PDF《案例：进入量产后,预测怎么做？》

当需求历史是上升或者下降序列,α 取较大值,0.6-13 . 在具体应用中,先把需求历史做成散点图,大致判断需求的稳定性和趋势,确定平滑系数的 大致范围,然后套用几个不同的 α 值,一般以 0.1 作为阶梯,看哪个的准确度最高.如果是用 Excel 做计划的话,也可以用 Excel 中的插件 Solver,基于特定的优化目标,比如平均绝对误差或 者均方差最小,找到最优化的平滑系数. 图1:指数平滑法来预测快消品的需求 如图

1 所示,指数平滑法会用一部分历史数据初始化和优化模型,用另一部分历史数据来验 证、测试模型.初始化就如正式比赛前的热身,或者设备投入正式运营前的试车,在试车走合的 过程中,我们可能调整有些参数,让设备处于更好的状态(优化).对于预测模型来说,这种调 整更多的是自动调整――好的预测模型往往有一定的 自适应性 .

3 https://blog.csdn.net/cl1143015961/article/details/41081183. 第4页(共12 页) 就如赛前热身不算正式成绩,我们也按照初始化的结果来判断预测模型的优劣――我们得用 专门的数据来判断预测模型的优劣,跟别的模型比较,以选择最佳的模型和参数,然后推测后续 的预测值.在预测方面的经典著述中,一般用最初的

9 个数据点作为指数平滑法的初始数据4 .如 果是按照季度汇总,大致就是

2 年的数据;

如果按照周来汇总,大致就是

2 个月的数据. 就如指数平滑法的基本公式所示,下期的预测是基于上期的实际值和预测值.在初始化时, 预测的初始值可以取第一期的实际值(初始组数据点较多时),或者前几期的平均实际值(初始 组数据点较少时).究竟多少数据点算多,我在有些文献中看到是

15 个以上.实际上,你会很快 发现,预测的初始值影响甚微,因为权重只有(1-α)的N次方,而(1- α)介于

0 和1之间,次 方越高,衰减地越厉害,相应的影响也越轻.就拿下面的案例来说,该初始值对于测试数据的影 响系数是(1-α)的8次方以上,对预测值的影响是

20 次方,权重有多大,算算就知道了. 在这个案例中,我们拿第

1 周的实际值作为第

2 周的预测,然后开始代入公式运算.我们用

1 到9周的需求历史供初始化,并优化平滑系数 α 为0.97;

然后用

10 到21 周的 需求历史来测试,检验预测模型的准确度;

最后,我们用这个模型,预测第

22 周的需求.具体的模型在 Excel 表格中,可扫描二维码,或者访问链接 scm- blog.com/case.html 来下载. 预测的准确度有多种方法来衡量,比如误差、绝对误差的平均值,以及它们的百分比.文献 中常出现的 MAPE5 ,就是绝对误差百分比的平均值.这说起来挺拗口,计算起来其实很简单:实 际值减去预测,取绝对值,除以实际值,得到百分比,再把多期的百分比平均就是了.这个值很 直观,但也容易误导:当实际值非常小,特别是接近

0 时,这一百分比可能很大.解决方案是设 定上限,比如绝对误差的百分比不超过 100%. 这里再介绍一下均方误差,亦即文献中经常提到的 MSE6 .这是给每期预测和实际值的差值平 方,然后再平均.平方的好处是放大极端误差:误差小了我们往往可以应对,比如设置安全库 存,或者适当地赶工加急;

害死我们的大都是极端误差――预测太低的话,需求很容易击穿安全 库存,导致高昂的赶工加急成本;

预测太高的话,则容易造成大量的积压,以及由此而来的呆滞 库存.这点对很多人来说,相信都有切身体会.给误差平方,就是加倍 惩罚 那些超级误差, 凸显那些极端虚高或虚低的预测,这也是我们应该重点避免的. 严格地讲,均方误差并不能直观地体现预测的准确度.比如均方误差是