ELECTE 4.5 已上线——团队、套餐与全新界面。了解新功能
AI 与预测阅读需 9 分钟

库存预测方法:预测需求的 5 种方式

了解 5 种经过验证的库存预测方法,包括各自的原理和适用场景。对比不同方法,选出最适合你业务的一种。

Inventory Forecasting Methods: 5 Ways to Predict Demand

用 AI 总结本文

订多了,现金被压死;订少了,销量就被货架上有货的对手抢走。每一家有库存的企业都在这两种失误之间经营,而两者之间的差距,取决于一个决定:采购订单背后用的是哪种库存预测方法。

问一屋子的运营人员用什么方法,得到的答案多半是产品名:一张电子表格,一个 ERP 模块,或是财务部门买来的某个插件。没人说得出背后的算法。这正是值得补上的缺口。预测工具只是方法的载体,而方法决定了你的安全库存是按现实来定,还是按一厢情愿来定。

下面介绍五种库存预测方法,把它们看作一个层层递进的决策阶梯,而不是互相对立的流派。每一种方法,都是下一种必须超越的基准。针对每种方法,我们会讲清它需要什么、在哪里会失效,以及在什么条件下最值得使用。

1. 移动平均预测

移动平均是常见的起点,也当之无愧。你选定一个窗口(3、6 或 12 个周期),对窗口内的实际需求取平均,把结果作为下一周期的预测值。每当一个周期结束,窗口向前滑动,数值随之自动更新。

阿肯色大学的一项供应链研究指出,时间序列预测是大多数补货系统的基础,其目标是在销售噪声之下识别出趋势和季节性。移动平均完成的是这项工作中最简单的版本:无需建立模型,就能滤掉一次性的销量尖峰。

简单窗口与加权窗口

简单移动平均对每个周期赋予相同权重。加权移动平均则让近期周期的影响更大,这在需求正在上升或下降、而不是保持平稳时尤为重要。当上个月比上个季度更能说明下个月的情况时,就选加权方式。

比如,一家线上文具店对笔记本的销量取最近三个月的平均值,来设定稳定产品线的再订货点;一家面包店则每周一取过去四周的面包销量平均值,来确定面粉订购量。方法相同,窗口不同,而且都很容易向采购人员解释清楚。

在确定窗口之前,先用过去十二个月的数据测试三种窗口长度。表现最好的窗口通常比直觉判断的更短。

  • 与朴素预测对比:如果直接用上一周期的销量做预测,效果和你的平均值一样好,那这个平均值就不值得它带来的复杂度。
  • 搭配安全库存:平滑处理是把尖峰从预测中去掉,而不是从需求中去掉。
  • 区分产品系列:笔记本和季节性计划本不应共用同一个窗口。

适用场景:商品销售稳定,至少有六个周期的干净历史数据,并且需要一个任何相关方都能看懂的基线。它也是之后每一种方法都必须超越的基准数字。面向零售商的30天库存试点表明,这样的基线能多快暴露出哪些SKU需要的不只是一个平均值。

2. 指数平滑(Holt-Winters 方法)

指数平滑保留了求平均的思路,但不再把新旧数据一视同仁。每个观测值的权重随时间推移呈指数级下降,因此预测会向当前的实际情况靠拢,又不会对某一个异常的周反应过度。

Holt-Winters 增加了两个组成部分:趋势项和季节项,根据季节性波动是否随销量放大,分别采用加法或乘法形式。这正是季节性零售品类大多采用此方法的原因。

为什么对准确度的要求更高

加重近期数据的权重能提升响应速度,但响应速度是有代价的。一项批发与库存控制研究综述引述了 Syntetos 及其同事的发现:在保持相当服务水平的情况下,预测准确度下降1%,可能对应库存成本上升10-15%。参数设得过慢,需求变化时你会库存过剩;设得过快,又会把噪声当成信号,引发牛鞭效应。

A comparison chart showing Simple Exponential Smoothing versus Holt-Winters Method for inventory demand forecasting.

三个习惯可以让模型保持可靠:

  • 至少两年数据:至少提供两个完整的季节周期,否则季节项只是在猜。
  • 检查优化器的结果:让软件求解平滑常数,然后确认季节性形态与你实际经历的那一年相符。
  • 把促销标记为事件:一场为期三周的活动,如果混入历史数据,会扭曲基线好几个月。

适用场景:需求具有重复的季节性形态,且你能提供两个干净的周期。想了解平滑模型在实践中如何运行和比较,请阅读用平滑模型预测违约率。

3. ARIMA 与 SARIMA 时间序列模型

A modern cube box with a golden crescent design placed on a shelf with digital analytics charts.

平滑方法把历史看作加权平均。ARIMA 对同样的数据提出了更难的问题:今天的需求是否取决于昨天、去年同一周,以及模型之前犯下的误差?其中的“差分整合”步骤会对序列做差分,直到趋势平稳;SARIMA 则加入季节项,以处理每周和每年的周期。Holt-Winters 给你的是一条更平滑的曲线,而 ARIMA 给你的是需求过程本身的模型。

真正有价值的输出,是预测值周围的区间。

区间胜过单一数字

一项补货优化研究将 SKU 需求、退货提前期和补货提前期都建模为随机变量,使用分位数预测而非单一估计值,并提出了“预测不确定性比率”(Ratio of Forecast Uncertainty),用于追踪不确定性在供应链各环节之间如何传导。这一区别在下采购订单时至关重要。同样是预计 1,000 件,合理区间为 850 至 1,150 件,与区间为 500 至 1,700 件,含义完全不同。

两位采购员看同一份预测,可能做出截然相反的决定。一家区域性连锁超市同时用周季节性和年季节性为每周乳制品需求建模,让节假日的需求高峰体现在订单中,而不是事后才发现。一家电子元器件分销商按预测区间的第 90 百分位设定元器件安全库存,依据的是服务水平目标,而不是固定的两周库存。工具相同,要回答的策略问题不同。

要用好它,需要遵循以下规范:

  • 检验平稳性:先看图,再做正式检验,然后只在必要范围内做差分。过度差分会引入噪声,模型还得费力去解释。
  • 保留最近三个月的数据作为验证集,先在其上评估模型,再决定是否采信。
  • 把区间转化为策略:根据利润率、现金状况和服务承诺,选择合适的百分位。
  • 对大型商品目录自动选择模型。人工调整订单参数,面对 400 个 SKU 根本行不通。

代价是投入的精力。ARIMA 要求数据平稳,需要谨慎选择阶数,并且要有足够的历史数据来估计季节性项,而且它仍然只依据序列自身的过去。因此,它成为因果方法必须超越的基准:价格或促销等驱动因素,只有比需求自身历史预测得更准,才值得纳入模型。

当你的序列存在平滑方法无法捕捉的自相关,并且需要一个可靠的区间,来对照服务水平目标确定安全库存时,可以使用这种方法。

4. 因果回归预测

到目前为止,所有方法都是从需求自身的历史中读取信号。因果回归提出了另一个问题:是什么在推动需求,推动了多少?你可以输入团队已经在跟踪的驱动因素,例如价格、折扣力度、促销、节假日、天气和竞争对手的动作,模型会估算每个因素带来的提升幅度。

输出的是一个可以拿来推敲的系数,这正是它的价值所在。折扣不只是抬高预测值,而是按明确的幅度抬高,而这个幅度正是采购订单所需要的。

把促销日历纳入模型

假设一家家居用品零售商想知道,8 折优惠加一次周末邮件营销,会如何影响厨房电器的销量。回归模型会估算两者的合并效应,这样采购员就能按计划中的活动下单,而不是参照去年的月均值。若饮料分销商将预测气温纳入模型,就可以在热浪来临之前备货,而不是事后被动应对。

实用规则:在验证期内一次只测试一个驱动因素。如果一个因素不能提高模型在未见数据上的准确率,那它只是一个故事,而不是信号。

A modern athletic shoe displayed on a pedestal with glowing neon icons representing price, schedule, and environment.

  • 从已有记录入手:促销标记、价格变动和节假日日历。很多团队手上可用的驱动因素比自己以为的要多。
  • 定期更新系数:价格调整或新竞争者进入后,客户的反应会发生变化,沿用过时的系数可能导致库存积压。
  • 区分计划内与计划外因素:营销活动作为输入变量;爆款帖子或缺货后的补货则作为事件标记。

当促销和定价对销量影响很大,并且需要在活动开始前而不是结束后确定备货量时,适合采用这种方法。

5. 机器学习需求预测

机器学习改变了建模的粒度。你不再为每个产品单独拟合一个模型,而是针对数千个 SKU-门店组合训练一个统一模型,让它学习共同的规律:哪些商品对天气敏感,哪些受发薪周期影响,哪些与两周前的促销有关。

梯度提升在表格型销售数据上表现出色。当商品目录庞大、各类信号之间的相互作用无法靠人工设定时,神经网络才能体现价值。

准确率之争的复杂之处

一项评估了 7,500 个需求序列和 13 种预测方法的研究发现,预测精度的价值取决于产品特性、库存策略、持有成本、缺货损失成本、盘点周期和提前期。该研究还指出,即使存在大量间歇性订单,制药行业的中小企业仍常依赖主观判断预测,原因包括历史数据不准确、专业人员有限以及技术应用程度低。

对于追逐排行榜的人来说,这一结论并不轻松。当持有成本低而缺货代价高时,误差指标上最优的模型,在成本上反而可能落败。而一种在间歇性商品上看似表现出色的方法,可能只是因为大多数周期的需求为零才得分很高。

  • 战胜基准模型:移动平均或 Holt-Winters 就是你的对照组。如果机器学习在留出数据上没有胜出,就不要上线。
  • 按时间而非随机方式验证:用较早的周期训练,用较新的周期测试。
  • 分群评分:销量前 50 的 SKU 的误差,比长尾商品的误差更重要。
  • 单独处理间歇性需求:零需求占比高的商品需要专门的评估规则。

A professional woman in a modern warehouse using a digital tablet for inventory management and logistics analysis.

ELECTE 是一款面向中小企业的 AI 数据分析平台,它会在你的数据上运行六种预测方法,相互比较评分,并选出最准确的一种,从而取代人工逐一比拼。对于促销密集的商品目录,请参阅如何应对限时抢购带来的需求激增。

当你拥有覆盖大量产品的详尽历史数据,并且有证据表明它在成本和服务水平上(而不只是纸面数据上)优于基准模型时,适合采用这种方法。

5 种库存预测方法一览

方法

最适用场景

所需数据

能否处理季节性

难度

移动平均预测

需求稳定、需要简单基准的场景

少量近期销售历史

否

简单

指数平滑法(Holt-Winters 方法)

具有趋势和季节性规律的需求

至少两个季节周期的销售数据

是

中等

ARIMA 和 SARIMA 时间序列模型

具有时间规律的自相关需求

较长且干净的历史时间序列

使用 SARIMA 时可以

高级

因果回归预测

预测促销、价格及其他驱动因素的影响

销售历史和可靠的驱动因素数据

加入季节性变量后可以

中等

机器学习需求预测

需求驱动因素复杂的大型商品目录

大量干净的销售历史和相关输入数据

是,需加入日历或季节性特征

高级

核心要点:选择数据能够支撑的方法

把每一级方法都视为下一级必须超越的基准。移动平均成本低、过程透明,因此它给出的数字就是后续每个模型都要改进的底线。当相同的季节性形态反复出现时,采用 Holt-Winters;当需要为服务水平提供站得住脚的预测区间时,采用 ARIMA 或 SARIMA;当促销和价格变动驱动销量时,改用因果回归;只有在留出集上胜出之后,才引入机器学习。

每个周期都按同样的方式运行这套阶梯:

  • 审查销售历史:统计干净的周期数,以及存在长时间连续零销量的 SKU。
  • 选择与需求模式相匹配的最简单方法。
  • 用最近三个月的数据进行验证,不要随机拆分。
  • 将对比过程自动化,使获胜的基准随条件变化而更新。

ELECTE 可连接会计、银行和电子表格数据源并保持数据实时更新,在最新数据上运行六种预测方法,让它们相互对比评分,并选出最准确的一种。您将获得需求、现金和薪资预测,以及可一键导出或分享的仪表板。访问 ELECTE,几分钟内即可看到基于您自己销售历史的预测。

评论

暂无评论——来发表第一条吧。