新产品需求预测实用指南

你的供应商在等采购订单,市场团队已经预订了发布活动档期,产品页面也基本就绪。你负责订购一款未经市场检验的SKU,但没人能告诉你客户会稳定购买、立即抢购,还是等促销结束再下单。

订货保守,产品还没站稳脚跟你可能就已经错失销售机会。订货激进,你又可能把现金压在需要打折清仓的库存上。电子表格里一个自信满满的销售目标并不能解决这个两难问题。

新产品需求预测最有效的做法,是把它当作一个学习和决策的过程,而不是去寻找一个完美数字。你需要一个站得住脚的初始估算、一份清晰的影响因素说明,以及在客户行为与预期不符时的应对规则。

实际的工作是把可比的发布案例、结构化的专家判断和合适的模型,与库存决策联系起来。这意味着要仔细定义需求、检验假设,并提前决定何时补货、暂停或修改计划。

为什么新产品预测比看起来更难

假设你经营一家家居用品网店,正在发布一款保温旅行杯。你有销售水杯类产品的经验,但这款SKU配有不同的杯盖、更高的定价,目标活动面向通勤族而非送礼人群。它既足够相似,让人忍不住拿来类比,又足够不同,让这些类比充满不确定性。

你的采购同事想要一个订货数量。市场部希望确保库存能支撑这次活动。财务部想知道,如果产品接受度不高,会有多少现金被占用、面临风险。

这些问题相互关联,但并不能互相替代。需求预测是在既定条件下估算客户购买量。库存计划则是决定企业愿意承担多大风险来满足这些购买需求。

在选择模型之前,先认清不确定性

对于没有深厚发布历史数据、也没有太多空间承受首批订货失败的中小企业,我会把这个问题拆分成几类不同的不确定性:

• 历史数据缺失:你没有这款新SKU本身的需求模式数据。
• 接受度不确定:你还不知道哪些买家会响应,也不知道他们接受产品的速度有多快。
• 发布条件在变化:你在价格、渠道和促销上的决策,会影响你正试图预测的结果本身。

最后一点很容易被忽视。你的产品发布不是一场被动的实验——不是一切保持不变、只等客户展现偏好的过程。

如果市场部推迟了一次邮件营销活动,原来的预测假设就不再符合实际发布情况了。如果某个电商平台的商品页面上线延迟,销售额偏低也未必意味着客户兴趣减弱。

明确你真正需要的信号

观测到的销量不一定等于无约束的需求。顾客只能购买他们能接触到的渠道中有货的商品。因此，缺货、分销受限和促销冲击等情况需要与销售数据一并记录，而不是留给模型将其解读为正常的顾客行为。

作为切实可行的起始周期，可对最初八到十二周的每周需求进行预测，然后评估误差和库存影响，具体方法见关于预测新产品需求曲线的研究。该研究提出的 DemandForest 方法结合了聚类、随机森林和分位数回归森林，报告称库存成本可能节省约 15%，具体取决于提前期和服务水平，而非对每个零售商都能保证实现的结果。

从一份简明的新品发布记录开始：

• 产品元数据：类别、价格档位、渠道、发布季节、客户细分以及相关产品特性。
• 可比的新品发布：历史发布曲线，并附上说明异常情况的注释。
• 商业假设：计划定价、促销力度、活动时间安排以及分销覆盖范围。
• 客户信号：预订和候补名单活动，需与已完成的购买分开记录。
• 可用性证据：有货时段、商品上架激活日期以及渠道覆盖情况。

候补名单只是兴趣的证据，而不是自动生成的订单簿。应明确其含义，而不是把每一次报名都转化为预期销量。

实用准则：记录顾客能够购买的内容，而不仅仅是系统显示他们已购买的内容。

为新品发布记录指定一位负责人，并保留每个预测版本及其对应的假设条件。否则，团队可能反复修改计划，却无法追溯最初的预期是什么。

对于客户信号，只收集分析所需的内容。优先使用汇总计数，限制对可识别信息的访问权限，并建立数据保留规则。要判断新品上市的兴趣是否在增强，并不需要掌握顾客的完整个人资料。

类比产品法与专家判断预测法

一个可比产品之所以有用，是因为它与目标产品有相同的需求驱动因素，而不是因为它在产品页面上看起来相似。你的旅行杯在外观上可能与高档礼品保温杯相似，但在商业表现上可能更接近通勤水瓶。

依据有据可查的评分选择可比产品

在类别、价格区间、渠道组合、发布季节和促销力度上匹配候选产品。在查看销售结果之前，先记录每个属性为何重要，这样才不会只挑选那些支持乐观目标的发布案例。

设想两个假设的可比产品：一款主要通过你的网站销售的通勤水瓶，以及一款借助季节性广告推广的礼品保温杯。当用途和渠道相符时，给予通勤水瓶更高的权重；对于礼品保温杯，应根据其营销活动的影响进行调整，而不是照搬其发布高峰数据。

一项关于统计预测与主观判断在新产品预测中的研究发现，相比依赖单一最接近的类比案例，对多个类比案例的参数取平均值能提高预测准确性，但超过大约五到六个类比案例后，额外收益就很有限了。已发布的参数平均值产生的误差也高于本地估算的参数，这进一步说明了需要针对自身的产品上市情况进行验证。

让专家的估算保持独立

要求商品、营销和运营部门分别独立提交各自的估算及其假设依据。随后采用德尔菲法，匿名分享各方的推理过程并允许修改意见，避免由最资深的人先定下初始数字。

在基于类比的判断方面，结构化类比预测法提供了一套有据可查的流程：专家识别可比情形，评估相似程度，并将历史结果与目标产品上市情况关联起来。在进入组合阶段之前，应将这一主观判断估算与统计估算分开保存。

在常见的新产品预测方法中做出选择

这些方法是相互补充的输入。不要只是让专家批准一个他们已经看过的模型。

适合中小企业的统计与机器学习模型

从你的团队能够测试和解释的最简单候选模型开始。只有当更复杂的模型能够在未参与训练的发布案例上改善决策时，它才值得占有一席之地。

Bass扩散模型通过外部影响（例如广告）和内部影响（例如口碑）来描述产品的采用过程。可以这样理解二者的区别：顾客是通过某项宣传活动听说你的马克杯，还是从已经在使用它的人那里听说的。

将模型与可获得的证据相匹配

Bass模型使用创新系数来表示受外部影响的采用，使用模仿系数来表示受内部影响的采用。这些是关于采用行为的假设，而不是你应该不加质疑地从其他品类借用的现成设置。

一项将Bass模型与统计及机器学习方法相结合的上市前预测研究发现，大多数单项预测模型的表现优于其常规类比基准，而集成方法进一步提高了准确性。这支持了测试互补模型的做法，而不是假定Bass模型或机器学习总是会胜出。

对于中小企业的候选名单，可以考虑：

• 回归分析：一种将发布需求与价格、渠道和促销等已记录属性相关联的候选方法。
• 梯度提升模型：当你想测试多种属性组合而不必手动指定每一种关系时的候选方法。
• 相似度加权神经预测：当可比产品拥有足够的历史数据可以单独建模时的候选方法。

一项涉及两家跨国食品公司的同行评审研究将类似产品的神经网络预测与定性相似度权重相结合，在86%的分析案例中得出了更准确的预测结果。这证明了该组合方法在其案例研究中的有效性，而非普遍适用的准确性承诺。

机器学习是对现有证据的重新整理，它无法在不存在可信发布历史的地方凭空创造出一个来。

在与数据合作伙伴讨论候选方案时，要询问每个模型在预测时需要哪些信息。ELECTE关于避免预测错误的指南提供了相关背景，但一个新SKU仍然需要其自身并不存在的销售历史之外的证据支持。

将预测结果组合成带有预测区间的集成模型

所谓集成，就是多个预测结果的组合。其目的是避免让整个上市计划完全依赖于单一模型的假设。

让各个输入保持独立：一个基于类比产品得出的基准值、一个扩散预测，以及一个独立完成的专家估计。如果每个人都照搬同一个初始估计值，那么对他们的答案取平均值并不会增加多少信息量。

在不掩盖假设的前提下构建组合模型

按以下实施顺序进行：

1. 冻结输入数据。在任何人就最终方案进行协商之前，保留每个组成部分的预测。
2. 模拟早期的上市情形。只向每种方法提供在这些上市之前本应存在的信息。
3. 比较组合规则。在这些历史模拟中，测试等权重与基于误差的权重。
4. 保留一个简单的基准。要求组合方案证明其额外复杂性是合理的。
5. 保存决策依据。记录你选择这些权重的原因，以及什么情况会触发更改。

逆误差规则会给历史误差较低的方法更大的影响力。当需求不接近零时，逆MAPE加权是一个可行的选择，但对于间歇性的上市情形来说，它并不是一个好的默认方案，因为百分比误差会变得不稳定。

展示一个区间，而不只是中点值

预测区间描述了围绕点预测的未来需求可能范围。不要将其与置信区间混淆，后者关注的是对某个估计量的不确定性，而不是未来结果的离散程度。

根据历史预测误差和明确的上市情景来构建该区间。关于基于情景的探索方法，ELECTE 的蒙特卡洛模拟指南介绍了一种用于检视不确定输入的相关方法。

将产品元数据、类比评分、回测结果和预测版本一并存储。在比较电子表格、分析师手工搭建的工作流程和分析平台时，应将这视为一项实施要求，而不要想当然地认为任何平台都能自动提供整个流程。

当广告支出、分销情况或客户反应偏离已记录的假设时，应重新审视该组合方案。不要仅仅因为某位管理者不喜欢当前的数字就改变权重。

用上市阶段指标验证预测

一次产品上市的结果可能最终接近年度预测值，但在整个过程中仍会引发严重的补货问题。总量数据并不能揭示你是否订货过早、是否在营销活动期间出现缺货、或是否在需求热度消退后才进行补货。

在一项关于创新耐用品预测的研究中，在所报告的研究条件下，第一年的预测误差分别为1.9%、0.0%和20.0%，而相应的月度平均绝对百分比误差分别为18.6%、26.5%和44.4%。在零误差的年度结果中，实际广告支出数据是可获得的，这说明了更新的商业信息为何重要，也说明了准确的总量数字为何可能掩盖时间点上的误差。

使用一套指标体系

明确定义偏差的计算方式。例如,采用预测值减去实际值的方式,这样正偏差就始终表示预测过高。

测试团队当时实际能够掌握的信息

采用基于时间的回测:用较早的产品上市数据训练,用较晚的数据评估。如果后期阶段的信息影响了对早期阶段的预测,随机切分会使测试变得不切实际地简单。

按生命周期阶段、促销曝光度和间歇性需求分别查看结果。不要让某个稳定的高销量产品掩盖了慢动销新品上的反复预测失误。

管理层检查点:在改动模型之前,先问清楚误差是来自需求估计、变化的上市假设,还是库存不足。

对于新产品的需求预测,记分卡应能支持诊断分析。追踪最初的估计值、后续的修订情况以及由此产生的库存决策,这样才能区分出哪些是预测能力的提升,哪些只是在结果显现后的事后反应。

将预测不确定性转化为库存和补货决策

预测描述的是可能发生的情况。而库存策略规定的是你将采取的应对措施。

关键的权衡在于非对称损失:订货过少和订货过多所带来的后果并不对等。缺货会打断新品上市的势头,而库存过剩则可能需要承担仓储、降价或报废处理的成本。

设定明确的风险策略

分位数预测确定了可能需求结果中的某一位置。根据服务目标和错失需求的成本选择合适的分位数,然后将其应用于补货提前期内的需求。

你的补货决策应将该提前期需求与库存状态进行比较,即现有库存加在途供应减去已承诺需求。仅仅查看销售数据是不够的。

请使用以下新品上市操作手册:

• 分阶段确定初始投入量。如果库存过剩是主要风险,可以考虑以较低需求情景为基准,采取保守的小规模试投放。确认这一投放量仍能提供足够的可得性以便观察学习。
• 明确升级触发条件。需求超过预测中位数可以触发复查,但只有在核实了库存状态、提前期和剩余促销力度之后,才能进行补货。
• 在上市初期每周复查一次。区分真正的需求变化与营销活动或可得性变化造成的影响。
• 授权特殊情况处理。明确谁有权批准紧急补货、加大投入量或暂停。

关于该策略背后的缓冲库存计算,Supply Automate 关于如何计算安全库存的说明是一份有用的参考。在评估用于执行补货的系统时,可以将工作流程需求与ELECTE 的库存软件推荐进行比较。

关注决策本身,而不仅仅是预测结果

使用机器辅助监测来标记偏离假设的情况，并提示管理者进行复核。将采购权限与自动化警报分开。

一项针对多品种小批量制造的研究报告称，在五个真实案例中，综合运用类比法、机器学习、残差修正和过程监测，平均绝对误差（MAE）降低了35.7%。这支持了严谨的组合与修正方法，但并不能证明零售商可以获得等量的库存节约。

当没有可信的类比对象时

有时，最重要的预测决策是拒绝使用现成的可比对象。一款改变顾客行为方式的产品，可能与现有产品共用同一个品类标签，却并不具备相同的需求驱动因素。

需要生态系统支持的联网设备、尚待获得监管认可的产品，或者只有在其他人加入后才变得有用的服务，可能需要不同的采用假设。把这些产品当作普通的产品线延伸来处理，会产生毫无根据的精确性。

用明确的情景替代错误的匹配

一篇关于突破性产品预测的系统性综述指出，当历史需求关系不再适用时，扩散法、专家类比法、机器学习法和基础模型方法仍面临挑战。该综述还指出，具备足够能力的基础模型方法对预训练数据和算力的需求，是中小企业面临的一项制约因素。

对于这类新产品上市，我会采用情景登记表，而不是强行套用某一条历史曲线：

• 采用假设：顾客在购买之前必须理解、改变或信任哪些内容？
• 外部依赖：产品的推广是否需要审批、基础设施、合作伙伴或配套产品？
• 可观察信号：哪些竞争对手动态或顾客行为能够印证各个情景？
• 修订规则：需要什么样的证据才能证明应当扩大、收窄或放弃当前的预测区间？

将情景假设与实测数据区分开来。管理者对采用情况的判断，只要被清楚标注出来，就是有价值的；但若被伪装成模型输出，就会产生误导。

关键要点

• 明确目标：在既定的商业和供货条件下预测需求。
• 使用独立证据：在融合之前，先各自保留模型估计和专家判断的结果。
• 进行真实的测试：仅使用当时可获得的信息，评估以往的产品上市情况。
• 将不确定性与行动挂钩：就分阶段的承诺、补货触发条件和决策责任人达成一致。

新产品的需求预测，归根结底是一门管理学问。在产品上市之前，你不需要消除不确定性，但你确实需要让它清晰可见，并决定好该如何应对。

一份站得住脚的发布计划会说明你预期什么、什么因素可能推翻这个预期，以及接下来你会怎么做。相比一个没人能解释清楚的精确数字，这能为团队提供更可靠的依据，去保护现金并服务好客户。

ELECTE 是一款面向中小企业的 AI 驱动数据分析平台，提供预测分析、自动化报告，以及能够监控业务数据趋势和异常的 AI 代理。访问 ELECTE，了解这些功能如何支持你的发布评审，并带上你的产品元数据、库存可用记录和补货决策样本，评估是否适合。