案例　一个快时尚产品的需求预测

案例企业是一家快时尚企业，其产品的需求变化如图1-10所示：伴随着上新时的各种宣传和促销活动，新品一经导入，需求就如洪水，上市即达顶峰；然后随着促销力度的下降，需求就一路走低，直到最终消失。对这类快消品，案例企业没有很好的预测方法，就只能凭经验，拍脑袋，从而导致过剩和短缺成了家常便饭。

鉴于这样的快消品有明显的趋势，我们建议尝试霍尔特法。

在这个案例中，我们把霍尔特法跟其他几种方法对比，包括移动平均法、简单指数平滑法，以评判各种预测方法的优劣。我们用第1周到第9周的需求历史做初始化（初始组），复盘预测第10周到第21周的需求（测试组），通过比较测试组的预测准确度（均方误差），选择最佳的预测模型。各种预测方法的结果汇总在图1-12中。

从图1-12的均方误差数据可以看出，霍尔特法比简单指数平滑法准确，简单指数平滑法比3周移动平均准确。^[1]霍尔特法是3种方法中误差最小的，是否意味着我们该用霍尔特法呢？这还得取决于另一个问题：霍尔特法是否真的增加价值？这就如你需要一个人帮忙，请来甲、乙两个人，甲比乙少捣乱，这并不意味着你会用甲；你还需要知道的是，甲是不是比没人帮忙要强。“没人帮忙”就是基准，来判断这人是否增加价值。

在预测上，“没人帮忙”就是“不预测”，而最简单的“不预测”就是用上期的实际需求作为下期的预测（对于季节性需求，就是用上次相应时段的需求，作为这次的预测）。这最简单，在英文的预测文献中，有个专业术语叫“幼稚预测”（naive forecast），指的就是这种预测。实践中，“幼稚预测”其实很常见，比如再订货点补货方式用的就是上期用掉多少，下期就补多少，是一种地地道道的“幼稚预测”（当然还会考虑到经济订货量等因素）。

图1-12　几种预测方法的比较

尝试移动平均法时，鉴于需求变动相当大，我们就用过去3周的平均值作为预测，计算出相应的预测准确度。不难发现，3周移动平均法在两个预测准确度指标上，没有一个比“幼稚预测”好（如图1-12所示）。这说明移动平均法不增加价值，还不如不预测，直接把上期的实际需求当作下期的预测。

这也让我想到一个连锁服装零售商，在规模尚小的时候，为什么要奉行约束理论（TOC），甚少计划，主要靠执行来弥补，哪儿有短板就补哪儿——粗放经营的时候，预测方法也粗放，一般就是用移动平均法；当需求变动很快的时候，还不如不预测，把实际销量当作下期的预测。该企业不一定能够证明为什么要这么做，但他们的直觉还是对的。

同理，简单指数平滑法虽然在均方误差上稍优于“幼稚预测”，但微乎其微。这从其平滑系数上也可看出：α经过优化，最优值等于0.97，非常接近1，而1意味着上期的实际值100%成为下期的预测，其实就是“幼稚预测”。既然这样，我们也就犯不着花那么大功夫，来用简单指数平滑法预测这个变动剧烈的快消品，还不如被动反应，把上期的实际需求当作下期的预测。

霍尔特法则不同。如图1-12所示，在预测准确度指标上，不管是均方误差，还是平均绝对百分比误差，霍尔特法都比“幼稚预测”好，尽管有些指标的改善看上去微不足道。比如平均绝对百分比误差降低了3个百分点，也意味着预测准确度不过从64%上升到67%。不过可不要小看这3个百分点，需求预测准确度的微小提升，对供应链的库存、成本和企业盈利来说，影响都是非同小可的：每一个点的预测准确度的提升，意味着0.5～1个点的净利润提升，如图1-13所示。

图1-13　需求计划对供应链绩效的杠杆作用

资料来源：Forecast Accuracy and ROI Report 2012,Gartner Group。

看到这里，或许有人会说，霍尔特法这么好，但预测准确度还是只有67%啊！人们看到准确度，往往联想到的是现货率（也叫有货率、库存达成率）。这是误解。预测的准确度和现货率相关——准确度越高，现货率也越高，但这两个数字是两回事。举个极端的例子，你的需求是10个但预测了100个，不管用什么方式统计，预测准确度都非常低，但现货率却是100%——你在牺牲库存来确保现货率。

按照平均绝对百分比误差来统计预测准确度，其实低估了现货率，因为前者是严格地按照“丁是丁卯是卯”来计算：这期的实际需求是10个，不管你预测了5个还是15个，你的预测准确度都是50%（|实际-预测|/实际×100%）。但别忘了，如果你预测15个的话，你这期的现货率是100%，还剩下5个的库存，可以用来满足后期的需求，提高后期的现货率，让后期的现货率比准确度更高。

就霍尔特法而言，如图1-14所示，我们模拟了第10周到第21周的库存余额，来统计每周的现货率。这里假定每周补货，补货量是本周的预测减去上周的库存余额（如果上周的余额为负，表明本周要多补货，以满足上周未满足的需求）。为了简化起见，我们假定上周五下班前更新需求历史，预测下周需求，发出下周的补货指令，当周一大早补货就到了，可以用来满足本周的需求。我们还假定当周需求得不到满足，会积压下来，靠下周预测的量来满足。

图1-14　模拟霍尔特法的现货率

对于第10周，补货量等于当周预测，是192个。满足当周的实际需求后，当期的现货率是100%，还剩余45个（192-147），也让第11周的补货量降低到86个（131-45）。第11周的实际需求是154个，本周补货86个加上上周剩余45个，现货率是85%［=(86+45)/154］，短缺23个，留待第12周来满足。以此类推，看得出，每周的实际现货率都相当高，第10到第21周的综合现货率是84%，远高于67%的预测准确度。这也是为什么你到很多公司去，有些分仓、客户的预测准确度动不动只有百分之二三十，但也没见客户因为现货率太低而跳脚（他们往往是高估需求，或者设立安全库存来提高现货率）。

但严格地讲，预测准确度又是公平的：我们的目标是用多少预测多少，预测多了会积压（库存风险），预测少了会短缺（交付风险），两种风险都不好，都要避免。不过光从预测准确度一个指标来看，是没法得知具体是短缺还是过剩风险。在实际考核中，很多企业把这一指标拆分成两个：按时交付率和库存周转率，用这两个更加直观且跟客户和股东利益直接挂钩的指标来考核。

就这个案例来说，84%的现货率还是不够，库存余额不时出现负值，意味着短缺。怎么办？供应链的第一道防线——需求预测错了，我们就得启动第二道防线——安全库存来弥补。我们知道每期预测的误差，就可以计算其标准误差，在这个案例里是44。假定现货率是95%（意味着需求一到，95%的情况下有现货供应），就得到安全库存72（假定补货周期是1周，详细的公式见“第二章库存计划和库存的优化”部分）。看得出，这个安全库存就相当于给每周的余额增加了72个库存，系统提高了库存余额的“水位”，显著降低了断货的风险，如图1-15所示。

当然，有人会问，设置了安全库存，这快消品到了下架的时候，岂不是剩下一堆呆滞库存？没错，如果我们不及时调整的话，确实会剩下一堆呆滞库存。对于计划人员来说，到了产品生命周期末期，要经常评估需求与供应，在合适的时间点切断供应，不再补货，同时把安全库存计划“水位”清零，以消耗掉手头和在途的库存。

图1-15　设置安全库存，应对预测准确度不高，提高现货率

[1] 之所以用3周移动平均，是因为需求的下降趋势非常明显，2周移动平均或许太响应，4周、5周移动平均或许响应太慢。当然，我们也可以选择不同期数的移动平均，但结果不会改变：对于这个趋势明显的案例，移动平均不是最优的预测模型。