“關(guān)于是否需要做預測的事情在上一篇文章《聊一下供應鏈需求預測》，已經(jīng)很清楚的說明了是需要的，那么我們在日常的工作中如何去做呢？其實沒那么高深，本文就說說利用excel做簡單的需求預測?！?/p>

—— 供應鏈日常 

- 01 -MAPE判斷靠不靠譜

<blockquote data-type="1" data-url="https://mp.weixin.qq.com/s?__biz=MzI5MTQzMDU0OA==&m data-author-name=" 黃雪川"="" data-content-utf8-length="22" data-source-title="聊一下供應鏈需求預測">

所有預測都是錯的，但準確度高和低還是不一樣的

黃雪川，公眾號：供應鏈日常聊一下供應鏈需求預測

我們通常說的這個人靠不靠譜？是通過之前他說的和他做的是否一致來判斷的。一個產(chǎn)品的預測是否靠譜，我們也可以通過看它的歷史預測和實際生產(chǎn)/出貨的差異來判斷。在統(tǒng)計學中有這么一個衡量方法叫MAPE，平均絕對百分比誤差（Mean Absolute Percentage Error）

MAPE取值的范圍[0,+∞)，MAPE 為0%表示完美模型，MAPE 大于 100 %則表示劣質(zhì)模型。注意：當真實值有數(shù)據(jù)等于0時，存在分母為0的問題，該公式不可用！我們看一個示例：這個產(chǎn)品從4月到9月的MAPE為15.1%，還算靠譜的預測，

經(jīng)常會有100%甚至百分之好幾百的MAPE都有，越大越不靠譜。對不同產(chǎn)品做了MAPE以后，公司哪些產(chǎn)品的預測可信度高，哪些可信度低，你就心里有數(shù)了。

- 02 -回歸分析預測未來

回歸分析（Regression）：確定兩種或兩種以上變量間相關(guān)關(guān)系的一種統(tǒng)計分析方法。通過數(shù)據(jù)間相關(guān)性分析的研究，進一步建立自變量(i=1,2,3,…)與因變量Y之間的回歸函數(shù)關(guān)系，即回歸分析模型，從而預測數(shù)據(jù)的發(fā)展趨勢。

來源：網(wǎng)絡

說起預測分析，很多人會想到大數(shù)據(jù)、AI算法、Tableau、python等等，其實在真實的工作中沒那么復雜，也用不到那么高大上的工具和方法哈，最基本的就是使用Excel數(shù)據(jù)分析工具中的回歸分析就可以了。如何做呢？我們來看一個例子。

一條汽車生產(chǎn)線，共線生產(chǎn)兩種車型A5和B7，有一種A5車型專用長周期物料，必須提前做預測。我們先看看歷史數(shù)據(jù)：

我們利用前面4個月的實際生產(chǎn)數(shù)據(jù)來做多元線性回歸分析，生產(chǎn)天數(shù)作為變量X1，全月總量作為X2，車型A5作為目標Y。我們來看看知道下月生產(chǎn)天數(shù)和總的預計產(chǎn)量的情況下，我們?nèi)绾晤A測A5車型的量?；貧w分析后的結(jié)果如下：

幾乎所有的回歸模型的軟件，最終都會給出參數(shù)的顯著性檢驗，一般我們只需要理解：

1. 回歸統(tǒng)計表：Multiple R即相關(guān)系數(shù)R的值，大于0.8表示強正相關(guān)；R Square是R平方值，又叫判定系數(shù)、擬合優(yōu)度，取值范圍是[0,1]。R平方值越大，表示模型擬合得越好。一般＞70%就算擬合得不錯，60%以下的就需要修正模型。這個案例里R平方0.98，還算相當不錯；Adjusted R是調(diào)整后的R方，這個值是用來修正因自變量個數(shù)增加而導致模型擬合效果過高的情況，多用于衡量多重線性回歸。

2. 方差分析：df是自由度，SS是平方和，MS是均方，F(xiàn)是F統(tǒng)計量，Significance F是回歸方程總體的顯著性檢驗，這是我們比較關(guān)注的，F(xiàn)檢驗主要是檢驗因變量與自變量之間的線性關(guān)系是否顯著，用線性模型來描述他們之間的關(guān)系是否恰當，越小越顯著。殘差是實際值與預測值之間的差，殘差圖用于回歸診斷，回歸模型在理想條件下的殘差圖是服從正態(tài)分布的。

3.  第三張表重點關(guān)注P-value，也就是P值，用來檢驗回歸方程系數(shù)的顯著性，又叫T檢驗，是在顯著性水平α（常用取值0.01或0.05）下F的臨界值，一般以此來衡量檢驗結(jié)果是否具有顯著性，如果P值>0.05，則結(jié)果不具有顯著的統(tǒng)計學意義，如果0.01<p值<0.05，則結(jié)果具有顯著的統(tǒng)計學意義，如果p<=0.01，則結(jié)果具有極其顯著的統(tǒng)計學意義。t檢驗是看某一個自變量對于因變量的線性顯著性，如果該自變量不顯著，則可以從模型中剔除。< p="">

第三張表第一列我們可以得到此例的回歸模型方程（參數(shù)取1位小數(shù)）：

Y= -213.1+61.5X1+0.6X2

我們就可以利用這個方程來預測一下5月的A5車型需求了，我們看看這個結(jié)果，可以看到還是比較準的：

- 03 -真誠溝通不斷糾偏

既然所有預測都是錯的，那么就一定有糾偏的過程。不管你用什么軟件，最終的預測都不是100%準確的。對于這個偏差的態(tài)度，很大程度上決定了一家公司供應鏈協(xié)同的水平。比較常見的三種極端：

1.躺平：銷售你說是多少就是多少，我也不做預測也不做考核，反正當二傳手，銷售報過來的數(shù)據(jù)就原封不動轉(zhuǎn)給供應商，多了少了，都和我沒關(guān)系；這樣可是苦了很多供應商，一但出大問題其實你的交付也成問題，最終客戶利用受損，公司也自然不要想賺錢了；

2.內(nèi)卷：對銷售的預測數(shù)據(jù)做KPI考核，非得想辦法搞得你難受，反正預測不準我難受了，你也不得好受。但大家都知道，很多事情一旦考核就會造成人們行為變形。為提高預測準確性，時間越靠近就越準，銷售通常會拖到最后時刻才給數(shù)據(jù)，這對較長的供應鏈也是沒有好處的。預測準了，物料還是供應不上；

3.擺爛：老子就是硬，不管你什么銷售預測，我說是多少就是多少，多了我沒有，少了你也得接受。誰叫你預測不準呢？

看了上面幾條估計有人都在樂了，在現(xiàn)實生產(chǎn)中這樣的狗血事件太多了。其實都不好，我們要"看清生活的真相，還依然熱愛生活"，這才是我們對待預測的正確態(tài)度，物料需要有基本的預測，同時需要同上下游基于基本預測做真誠溝通，不斷去修正我們的預測。

比如前面我舉例的A5車型預測，這個結(jié)果是在正常情況下的預測，但如果某月出現(xiàn)過一些疫情、促銷、新品上市等情況時候，這個模型計算出來的數(shù)據(jù)就不對了。這個時候可能需要采用多元非線性預測模型了，而這些"事件"不是物料計劃能預測或第一時間知道的，需要別的部門通知和多部門判斷。這個過程就是一個協(xié)同和管理的過程，你說它是不是體現(xiàn)了一個公司的供應鏈協(xié)同水平？