供應鏈管理就是要讓供應和需求相互匹配。需求是所有供應鏈活動的源頭，瞭解、預測需求資訊是非常重要的，這將幫助我們更好地規劃供應鏈，實現產銷平衡，達成各項財務指標，比如銷售、庫存和運費等。需求驅動Demand Driven的供應鏈已是主流的模式，替代了傳統的以產定銷的模式。供應鏈管理需要一套有效的預測流程，這是今天文章重點討論的內容。
1。明確預測的目的
為什麼要做預測？因為我們想要知道未來的趨勢會是怎麼樣的，月末庫存金額會有多少？運費是否會超出預算？逾期訂單數量是否會降低？這些是我們想要了解的情況。我們不是為了預測而去預測，而是出於某種原因，所以一定要明確目的是什麼。預測是某個供應鏈流程中的一部分，比如它是S&OP中很重要的一個步驟，用於預測和管理未來的需求，然後在公司內部建立一座橋樑，與供應形成平衡。因此，預測是工具，而不是目的。
2。明確預測的內容和時間範圍
首先來看預測的內容，也就是預測什麼東西。最常見的內容是產品的銷售量、需求、庫存。我們還要定義預測的層級，是某款產品SKU，是整個產品系列Product family，還是公司Overall的總體情況？這是第一個要明確的事情。
接下來就是預測的時間範圍，也叫做Time horizon。這是什麼概念？預測是對未來的一種估計，所以時間是一個維度。在繪製預測圖表時，時間是在X軸上的，由近到遠，向著右側延伸出去，構成了一道水平線，這就是Time horizon的意思，通常我們把它叫做時間範圍或是跨度。
時間是有單位的，小時、天、周、月和年，我們會根據預測的目的來選擇合適的時間單位。當我們要做公司的五年規劃時，這是戰略層面的，所以時間跨度是最長的。有一些大型基礎設施的投資建設週期很長，需要預見到十年、二十年後的需求情況。在戰術層面通常是以月或是周為單位，我們需要考慮短期的產能規劃、主生產計劃和庫存計劃等。例如，S&OP一般是以月度為單位執行，它屬於是戰術層面的流程。執行層面是每天或每小時的具體活動，包括具體要生產什麼商品，或每天需要安排幾輛卡車運貨之類的事情。
3。選擇預測的方法和模型
我們可以選擇定性的或定量的方法，或把兩者混合起來使用。定性是一種主觀的判斷方法，最貼近預測物件的人群能提供較為準確的預測。我們會詢問銷售人員關於市場需求的情況，因為他們是離客戶最近，也是最懂市場的人。一線人員能夠反饋最真實的資訊，所以他們的輸入資訊質量很高。主觀判斷的基本邏輯是“總會有人知道”，具體的方法就是讓合適的人來做判斷。
還有一種定性的方法是專家判斷，也就是著名的德爾菲法Delphi method。這是讓一群專家透過匿名調查的方式來進行集體判斷，群策群力可以避免踩坑。俗話說“三個臭皮匠，頂個諸葛亮”，何況是專家的智慧呢。
我們更多地使用定量方法，其中最著名的就是時間序列Time series。正如前文所述，我們是在預測未來，時間是基本的維度。組成時間序列的元素有需求的基線、季節性因素、趨勢和其他因素。時間序列預測的方法有“好天真”的Nave、“被平均”的移動平均Moving average和“很靈活”的指數平滑Exponential Smoothing。
還有一個定量的方法就是因果模型。凡事有因必有果。天氣轉熱了，羽絨服的需求就會下降。2021年足壇巨星梅西、C羅轉會去了新的足球俱樂部，他們的新球衣銷量直線飆升。需求是由一些潛在因素引起的，我們可以透過數學模型，建立起因果之間的聯絡，推算出需求數量。
如果我們有歷史資料，而且趨勢比較穩定，可以使用時間序列預測。如果沒有資料，或者趨勢經常變化，最好的辦法是根據引起趨勢變化的因素，來制定一個有關聯性的預測。
4。收集資料
資料是最重要的輸入資訊，我們需要根據預測的內容來收集對應的資料。如果要預測運輸費用，我們需要收集的資訊有歷史運輸費用、工廠未來的訂單數量、貨物的體積重量、送貨和發貨頻率和原材料採購量等。如果要預測原材料庫存金額，我們需要的資料包括SKU清單和採購單價、未來12個月的需求、採購的前置時間Lead time、運輸時間和頻次等。
與預測內容無相關性的資料就不需要收集。在收集資料時，我們要注意資料的質量，先要進行資料清理，把不合理或是錯誤的資料剔除掉。除此之外，如果資料顯示出很強的季節性，就用去季節性的方法將其暫時去除。
5。使用歷史資料測試模型
預測模型是否有效？我們要測試一下選用的模型。如果我們有歷史資料，準備一個從現在開始的，持續幾個時間段的預測結果，並將它與實際歷史結果進行比較。我們可以用實際的數值減去預測值，得到誤差值，然後進行分析。常用的檢驗預測資料的方法有以下這三種：
Mean Absolute Deviation （MAD）
Root Mean Squared Error （RMSE）
Mean Absolute Percent Error （MAPE）
我們可以使用多種方法進行預測，然後找到最合適的方法。
6。實施預測
我們在進行了必要的調整後，使用合適的預測模型。如果季節性因素在之前的資料清理中去除了，現在就把它重新加進去。任何定性的調整都將在這時進行，可以在最後的結果之上乘以一個係數，用來解決“噪音”，或者說是給預測留一些容錯的空間。執行此類調整需要聽取一線人員的建議，單純依賴於模型，可能會出現偏離現實的情況。
7。定期回顧，提高預測模型的準確性
正如預測著名的原理“預測永遠都是錯誤的”，預測存在一定的錯誤區間，也就是預測值和實際值之間的差。我們需要定期審查和改進模型，提高準確性、避免預測過高或過低的傾向。
