-5所示，预测就如防守队员，下一步跑到哪里，取决于：①现在球落到什么地方，即上期的实际值；②现在自己的位置，即上期的预测值。防守队员是按照自己的预测行事，他现在的落点就是上期的预测值。

图1-5　指数平滑法的逻辑就如足球场上的防守队员

或许有人会问，所有的预测都是错的，为什么还要考虑以前的预测，错上加错？这貌似有悖常理，其实不然。其一，我们现在的落点不是上一步实际发生的，而是上一步预测要发生的（我们是在按预测行事）。所以，下一步的出发点不是上一次的实际值，而是上一次的预测。也就是说，两个预测之间天然是有联系的。其二，上期的预测不是简单的预测，而是以前需求历史的结晶，就如前面公式中所示，正是通过上期的预测，我们得以把所有的需求历史考虑在内，包含了很多历史信息。

下一步行动，也就是预测，介于两个极端之间：一个极端是“我行我素”，严格按照原来的计划（上期预测），实际上是拿上期预测作为下一步的预测（平滑系数α为0）；另一个极端是“步步紧逼”，上一次球落到什么地方，就赶到什么地方，实际上是拿上期实际值作为下一步的预测（平滑系数α为1）。

“我行我素”是以不变应万变，风险是可能没法及时响应变化了的局势。“步步紧逼”看上去很积极，实际上是跟着球跑，永远慢一步，永远也抢不到球——看上去让人觉得很“响应”，其实是典型的被动反应，给供应链导入频繁的变动，导致产能利用率低，运营成本高，也注定永远没法超前。

如果要超前，就得预判，就得按照一定的战略行事，沿着特定的路径前行。这注定不会亦步亦趋地“紧贴”需求，在灵敏度上受限，以牺牲短期利益来获取长期利益，在企业追求无限响应的今天，往往更不受欢迎。

在实际操作中，综合考虑已经发生的，辅之以对未来的预判，目标是让防守者尽可能地接近球（最小化预测误差），最大化抢到球的概率（服务水平、有货率等），平滑系数α会在这两个极端之间取值。寻找最佳的平滑系数α，以提高预测的准确度，就是指数平滑法的择优过程，我们稍后会介绍。