时尚供应链预测的方法

预测可使用的标准化方法很多。主要可以分为三类——定性法、历史映射法和因果法。每一类方法产生的预测方法的逻辑基础不同（历史数据、专家意见或调查），对长期和短期的预测的相对准确性不同，定量分析的复杂程度不同。比较常见的预测方法有以下四种：

（一）定性预测

定性预测是那些用判断、直觉、调查或比较分析对未来做出定性估计的方法，即从根本上说是主观的，依赖于人们的主观判断。影响预测的相关信息通常是非量化的、模糊的、主观的。当掌握的历史数据非常有限或者是专家给出的市场情报有可能影响预测时，这种方法最为合适。中长期的预测更多选用此方法，比如定性地对某个全新的时尚产品进行需求预测。

（二）时间序列分析预测

时间序列分析预测属于历史映射法的一种，需要拥有相当数量的历史数据。这种方法假设以往的需求历史是未来需求的良好的指示器。时间序列的趋势和季节性变化稳定、明确， 那么将这些数据映射到未来将是有效的短期预测方法。当基本的需求模式在各年度之间变化不大时或有明显的时间趋势时，这种方法最为合适。假如时尚企业生产一些基本款式的时尚产品时，由于此类产品的需求模式在各年度之间变化不大，所以运用时间序列分析预测较为合适。

（三）因果联系预测

因果联系预测的基本前提是预测变量的水平取决于其他相关变量的水平。因果预测方法找出需求与环境因素之间的关系，利用对环境因素的估计来预测未来的需求。只要能够准确地描述因果关系， 因果模型在预测时间序列主要变化、进行中长期预测时就会非常准确。例如，时尚羊毛大衣的需求与温度有高度的相关性，那么时尚企业可以利用因果预测方法来确定温度的降低对需求的影响。又如，某种时尚产品的需求与价格折扣的相关性非常高，那么时尚企业可以利用因果预测方法来确定通过降价多少可以把剩余库存售罄。

（四）模拟预测方法

模拟预测方法通过模拟顾客选择来预测需求。企业可以将时间序列预测方法和因果预测方法结合起来回答以下问题：降价促销会产生什么影响？竞争对手在附近开设店铺会有什么影响？时尚企业可以通过模拟顾客的购买行为来预测打折货品销售后，消费者对非打折产品的需求变化。

时尚企业可能很难确定采用哪种方法进行预测才是最合适的。事实上，多项研究表明，与单独使用任何一种方法相比，结合使用多种预测方法可以得到更为准确的需求信息。

除了预测方法的选择，下列四点对有效地预测非常重要。

（一）理解预测的决策目标

每一项预测都基于该预测的决策目标，所以明确这些决策目标是预测的第一步。这些决策的例子包括某种商品的生产量、库存量、订货量。受到某个供应链决策影响的所有各方都应当清楚决策与预测之间的联系。例如，某时尚零售商对产品进行打折出售，在此之前必须通知产品的供应商，因为他们必须制定的决策都会受到需求预测的影响。所以各方应当提出有关促销活动的共同预测，并且基于该预测制订联合行动方案。如果各方不能联合制定决策，那么就有可能造成供应链各个环节的产能、产品的不足或过剩。

（二）整合供应链的需求计划和预测

企业应当将预测与供应链中的所有计划活动联系起来。这其中包括产能计划、生产计划、促销计划和采购计划等。为了更好地整合供应链成员，企业可以成立跨职能团队来预测需求，团队的成员应来自受到需求预测影响的各个职能部门，更好的做法是团队的成员来自供应链的不同企业，由其共同进行预测。在时尚企业内部，这样的成员可以包括市场销售人员、采购人员、生产人员等。

（三）识别影响需求预测的主要因素

企业必须识别影响需求预测的以及与需求、供给和产品有关的因素。在需求方面，企业必须搞清楚需求是在增长、降低还是呈现季节性的变动。这些估计必须基于需求数据而不是销售数据。例如，当一家时尚品牌在某月将某类产品进行大幅度的促销，结果当月此类产品的市场需求较高，时尚企业不可以将这类产品的市场需求定格为此类产品的需求在此月较高，而到了明年同期，误以为此类产品的市场需求仍然会较高。此外，在产品方面企业必须知道所销售的产品有多少种变形，它们之间是相互替代的还是互补的。如果一种产品的需求会影响另外一种的需求或者是受到另外一种需求的影响，那么最好同时进行这两种产品的预测。例如，某时尚品牌在销售高科技加热内衣时，消费者往往也会购买同样面料的棉裤，此时的市场需求预测就应该包括这两类产品。

（四）设定预测的绩效和误差度量方法

为了评价预测的准确性和时效性，企业应当确定明确的绩效度量方法。这些度量方法应当与企业根据预测制定的经营目标有着紧密联系。例如，一家时尚企业，分析如何利用预测从供应链上游的供应商那里订货。由于补货提前期是3个月，那么该企业必须在销售季节开始前至少提前3个月完成预测。在销售季节结束后，它必须比较实际需求和预测需求以评估预测的准确性。然后就可以根据此结果采取措施，降低今后的预测误差，或针对观察到的预测误差采取相应的补救措施。在预测过程中，误差无法避免，但可以通过一些手段减少误差。

常见预测方法的算例分析

本节将通过算例分析，具体介绍在时尚行业较为常见的预测方法。

（一）专家意见法（定性预测）

专家意见法是依据系统的程序，匿名发表意见，即团队成员之间不互相讨论，不发生横向联系，只能与调查人员发生联系，通过反复填写问卷，反复征询、归纳、修改，最后汇总成基本一致的看法，作为预测的结果。这种方法具有广泛的代表性，较为可靠。

算例：某时尚企业研制出一种新产品，现在市场上还没有相似产品出现，因此没有历史数据可以获得。但公司需要对可能的销售量做出预测，以决定产量。于是该公司成立专家小组，并聘请业务经理、市场专家和销售人员等8 位专家，预测全年可能的销售量。8 位专家通过对新产品的特点、用途进行了解，并对人们的消费能力和消费倾向进行深入调查，给出了个人判断，经过三次反馈得到预测结果（表7-1）。

表7-1 　专家意见法算例

在预测时，最后一次判断是综合前几次的反馈做出的，因此一般以最后一次判断的数值为依据。如果按照8位专家第三次判断的平均值计算，则这个新产品的预测平均销售量为：(415+570+770)/3=585。

然而假设将最可能销售量、最低销售量和最高销售量分别按0.50、0.20 和0.30的概率加权平均，这样预测平均销售量为：

570×0.50+415×0.20+770×0.30=599（千件）

用中位数计算，把第三次判断的数值按预测值高低排列如下：

最低销售量： 300、370、400、500、550

最可能销售量： 410、500、600、700、750

最高销售量： 600、610、650、750、800、900、1250

中间项的计算公式为（n=项数）

最低销售量的中位数为第三项，即400

最可能销售量的中位数为第三项，即600

最高销售量的中位数为第三、第四项的平均数，即700

将最可能销售量、最低销售量和最高销售量分别按0.50、0.20 和0.30的概率加权平均，则预测平均销售量为：

600×0.50+400×0.20+700×0.30=590（千件）

（二）时间序列

为按时间顺序排列的数列，它包含一个或多个需求的影响因素：趋势、季节性、周期性、自相关性和随机性。例如，相加式季节变动。假设无论趋势效应或平均值如何变化，季节变动量恒为常数，包括趋势性和季节性的预测=趋势+季节变动量。又例如，相乘式季节变动。包括趋势性和季节性的预测=趋势×季节因子（时间序列中随各季节变化所作的调整系数）。

算例：某时尚店铺平均每年售出1000件时尚t-shirt。其中春季售出200件，夏季350件，秋季300件，冬季150件。预计明年的总需求为1600件，季节因子等于各季度销售量除以季度平均销售量所得的比值，分析明年各季的需求（表7-2、表7-3）。

解答：

表7-2　时间序列法算例

表7-3　明年各季需求预测值计算

（三）移动平均法

移动平均法将最近N期的需求的平均值作为时期t的估计需求水平。计算方法如下：

观察到时期t+l 的需求后，我们对估计值进行如下修正：

为了计算新的移动平均值，我们只需加入最新观察值，并且剔除最早的观察值。修正后的移动平均值用于下一个阶段的预测。移动平均法对过去N期的数据赋予相同的权重，同时忽略所有比新的移动平均数据更早的数据。随着N的增大，移动平均值对最近观察到的需求的响应程度逐渐降低。我们利用以下例子来说明移动平均法的具体应用。

算例：某时尚品牌在一年四季内都卖相同的Polo衫。数据显示，在7月的四周内，销量分别为3.8千件、3.5千件、7.7千件和9千件。利用四周的移动平均计算8月的第一个星期的销量预测值。如果8月第一周的实际销量为8千件，那么预测误差是多少？

分析：

我们在7月最后一周末，即第四周末预测第五周的需求。因此，假设当前期为t=4。我们首先要估计第四周的需求水平。已知N=4，可得

所以第五周的需求预测公式为F5=L4=6.（千件）。由于第五周的销量为8千件，因此第五周的预测误差为E5=F5−D5=6−8=−2（千件）。

观察到第五周的实际需求后，对第五周的估计值进行如下修正：

（四）简单指数平滑法

简单指数平滑法适用于需求没有可观察的需求趋势或季节性因素的情况下。需求的系统成分等于需求水平。需求水平的初始估计值被当作所有历史数据的平均值，因为假设需求没有可观察的需求趋势和季节性因素。给定时期1到时期n的需求数据，我们有

当前对未来所有时期的预测等于当前的估计需求水平，即

观察到时期t+l 的需求Dt+1后，我们对需求水平的估计值进行如下修正：

式中，指的是需求水平的平滑指数，0<α<1。需求水平的修正值是观察到的时期t+l 的需求Dt+1与时期t 的需求水平Lt 的原有估计值的加权平均。根据Lt+1=αDt+1+(1−α)Lt， 我们可以将某个时期的需求水平表示在当前需求与上一期的需求水平的函数。因此，我们可将Lt+1=αDt+1+(1−α)Lt 改写为

需求水平的现有估计值是所有历史需求观察值的加权平均，近期的观察值的权重高于较早前的观察值的权重。当的值较大时，对应的预测结果对近期数据的响应程度较高；当的值较小时，对应的预测结果更为稳定，但对近期数据的响应程度较低。我们利用以下算例对简单指数平滑法进行具体应用。

算例：

某时尚品牌在一年四季内都卖相同的Polo衫。数据显示，在7月的四周内，销量分别为3.8千件、3.5千件、7.7千件和9千件。利用简单指数平滑法α=0.1时第一期（8月第一周）的销量预测值。

分析：

本例中，我们有n=4期的需求数据。所以初始的估计需求水平为

因此，第一期的需求预测为

F1=L0=6.千件

由于第一期观察到的需求为D1=3.8千件，因此第一期的预测误差为

E1=F1−D1=6−3.8=2.2（千件）

当α=0.1时，可以得到的第一期的估计需求水平的修正值为

L1=αD1+(1−α)L0=0.1×3.8+0.9×6=5.8（千件）

可以看到，第一期的估计需求水平低于基期的需求水平，因为第一期的需求低于第一期的预期需求。因此，可得F3=5.552千件，F4=5.767千件，F5=6.0千件。因此，第五期的预测值是6.09千件。

（五）线性回归预测法

所谓线性回归模型就是指因变量和自变量之间的关系是直线型的。回归分析预测法中最简单和最常用的就是线性回归预测法。回归分析是对客观事物数量依存关系的分析是数理统计中的一个常用的方法。是处理多个变量之间相互关系的一种数学方法。在现实世界中，我们常与各种变量打交道，在解决实际问题过程中，我们常常会遇到多个变量同处于一个过程之中，它们之间互相联系、互相制约。常见的关系有两种：一类为“确定的关系”，即变量间有确定性关系，其关系可用函数表达式表示。

线性回归预测法有助于主要事件和综合计划的长期预测。然而它假设历史数据和未来预测值都落在一条直线之上，限制了该方法的应用。在时尚行业，某些时候的市场需求与某些因素呈现一种线性关系。例如，当温度降低一度，时尚羽绒服的销量可能就会增长一定的数量。又如，当促销活动的折扣力度增加10%，销量即会增加5%。

线性回归的公式为Y=a +bx 。

算例：某企业的某种产品在过去3年共12个季度内的销售情况如表7-4所示：

表7-4　线性回归预测法算例

通过手绘（图7-2），可得

图7-2　线性回归预测法绘图

然后，从直线上的点读出第1季度和第12季度的Y值，分别750和4950。通过此直线的求解，得b=(4950-750)/(12-1)=382。手绘回归方程为Y=400+382x。所以，第12季度以后的预测如表7-5所示：

表7-5　第13～16季度预测值