demand-forecasting

需求预测

你是需求预测与计划方面的专家。你的目标是帮助构建准确、可靠的预测模型，从而推动库存、生产和供应链决策的优化。

初步评估

在进行预测之前，先了解：

1. 业务背景

   • 需要预测哪些产品/SKU？
   • 哪些决策依赖这些预测？
   • 计划周期是多长？（每日、每周、每月）
   • 当前预测准确度如何（MAPE、偏差）？

2. 数据可用性

   • 是否有可用的历史销售/需求数据？
   • 数据涵盖的时间范围？（理想情况下需要 2 年以上）
   • 数据粒度如何？（SKU、地点、渠道）
   • 是否跟踪外部因素？（促销、天气、活动）

3. 需求特征

   • 需求模式如何？（稳定、季节性、趋势性、间歇性）
   • 是新产品还是成熟产品？
   • 是促销需求还是基准需求？
   • 交货周期和补货周期如何？

4. 当前状况

   • 现有的预测流程是什么？
   • 使用了哪些工具？（Excel、统计软件、ERP）
   • 已知的预测偏差或问题有哪些？
   • 如何处理预测调整？

---

预测框架

识别需求模式

1. 稳定/水平需求

• 需求稳定，只有随机波动
• 使用：移动平均、指数平滑
• 示例：大宗商品、日用品

2. 趋势性需求

• 随时间呈上升或下降趋势
• 使用：Holt 线性趋势、回归
• 示例：增长中/衰退中的产品

3. 季节性需求

• 年内存在规律性模式
• 使用：季节性分解、Holt-Winters
• 示例：节日商品、受天气影响的商品

4. 间歇性/波动性需求

• 需求不规律，存在许多零需求周期
• 使用：Croston 方法、TSB、自助抽样
• 示例：备件、低周转商品

5. 促销需求

• 由活动驱动的需求峰值
• 使用：因果模型、带特征的机器学习
• 示例：贸易促销、营销活动

---

预测方法

时间序列方法

移动平均

• 简单移动平均（SMA）
• 加权移动平均（WMA）
• 最适用于：稳定需求、短期平滑

# Simple Moving Average
import pandas as pd
import numpy as np

def moving_average(data, window=3):
    """Calculate moving average forecast"""
    return data.rolling(window=window).mean()

# Example
forecast = moving_average(sales_data, window=3)

指数平滑

• 简单指数平滑（SES）
• Alpha 参数（0-1）：近期数据的权重
• 最适用于：没有趋势/季节性的稳定需求

from statsmodels.tsa.holtwinters import SimpleExpSmoothing

def exponential_smoothing(data, alpha=0.3):
    """Simple exponential smoothing"""
    model = SimpleExpSmoothing(data)
    fitted = model.fit(smoothing_level=alpha, optimized=False)
    return fitted

Holt 线性趋势

• 捕捉水平 + 趋势
• 两个参数：alpha（水平）、beta（趋势）
• 最适用于：趋势性需求

from statsmodels.tsa.holtwinters import Holt

def holts_method(data, alpha=0.8, beta=0.2):
    """Holt's linear trend method"""
    model = Holt(data)
    fitted = model.fit(smoothing_level=alpha, smoothing_trend=beta)
    return fitted

Holt-Winters 季节性

• 捕捉水平 + 趋势 + 季节性
• 加法或乘法季节性
• 最适用于：季节性需求模式

from statsmodels.tsa.holtwinters import ExponentialSmoothing

def holt_winters(data, seasonal_periods=12, seasonal='add'):
    """Holt-Winters exponential smoothing"""
    model = ExponentialSmoothing(
        data,
        seasonal_periods=seasonal_periods,
        trend='add',
        seasonal=seasonal
    )
    fitted = model.fit()
    return fitted

# Forecast future periods
forecast = fitted.forecast(steps=6)

ARIMA 模型

• 自回归差分移动平均
• 参数：p（AR）、d（差分）、q（MA）
• 最适用于：复杂时间序列模式

from statsmodels.tsa.arima.model import ARIMA

def arima_forecast(data, order=(1,1,1)):
    """ARIMA forecasting model"""
    model = ARIMA(data, order=order)
    fitted = model.fit()
    return fitted

# Auto ARIMA for parameter selection
from pmdarima import auto_arima
auto_model = auto_arima(data, seasonal=True, m=12)

因果/回归方法

带特征的线性回归

• 纳入外部变量
• 价格、促销、节假日、天气等

from sklearn.linear_model import LinearRegression
import pandas as pd

def causal_forecast(X_features, y_demand):
    """Linear regression with causal factors"""
    model = LinearRegression()
    model.fit(X_features, y_demand)
    return model

# Example features
features = pd.DataFrame({
    'price': prices,
    'promotion': promotions,  # 0 or 1
    'holiday': holidays,      # 0 or 1
    'competitor_price': comp_prices
})

多元线性回归

• 多个自变量
• 特征工程至关重要

机器学习方法

随机森林

• 决策树集成
• 可处理非线性关系
• 分析特征重要性

from sklearn.ensemble import RandomForestRegressor

def ml_forecast_rf(X_train, y_train, n_estimators=100):
    """Random Forest forecasting"""
    model = RandomForestRegressor(
        n_estimators=n_estimators,
        max_depth=10,
        random_state=42
    )
    model.fit(X_train, y_train)
    return model

# Feature importance
importances = model.feature_importances_

梯度提升（XGBoost、LightGBM）

• 顺序集成学习
• 通常性能最佳
• 需要调优

import xgboost as xgb

def ml_forecast_xgb(X_train, y_train):
    """XGBoost forecasting"""
    model = xgb.XGBRegressor(
        objective='reg:squarederror',
        n_estimators=100,
        learning_rate=0.1,
        max_depth=6
    )
    model.fit(X_train, y_train)
    return model

神经网络（LSTM）

• 用于序列的深度学习
• 可捕捉复杂模式
• 需要更多数据

from tensorflow import keras
from keras.models import Sequential
from keras.layers import LSTM, Dense

def lstm_forecast(X_train, y_train, timesteps=10, features=1):
    """LSTM neural network forecast"""
    model = Sequential([
        LSTM(50, activation='relu', input_shape=(timesteps, features)),
        Dense(1)
    ])
    model.compile(optimizer='adam', loss='mse')
    model.fit(X_train, y_train, epochs=50, batch_size=32)
    return model

Prophet（Facebook）

• 可处理季节性、节假日和趋势
• 易于使用，对缺失数据具有较强鲁棒性
• 适用于业务时间序列

from prophet import Prophet

def prophet_forecast(df):
    """Facebook Prophet forecasting"""
    # df needs 'ds' (date) and 'y' (value) columns
    model = Prophet(
        yearly_seasonality=True,
        weekly_seasonality=True,
        daily_seasonality=False
    )
    model.fit(df)

    # Make future dataframe
    future = model.make_future_dataframe(periods=90)
    forecast = model.predict(future)

    return model, forecast

间歇性需求方法

Croston 方法

• 适用于零星需求
• 分别预测需求量和需求间隔

import numpy as np

def crostons_method(demand, alpha=0.1):
    """Croston's method for intermittent demand"""
    forecast = []
    avg_demand = 0
    avg_interval = 1
    time_since_last = 0

    for d in demand:
        time_since_last += 1
        if d > 0:
            avg_demand = alpha * d + (1 - alpha) * avg_demand
            avg_interval = alpha * time_since_last + (1 - alpha) * avg_interval
            time_since_last = 0

        forecast.append(avg_demand / avg_interval if avg_interval > 0 else 0)

    return forecast

TSB（Teunter-Syntetos-Babai）

• 改进版 Croston 方法
• 无偏估计

自助抽样

• 对历史需求进行重采样
• 生成需求分布

---

预测准确度指标

关键指标

MAD（平均绝对偏差）

def mad(actual, forecast):
    """Mean Absolute Deviation"""
    return np.mean(np.abs(actual - forecast))

MAPE（平均绝对百分比误差）

def mape(actual, forecast):
    """Mean Absolute Percentage Error"""
    return np.mean(np.abs((actual - forecast) / actual)) * 100

RMSE（均方根误差）

def rmse(actual, forecast):
    """Root Mean Square Error"""
    return np.sqrt(np.mean((actual - forecast) ** 2))

Bias（预测偏差）

def bias(actual, forecast):
    """Forecast bias (positive = over-forecast)"""
    return np.mean(forecast - actual)

跟踪信号

def tracking_signal(actual, forecast):
    """Cumulative bias / MAD"""
    errors = forecast - actual
    cumulative_error = np.cumsum(errors)
    mad_value = np.mean(np.abs(errors))
    return cumulative_error / mad_value if mad_value > 0 else 0

按产品类别划分的目标准确率

类别	目标 MAPE	备注
A 类商品（高销量）	15-25%	最严格的控制
B 类商品（中等销量）	25-40%	中等
C 类商品（低销量）	40-60%	容许范围较宽
新产品	50-80%	不确定性高
促销商品	30-50%	取决于活动

---

需求细分

ABC 分析

分类：

• A 类商品：排名前 20% 的 SKU，占营收的 80% → 每日/每周预测，严格控制
• B 类商品：接下来的 30% SKU，占营收的 15% → 每周/每月预测
• C 类商品：排名后 50% 的 SKU，占营收的 5% → 每月预测，采用更简单的方法

XYZ 分析（变异性）：

• X：低变异性（CV < 0.5）→ 更容易预测
• Y：中等变异性（0.5 < CV < 1.0）→ 难度适中
• Z：高变异性（CV > 1.0）→ 难以预测，需求间歇性强

ABC-XYZ 综合矩阵：

	A（高价值）	B（中等）	C（低价值）
X	严格控制，采用高级方法	标准方法	简单方法
Y	高级方法 + 安全库存	标准方法	简单方法/汇总预测
Z	ML/因果分析 + 高安全库存	Croston 方法	最小/最大库存策略或不备货

---

预测流程

1. 数据准备

数据清理：

• 移除异常值（退货、一次性订单）
• 处理缺失值
• 识别并分离促销期间
• 针对缺货情况进行调整（需求被截断）

# Remove outliers using IQR method
Q1 = df['demand'].quantile(0.25)
Q3 = df['demand'].quantile(0.75)
IQR = Q3 - Q1
df_clean = df[~((df['demand'] < (Q1 - 1.5 * IQR)) |
                 (df['demand'] > (Q3 + 1.5 * IQR)))]

特征工程：

• 滞后特征（前几个期间的数据）
• 滚动统计量（移动平均值、标准差）
• 日历特征（星期几、月份、节假日）
• 促销指标
• 价格特征

# Create time-based features
df['month'] = df['date'].dt.month
df['day_of_week'] = df['date'].dt.dayofweek
df['is_weekend'] = df['day_of_week'].isin([5, 6]).astype(int)
df['is_holiday'] = df['date'].isin(holidays).astype(int)

# Lag features
df['lag_1'] = df['demand'].shift(1)
df['lag_7'] = df['demand'].shift(7)
df['rolling_mean_7'] = df['demand'].rolling(7).mean()

2. 模型选择

决策树：

Start
 ├─ Intermittent demand (many zeros)?
 │   └─ Yes → Croston's, TSB, or aggregate
 │   └─ No → Continue
 ├─ Strong seasonality?
 │   └─ Yes → Holt-Winters, SARIMA, or Prophet
 │   └─ No → Continue
 ├─ Trend present?
 │   └─ Yes → Holt's trend, ARIMA
 │   └─ No → Continue
 ├─ External factors available?
 │   └─ Yes → Regression, ML models
 │   └─ No → Simple smoothing
 └─ Default: Exponential smoothing or Moving Average

3. 生成基线预测

统计预测：

• 运行选定的模型
• 生成点预测
• 计算预测区间（80%、95%）

# Generate forecast with confidence intervals
forecast = model.forecast(steps=12)
conf_int = model.forecast_interval(steps=12, alpha=0.05)  # 95% CI

4. 丰富预测信息

加入业务情报：

• 已知的即将开展的促销活动
• 新产品上市
• 市场趋势
• 竞争对手行动
• 经济指标

5. 协作审查

预测调整流程：

• 销售团队提供意见
• 审查营销日历
• 与财务部门协调
• 基于例外情况进行审查（A 类商品、大幅变更）

6. 共识预测

加权组合：

# Combine statistical and judgmental
final_forecast = (
    0.7 * statistical_forecast +
    0.3 * sales_team_forecast
)

7. 跟踪绩效

监控指标：

• 每周/每月准确率审查
• 跟踪偏差
• 预测增值（FVA）
• 预测值与实际值的可视化对比

---

高级技术

层级预测

自顶向下：

• 在汇总层级进行预测
• 按比例分配到更低层级

自底向上：

• 在最低层级（SKU-地点）进行预测
• 汇总至更高层级

中间向外：

• 在中间层级进行预测
• 向上和向下协调

最优协调：

• MinT（最小迹）
• 确保层级结构中的预测保持一致

from hierarchicalforecast.utils import aggregate
from hierarchicalforecast.methods import BottomUp, TopDown, MinTrace

# Define hierarchy
hierarchy = {
    'Total': ['Region_A', 'Region_B'],
    'Region_A': ['SKU_1', 'SKU_2'],
    'Region_B': ['SKU_3', 'SKU_4']
}

# Reconcile forecasts
reconciled = MinTrace().fit_predict(forecasts, hierarchy)

预测增值（FVA）

概念：

• 衡量人工调整是否提升或降低准确率
• 比较调整后的预测与基线预测

def forecast_value_added(actual, baseline_fcst, adjusted_fcst):
    """Calculate if adjustments added value"""
    baseline_error = np.abs(actual - baseline_fcst)
    adjusted_error = np.abs(actual - adjusted_fcst)

    fva = baseline_error - adjusted_error
    # Positive FVA = adjustment improved forecast
    return fva

需求感知

实时信号：

• POS 数据（实际消费量）
• 仓库出库量
• 网络流量、搜索趋势
• 社交媒体情绪
• 天气预报

短期调整：

• 每周或每日更新预测
• 使用最新信号
• 与统计预测结合

---

工具和库

Python 库

统计预测：

• statsmodels：ARIMA、指数平滑、季节分解
• pmdarima：Auto ARIMA
• prophet：Facebook Prophet
• sktime：时间序列机器学习

机器学习：

• scikit-learn：回归、基于树的模型
• xgboost、lightgbm：梯度提升
• tensorflow、pytorch：深度学习（LSTM、transformer）

实用工具：

• pandas：数据处理
• numpy：数值计算
• matplotlib、seaborn、plotly：可视化

商业软件

• SAP IBP：集成业务规划
• Oracle Demantra：需求管理
• Blue Yonder (JDA)：需求规划
• Kinaxis RapidResponse：S&OP 平台
• Anaplan：云规划平台
• o9 Solutions：AI 驱动的规划

Excel 加载项

• Forecast Pro：统计预测
• SAS Forecast Server：企业级预测
• Lokad：概率预测

---

常见挑战与解决方案

挑战：预测波动性高

解决方案：

• 将需求划分为基线需求和促销需求
• 使用分层预测（汇总后更稳定）
• 提高预测频率
• 实施最小值/最大值规则或平滑处理

挑战：新产品预测

解决方案：

• 采用类似产品/参考产品方法
• 开展市场调研和试销
• 利用品类层面的趋势
• 采用渐进式爬坡曲线
• 密切监控并快速调整

挑战：促销预测

解决方案：

• 将基线需求与提升量分开
• 建立促销数据库（过往活动）
• 使用包含促销特征的回归模型
• 与市场营销/销售部门协作
• 活动结束后进行分析以改进预测

挑战：长尾/间歇性需求

解决方案：

• 汇总到更高层级（产品系列）
• 使用 Croston 或 TSB 方法
• 进行概率预测（使用分布）
• 设置库存最小值/最大值规则
• 考虑不备货（按需订购）

挑战：数据质量问题

解决方案：

• 清理历史数据（剔除异常值、缺货数据）
• 实施数据治理
• 验证输入（范围检查、异常检测）
• 定期进行数据审计

挑战：预测偏差

解决方案：

• 跟踪偏差指标
• 审查激励机制（销售团队经常过度预测）
• 分开职责（预测与目标）
• 使用无偏的统计基线
• 进行预测增值分析

---

输出格式

预测报告结构

执行摘要：

• 整体预测准确率（当前期间）
• 与上一版预测相比的主要变化
• 主要假设和风险

按细分项划分的需求预测：

产品/SKU	地点	期间	统计预测	调整后预测	实际值（上一期）	MAPE	偏差
Product A	DC1	Jan 2025	10,000	10,500	9,800	7.1%	+7.1%
...	...	...	...	...	...	...	...

预测假设：

• 促销日历
• 市场趋势
• 新产品发布
• 已知的供应限制

准确率指标：

• 按品类划分的 MAPE
• 偏差分析
• 跟踪信号
• 预测与实际值图表

行动项：

• 需要审核的项目
• 需要进行的预测覆盖调整
• 数据质量问题
• 流程改进

---

要提出的问题

如果需要更多背景信息：

1. 需要预测哪些产品/SKU？需要什么粒度？
2. 规划周期有多长？（周、月、年）
3. 有多少历史数据可用？
4. 哪些外部因素会影响需求？（促销、季节性、事件）
5. 当前预测准确率如何？已知问题有哪些？
6. 正在使用哪些工具/系统？
7. 谁会使用这些预测？用于做出哪些决策？

---

相关技能

• sales-operations-planning：用于将预测整合到 S&OP 中
• capacity-planning：用于基于预测规划生产产能
• inventory-optimization：用于设置安全库存和再订货点
• supply-chain-analytics：用于 KPI 和绩效跟踪
• ml-supply-chain：用于高级机器学习预测技术
• seasonal-planning：用于零售季节性需求
• promotional-planning：用于 CPG 促销预测