需求预测

需求预测被称为对特定时期内的客户需求进行未来估计的过程。一般来说，需求预测会考虑历史数据和其他分析信息来产生最准确的预测。更具体地说，需求预测方法需要使用历史数据的预测分析来了解和预测客户需求，以了解关键的经济状况并协助做出关键的供应决策以优化业务盈利能力。需求预测方法分为定性方法和定量方法两大类。定性方法基于专家意见和从现场收集的信息。它主要用于可用于分析的数据最少的情况。例如，当一项业务或产品新进入市场时。然而，定量方法使用数据和分析工具来创建预测。需求预测可用于生产计划、库存管理，有时还可用于评估未来的产能需求，或用于决定是否进入新市场。

需求预测对不同行业的企业起着重要作用，尤其是在降低商业活动风险方面。然而，众所周知，由于分析的复杂性，特别是定量分析，公司面临的挑战。然而，了解客户需求是任何行业不可或缺的一部分，这样业务计划才能更有效地实施，并能更恰当地响应市场需求。如果企业开始掌握需求预测的概念，它可以带来几个好处。这些包括但不限于减少浪费、更优化的资源分配以及潜在的销售额和收入的大幅增长。

更详细地说，企业需要需求预测的一些原因包括：

1. 实现目标——大多数成功的组织都会有预先确定的增长轨迹和长期计划，以确保业务以最佳能力运营。通过了解未来的需求市场，企业可以积极主动地确保其会议目标符合行业增长趋势。

2. 商业决策——参考实现目标，通过对未来行业需求的透彻了解，管理层和主要董事会成员可以做出战略性商业决策，从而实现更高的盈利能力和业务增长。这些决策通常与产能、市场目标、原材料和了解供应商合同方向等概念相关。

3. 增长——通过对未来预测的准确理解，公司可以在一个时间框架内衡量扩张的需求，从而使他们能够以经济高效的方式扩张。

4. 人力资本管理——鉴于需求预测通常会披露有关技术增长和生产的信息，企业可以从计划员工培训中受益，以确保员工为新技术趋势做好充分准备。这将有助于确保组织能够以最佳方式运作。

5. 财务规划 - 了解需求预测以有效地为未来运营制定预算至关重要。强劲的需求预测将有助于披露潜在的未来成本和收入。

有各种统计和计量经济分析用于预测需求。预测需求可以分解为七个阶段的过程，七个阶段描述为：

预测需求的xxx步是确定一组目标或信息以得出不同的业务战略（查找期刊）。这些目标基于一组假设，这些假设通常来自经济理论或以前的实证研究的混合体。例如，经理可能希望根据需求弹性如何影响公司过去的销售来找出新产品的最佳价格和产量。

有许多不同的计量经济学模型，这些模型根据管理者希望进行的分析而有所不同。选择用于预测需求的模型类型取决于许多不同的方面，例如获得的数据类型或观察次数等。在此阶段，定义将用于预测需求的变量类型非常重要。回归分析是预测的主要统计方法。有许多不同类型的回归分析，但从根本上说，它们提供了一个或多个变量如何影响被测量的因变量的分析。预测需求模型的一个例子是 M.Roodman (1986) 的需求预测回归模型，用于测量季节性对被测数据点的影响。该模型基于线性回归模型，并用于根据季节性周期及其对需求的影响来衡量线性趋势，即。基于夏季和冬季销售的产品的季节性需求。

一旦在第 2 阶段指定了模型的类型，就必须指定数据和收集数据的方法。必须首先指定模型以确定需要收集的变量。相反，在决定所需的预测模型时，需要考虑可用数据或收集数据的方法，以便制定正确的模型。时间序列数据和横截面数据是可以使用的不同收集方法。时间序列数据基于按时间顺序进行的历史观察。这些观察结果用于从数据中得出相关的统计数据、特征和洞察力。可以使用时间序列数据收集的数据点可以是销售、价格、制造成本及其相应的时间间隔，即每周、每月、每季度、每年或任何其他定期间隔。横截面数据是指在不同时间段收集到的单个实体的数据。需求预测中使用的横截面数据通常描述从个人、公司、行业或地区收集的数据点。例如，公司 A 在xxx季度的销售额。这种类型的数据封装了各种数据点，这些数据点产生了最终数据点。数据点的子集可能不可观察或无法确定，但可以作为增加需求预测模型精度的实用方法。数据来源可以通过公司的记录、商业或私人机构或官方来源找到。需求预测中使用的横截面数据通常描述从个人、公司、行业或地区收集的数据点。例如，公司 A 在xxx季度的销售额。这种类型的数据封装了各种数据点，这些数据点产生了最终数据点。数据点的子集可能不可观察或无法确定，但可以作为增加需求预测模型精度的实用方法。数据来源可以通过公司的记录、商业或私人机构或官方来源找到。需求预测中使用的横截面数据通常描述从个人、公司、行业或地区收集的数据点。例如，公司 A 在xxx季度的销售额。这种类型的数据封装了各种数据点，这些数据点产生了最终数据点。数据点的子集可能不可观察或无法确定，但可以作为增加需求预测模型精度的实用方法。数据来源可以通过公司的记录、商业或私人机构或官方来源找到。数据点的子集可能不可观察或无法确定，但可以作为增加需求预测模型精度的实用方法。数据来源可以通过公司的记录、商业或私人机构或官方来源找到。数据点的子集可能不可观察或无法确定，但可以作为增加需求预测模型精度的实用方法。数据来源可以通过公司的记录、商业或私人机构或官方来源找到。

一旦获得模型和数据，然后计算值以确定自变量对因变量的影响。

计算需求预测准确性是确定有关客户对产品需求的预测准确性的过程。了解和预测客户需求对于制造商和分销商避免缺货和保持充足的库存水平至关重要。虽然预测永远不会完美，但它们对于为实际需求做准备是必要的。为了保持优化的库存和有效的供应链，准确的需求预测势在必行。

供应链中的预测准确性通常使用平均xxx百分比误差或 MAPE 来衡量。统计学上 MAPE 被定义为百分比误差的平均值。

然而，大多数从业者将 MAPE 定义和使用为平均xxx偏差除以平均销售额，这只是一个体积加权 MAPE，也称为 MAD/Mean 比率。这与将xxx偏差的总和除以所有产品的总销售额相同。此度量的优点是可以加权错误，因此您可以定义如何为您的相关业务加权，前毛利润或 ABC。xxx的问题是，对于季节性产品，当销售额 = 0 并且不对称时，您将创建一个未定义的结果，这意味着如果销售额高于预测值，您可能会更加不准确。所以 sMAPE 也被用来纠正这个问题，它被称为对称平均xxx百分比误差。

最后但同样重要的是，对于间歇性需求模式，以上都不是真正有用的。因此，您可以将 MASE（平均xxx缩放误差）视为在这些情况下使用的一个很好的 KPI，问题是它不像前面提到的那样直观。另一个要考虑的指标是 SPEC（以库存为导向的预测错误成本），尤其是当手头有间歇性或不稳定的需求模式时。该指标背后的想法是通过计算预测范围内的理论产生成本来比较预测需求和实际需求。它假设预测需求高于实际需求会导致库存成本，而预测需求低于实际需求会导致机会成本。

预测误差需要以实际销售额为基础计算。使用了几种形式的预测误差计算方法，即平均百分比误差、均方根误差、跟踪信号和预测偏差。

一旦确定了模型，该模型将用于检验xxx阶段中陈述的理论或假设。结果应描述试图实现的目标，并确定理论或假设是对还是错。关于xxx阶段提供的示例，模型应该显示市场需求弹性与其与过去公司销售额的相关性之间的关系。这应该使管理人员能够就新产品的最佳价格和产量做出明智的决定。

最后一步是根据创建的数据集和模型预测需求。为了预测需求，对所选变量的估计用于查看它对需求的影响。关于估计所选变量，可以使用回归模型，或者可以实施定性和定量评估。

定性和定量评估的例子有：

• 独立判断
• 预测市场
• 德尔福技术
• 博弈论
• 判断性引导
• 模拟交互
• 意向和期望调查
• 执行方法陪审团

• 离散事件模拟
• 外推
• 数据处理组方法 (GMDH)
• 参考类预测
• 定量类比
• 基于规则的预测
• 神经网络
• 数据挖掘
• 联合分析
• 因果模型
• 分割
• 指数平滑模型
• Box–Jenkins 模型
• 混合模型

• 移动平均线时间序列投影方法
  • 移动平均法
  • 指数平滑法
  • 趋势预测方法
• xxx指标因果方法
  • 链比法
  • 消费水平法
  • 最终使用方法
  • xxx指标法