供应链之需求预测

需求预测模型有多种。

1. 简单时间序列平移：基于历史数据（近几个月，近几周）等预测，这种没有考虑趋势，没有考虑历史数据对预测数据的影响。比如过去很久时间的数据对当前的预测参考意义不大。
2. 加权平均：针对历史数据（近几个月，或者近几周）等预测，考虑到历史数据对预测数据的影响，最近的数据对预测数据更有效，所以最近的实际数据权重大些，历史数据权重小些。但衍生的问题是每期的实际数据的权重应该是多少呢？完全靠经验赋值，被人诟病。
3. 指数平缓预测：针对历史数据（近几个月，或者近几周）等预测，同时考虑到上次预测值的情况，上一次的实际值权重+上一次的预测值（1-权重）来计算预测值。这种模型规避了每个历史期数权重如何赋值问题，如果最新的实际数据对预测值影响大，权重可以赋值1，如果最新的实际数据对预测值影响小，权重可以赋值0 ，权重的取值范围（0-1）.但是这种模型没有考虑到需求的趋势。
4. 二次指数平滑方法：针对历史数据（近几个，或者近几周）等预测，考虑到了历史实际需求及历史的预测值，同时考虑到了需求的趋势。
   二、需求构成因素
5. 季节性因素 2. 趋势因素 3. 周期性 4. 自相关 5. 随机性
6. 季节性因子 ：需要找到数据之间是否有季节的关联。