PDF《案例：进入量产后,预测怎么做？》

另一个极端是 步步紧逼 ,上一次球落到什 么地方,就赶到什么地方,实际上是拿最新的实际值作为下一步的预测(平滑指数 α 为1). 我行我素 是以不变应万变,风险是可能没法及时响应变化了的局势;

步步紧逼 看上 去更积极,实际上却一直慢一步,永远跟着球跑,永远也没法抢到球.所以,在实际操作中,我 们会在这两者之间取值,目标是让防守者尽可能接近球,最大化抢到球的概率.这就是优化平滑 系数 α,以最大化预测的准确度. 【小贴士】预测的灵敏度和准确度 预测中,预测的灵敏度(响应度)和准确度经常相抵触:灵敏度高了,准确度就下降;

准确 度高了,灵敏度则受影响.对指数平滑法来说,最高的灵敏度就是平滑系数等于 1,那就是跟着 球跑,看上去让人觉得很 响应 ,却是典型的被动反应,给供应链导入频繁的变动,导致产能 利用率低,运营成本高,也注定永远没法超前.如果要超前,就得预判,就得按照一定的战略行 事,沿着特定的路径前行,注定不会亦步亦趋地 紧贴 需求,在灵敏度上受限,往往得牺牲短 期来获取长期利益,在企业追求无限响应的今天,往往也更不受欢迎. 当然,当需求变动幅度非常大,速度非常快的时候,比如有些快时尚,亦步亦趋地跟着实际 跑,可能比人的预测还要准确,那就不如不预测,光靠响应速度来应对.比如在规模还比较小的 时候,快鱼基于约束理论(TOC)采取的快反策略就是例子.但是,当企业大了,需求大了,供 应链的响应速度就跟不上(比如没有太多的富裕产能,而安全库存也没法对付多时的需求),这 时候就是问题,需要通过计划来改善.这又回到预测的本质:要预测,是因为供应链的响应速度 不够. 另外,你会注意到,在很多预测模型中,包括这里的指数平滑法,我们都是基于上一次的预 测做下一次的预测.这似乎有点违背常理:所有的预测都是错的,为什么还要考虑以前的预测? 这里有两个原因.其一,我们现在的落点不是上一步实际发生的,而是上一步预测要发生的(我 们是在按预测行事).所以,下一步的出发点不是上次的实际值,而是上一步的预测.其二,实 际发生的有很多偶然性,表现为 噪音 ,而以前的预测把部分 噪音 给过滤掉了,所以包含 着很多历史经验和智慧,连最简单的平均法、移动平均法都有这种功能. 放到指数平滑法中,这个 过滤器 就是平滑系数.简单地说,平滑系数就是给历史信息 打折 ,尽可能多地过滤掉 噪音 .要特别强调的是,这里的 历史信息 更多是综合在上 一个预测中,而不是上一个实际值.如果你展开指数平滑法的公式,你会发现,需求历史按照 (1-α)的等比数列级数综合到预测中(这也是指数平滑法中 指数 的来历).比如对最新一期 的权重是(1-α),二期的是(1-α)的平方,三期的是(1-α)的三次方,以此类推.因为 1-α 的 值介于

0 和1之间,所以次数越高,权重就越小,以几何数级衰减. 第3页(共12 页) 具体来说,平滑系数 α 的值取决于需求历史的稳定性:需求历史越稳定,需求历史(表现在 上次的预测中)的权重越高,最近实际发生的所占权重越低(越是把它当做偶然因素);

反之亦 然.当需求历史比较稳定时,选择较小的 α 值,0.05-0.2;

需求历史有波动,但长期趋势没有大的 变化,可选择稍大的 α 值,0.1-0.4;

当波动很大,呈现明显且迅速的上升或下降趋势时,宜选取 较大的 α 值,0.6-0.8;