第一章　需求预测：三种基本的预测方法

最基本的预测方法，往往是最好的。

我们之所以能够预测，是基于两点：①时间序列的延续性（也叫连贯性）；②变量之间的相关性（也叫类推性）。

时间序列是对特定变量，比如需求，按照时间的先后顺序排列。其延续性表现为三种形式：①随机变动——在外界因素的影响下，需求展现出忽高忽低的变化，但整体上平稳；②趋势——随着时间的推移，需求呈现增长或者下降的趋势；③周期性——需求呈现交替性的高峰、低谷，季节性就是其中一种。

这些基本形式叠加到一起，比如趋势和周期性并存，就形成更加复杂的时间序列。举个例子：一个卖热饮的企业营收每年增长30%，这是趋势；热饮冬天卖得多，夏天卖得少，这是季节性；两者加到一起，就是趋势与季节性并存。再如牛奶的产量，在过去的几十年里，每头奶牛的产奶量在增加，这是趋势；夏、秋产奶多，冬、春产奶少，这是季节性；两者加到一起，也形成趋势与季节性并存的时间序列。

时间序列是需求预测中最常见的情况，其基本假设是我们的业务有一定的延续性，以某种方式呈现在时间序列中，其变量只有一个，那就是时间。这并不是说没有别的变量，相反，有别的变量，而且可能有很多。这些变量有一定的惯性，一直按照某种方式推动事物的发展，随着时间的进展，呈现某种模式。我们没法一一解释这些变量，但知道它们一直在起作用，就把它们都归因于时间。

相关性是指变量之间存在的关系可以类推。比如，促销预算越高，买的广告、流量越多，销量一般也会越大；预售期卖得好的产品，正常销售一般也会卖得好；在试点区卖得好的产品，在所有区域也会卖得不错。我们常说不怕不识货，就怕货比货，这“货比货”就是基于相关性，在数据有限的情况下（如新产品的预测中）扮演重要角色。小步快走、尽快纠偏，也是通过有限时间、有限客户的需求，来推断、调整整体的需求预测，其背后的逻辑也是相关性。

接下来，我们会介绍几种常见的预测方法，包括移动平均法、指数平滑法和线性回归法，以及如何选择更优的预测模型。这几种预测方法，加上它们的变种，如果应用得当，能够解决大部分的需求预测问题。记住：如果有人一上来，就给你来一通傅里叶变换、大数据或人工智能，你应该特别警惕才对，我不是说这些不重要或者不好，我是说大多数问题都可以用简单的模型来应对。这就好比我们感冒时，阿司匹林和感冒清就能治好，就不要一上来用青霉素这样的猛药。其实，复杂的模型往往不如简单的；你不懂的模型往往不如你懂的好。