SupplyChainDemandForecast.供應(yīng)鏈需求預(yù)測(cè)第九章目錄010302供應(yīng)鏈需求預(yù)測(cè)供應(yīng)鏈環(huán)境下的CPFR策略需求預(yù)測(cè)的數(shù)學(xué)方法需求預(yù)測(cè)的作用和特點(diǎn)供應(yīng)鏈需求預(yù)測(cè)的方法時(shí)間序列預(yù)測(cè)法回歸分析預(yù)測(cè)法CPFR的發(fā)展歷程CPFR的概念和內(nèi)容預(yù)測(cè)誤差的度量04大數(shù)據(jù)時(shí)代下的供應(yīng)鏈需求預(yù)測(cè)大數(shù)據(jù)時(shí)代下供應(yīng)鏈需求預(yù)測(cè)的改變大數(shù)據(jù)分析對(duì)供應(yīng)鏈需求預(yù)測(cè)的價(jià)值大數(shù)據(jù)時(shí)代下供應(yīng)鏈需求預(yù)測(cè)的方法CPFR的實(shí)施步驟供應(yīng)鏈需求預(yù)測(cè)1需求預(yù)測(cè)的作用和特點(diǎn)（預(yù)測(cè)對(duì)供應(yīng)鏈的作用）（SunilChopra）著名的供應(yīng)鏈管理專家蘇尼爾·喬普拉有著深刻的解釋：不論是推式或拉式供應(yīng)鏈，管理者必須進(jìn)行的第一步都是預(yù)測(cè)顧客需求將是多少，需求預(yù)測(cè)影響著供應(yīng)鏈決策，對(duì)供應(yīng)鏈管理者來說，做好預(yù)測(cè)工作起著至關(guān)重要的作用。好的預(yù)測(cè)會(huì)給供應(yīng)鏈帶來豐厚的利潤(rùn)；反之，糟糕的預(yù)測(cè)會(huì)給供應(yīng)鏈帶來大麻煩。預(yù)測(cè)對(duì)供應(yīng)鏈的作用大致有兩個(gè)：供應(yīng)鏈的戰(zhàn)略決策對(duì)企業(yè)的生存和發(fā)展至關(guān)重要。管理者需持續(xù)判斷市場(chǎng)趨勢(shì)和顧客需求，以決定是否提升響應(yīng)速度、調(diào)整產(chǎn)品或減少投資，甚至解散供應(yīng)鏈。準(zhǔn)確的市場(chǎng)判斷和靈活的戰(zhàn)略調(diào)整是確保供應(yīng)鏈競(jìng)爭(zhēng)力的關(guān)鍵。為供應(yīng)鏈戰(zhàn)略決策提供參考對(duì)于任何一條供應(yīng)鏈來說，管理者都會(huì)編制一系列詳細(xì)的計(jì)劃，而這一系列計(jì)劃均初始來源于對(duì)市場(chǎng)需求的預(yù)測(cè)。供應(yīng)鏈的需求預(yù)測(cè)與庫(kù)存管理息息相關(guān)，需求預(yù)測(cè)可以給庫(kù)存管理提供兩方面的參考：需要多少庫(kù)存以及何時(shí)需要庫(kù)存。為供應(yīng)鏈運(yùn)作計(jì)劃提供依據(jù)0102需求預(yù)測(cè)的作用和特點(diǎn)（預(yù)測(cè)的特點(diǎn)）100%的需求預(yù)測(cè)精度對(duì)于任何供應(yīng)鏈來說都是一個(gè)理想，實(shí)際上難以實(shí)現(xiàn)。盡管供應(yīng)鏈管理者經(jīng)驗(yàn)豐富，突發(fā)情況仍可能導(dǎo)致預(yù)測(cè)失敗。在進(jìn)行預(yù)測(cè)前，管理者必須了解預(yù)測(cè)的四個(gè)特點(diǎn)：1.預(yù)測(cè)通常是不準(zhǔn)確的預(yù)測(cè)是根據(jù)過去和現(xiàn)在推斷未來，而未來充滿不確定性，誤差在所難免。我們無法窮盡所有影響因素，不同的預(yù)測(cè)模型也會(huì)有不同的誤差。盡管如此，通過多種方法仍可以降低預(yù)測(cè)的不確定性。2.長(zhǎng)期預(yù)測(cè)通常沒有短期預(yù)測(cè)準(zhǔn)確隨著時(shí)間推移，不確定因素增多，誤差逐漸累積，導(dǎo)致長(zhǎng)期預(yù)測(cè)的偏離度加大。此外，許多產(chǎn)品生命周期短，不會(huì)發(fā)生二次銷售，長(zhǎng)期預(yù)測(cè)會(huì)帶來較大誤差。管理者需要定期調(diào)整預(yù)測(cè)模型，以提高預(yù)測(cè)的準(zhǔn)確度。3.綜合預(yù)測(cè)通常要比獨(dú)立預(yù)測(cè)準(zhǔn)確得多綜合預(yù)測(cè)可以綜合定性的宏觀分析預(yù)測(cè)和微觀預(yù)測(cè)模型，對(duì)市場(chǎng)需求轉(zhuǎn)向和產(chǎn)品需求量比較可靠；綜合預(yù)測(cè)可以通過聯(lián)合供應(yīng)鏈上下游企業(yè)的預(yù)測(cè)數(shù)據(jù)，對(duì)市場(chǎng)具體需求預(yù)測(cè)進(jìn)行修正，這在原材料、零部件的需求預(yù)測(cè)方面具有較高的精度。4.距離顧客越遠(yuǎn)，預(yù)測(cè)誤差越大在缺乏透明信息傳輸和共享機(jī)制的供應(yīng)鏈中，距離終端客戶需求越遠(yuǎn)的企業(yè)，需求預(yù)測(cè)誤差越大。這種誤差累積會(huì)放大“牛鞭效應(yīng)”，導(dǎo)致供應(yīng)鏈各環(huán)節(jié)頻繁出現(xiàn)庫(kù)存積壓或缺貨，嚴(yán)重影響運(yùn)營(yíng)績(jī)效。供應(yīng)鏈需求預(yù)測(cè)的方法世界上不存在也不可能存在一個(gè)完美的預(yù)測(cè)模型。預(yù)測(cè)本身不在于預(yù)測(cè)的精確性（當(dāng)然如果能夠精確是最好的），而是在于降低管理者對(duì)未知未來的恐懼感。在對(duì)需求進(jìn)行預(yù)測(cè)之前，供應(yīng)鏈管理者應(yīng)該對(duì)可能影響市場(chǎng)需求的因素廣泛地收集資料。以下的一些影響因素（但絕不僅限于這些因素）應(yīng)該是被充分收集的：（1）宏觀經(jīng)濟(jì)數(shù)據(jù)；（2）市場(chǎng)需求風(fēng)向；（3）所涉及的未來時(shí)間跨度；（4）可獲得的歷史需求數(shù)據(jù)；（5）廣告計(jì)劃或其他營(yíng)銷努力；（6）競(jìng)爭(zhēng)者的當(dāng)前和未來動(dòng)向；（7）可供支持預(yù)測(cè)的市場(chǎng)調(diào)研或試驗(yàn)資金?！?yīng)鏈需求預(yù)測(cè)的方法在實(shí)踐中，企業(yè)常用的需求預(yù)測(cè)方法大多源自以下5種：211.定性預(yù)測(cè)法（QualitativePrediction）當(dāng)可獲得的數(shù)據(jù)十分有限、不可得或不直接相關(guān)時(shí)（如新產(chǎn)品第一次投放市場(chǎng)），需要采取定性的預(yù)測(cè)方法來對(duì)需求進(jìn)行大致的研判。定性分析法主要依賴于人的主觀評(píng)估和判斷，預(yù)測(cè)的有效性也取決于預(yù)測(cè)者的經(jīng)驗(yàn)、技巧和邏輯分析能力。這種方法的特點(diǎn)是簡(jiǎn)單易行，不需要經(jīng)過復(fù)雜的運(yùn)算過程，但同樣也存在時(shí)間長(zhǎng)、費(fèi)用高、不能夠提供精確的預(yù)測(cè)數(shù)值等缺陷。常用的定性方法主要包括：德爾菲法、小組集體討論法、市場(chǎng)調(diào)研法、頭腦風(fēng)暴預(yù)測(cè)法等。2.時(shí)間序列預(yù)測(cè)法（Time-SeriesPrediction）時(shí)間序列預(yù)測(cè)法是建立在可知的歷史數(shù)據(jù)基礎(chǔ)之上，運(yùn)用歷史需求數(shù)據(jù)對(duì)未來需求進(jìn)行預(yù)測(cè)的一種方法，這種方法是運(yùn)用最為廣泛的一種。供應(yīng)鏈需求預(yù)測(cè)的方法3.因果關(guān)系預(yù)測(cè)法（CausalPrediction）因果關(guān)系是假定需求預(yù)測(cè)與某些內(nèi)在因素或周圍環(huán)境的外部因素有關(guān)。常見的因果聯(lián)系法主要有：回歸分析、經(jīng)濟(jì)模型、投入產(chǎn)出模型等。而我們最常用的是回歸分析法。344.仿真模擬法（SimulationPrediction）仿真模擬允許對(duì)預(yù)測(cè)條件進(jìn)行變動(dòng)分析（數(shù)學(xué)上稱為靈敏度分析），并可以結(jié)合上述三種方法進(jìn)行分析，并可以用來回答諸如此類的問題：價(jià)格提升多少個(gè)百分點(diǎn)將會(huì)給銷售帶來什么樣的影響？競(jìng)爭(zhēng)者在附近開設(shè)商店將會(huì)帶來什么樣的影響？當(dāng)然仿真方法還有更多，例如系統(tǒng)動(dòng)力方程等。5.智能預(yù)測(cè)法（ArtificialIntelligentPrediction）神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、混沌理論等智能模型能夠進(jìn)行極強(qiáng)的非線性數(shù)學(xué)分析，而這一特性也非常符合市場(chǎng)需求非線性變化的特點(diǎn)，往往能夠獲得更好的預(yù)測(cè)結(jié)果。5供應(yīng)鏈需求預(yù)測(cè)的方法五個(gè)基本預(yù)測(cè)原則1.精度優(yōu)先原則。所預(yù)測(cè)的結(jié)果與實(shí)際值相比較誤差較小則精確度越高。2.簡(jiǎn)潔性原則。在相同預(yù)測(cè)精度下，預(yù)測(cè)模型結(jié)構(gòu)越簡(jiǎn)單，簡(jiǎn)潔性通常也越好，其預(yù)測(cè)結(jié)果也通常相對(duì)穩(wěn)定可靠。3.適應(yīng)性原則。當(dāng)參數(shù)發(fā)生變化后得到預(yù)測(cè)誤差變化越小，模型適應(yīng)性越強(qiáng)，這意味著預(yù)測(cè)模型的容錯(cuò)性就越好。4.實(shí)用性原則。模型易于被使用者的理解和接受且使用條件苛刻，則實(shí)用性越強(qiáng)。5.不斷更新原則。隨著時(shí)間推移需要對(duì)預(yù)測(cè)模型進(jìn)行修正，否則預(yù)測(cè)精度會(huì)降低。供應(yīng)鏈需求預(yù)測(cè)的方法綜合上述5種預(yù)測(cè)方法和5個(gè)預(yù)測(cè)原則，可以給出相應(yīng)的需求預(yù)測(cè)模型選擇流程：需求預(yù)測(cè)的數(shù)學(xué)方法2時(shí)間序列預(yù)測(cè)是，通過對(duì)歷史數(shù)據(jù)的分析去發(fā)現(xiàn)未來的發(fā)展趨勢(shì)，并根據(jù)一定的算法規(guī)則預(yù)測(cè)下一段時(shí)間內(nèi)可以到達(dá)的水平。例如，由過去四個(gè)星期的銷售量可以預(yù)測(cè)第五個(gè)星期的銷售量。時(shí)間序列預(yù)測(cè)法時(shí)間序列預(yù)測(cè)法簡(jiǎn)單移動(dòng)平均法加權(quán)移動(dòng)平均法指數(shù)平滑法……時(shí)間序列預(yù)測(cè)法（簡(jiǎn)單移動(dòng)平均法）簡(jiǎn)單移動(dòng)平均法（SimpleMovingAverage：MA）預(yù)測(cè)需求的數(shù)學(xué)原理是：根據(jù)歷史發(fā)生的數(shù)據(jù)，將最近期數(shù)據(jù)賦以相同的影響權(quán)重，并通過簡(jiǎn)單的移動(dòng)平均算法來預(yù)測(cè)未來一段時(shí)間的需求。

時(shí)間序列預(yù)測(cè)法（加權(quán)移動(dòng)平均法）

如果要預(yù)測(cè)夏天的啤酒銷量，春季銷售的數(shù)據(jù)影響程度要遠(yuǎn)遠(yuǎn)小于夏季，夏季銷售情況的權(quán)重應(yīng)該更大，簡(jiǎn)單移動(dòng)平均預(yù)測(cè)不再適用，這時(shí)該怎么辦？加權(quán)移動(dòng)平均法考慮了歷史各期產(chǎn)品需求數(shù)據(jù)對(duì)未來需求的權(quán)重情況，其預(yù)測(cè)模型可用公式表示：

時(shí)間序列預(yù)測(cè)法（指數(shù)平滑法）

時(shí)間序列預(yù)測(cè)法（調(diào)整趨勢(shì)后的指數(shù)平滑法）

回歸分析預(yù)測(cè)法（一元線性回歸）一元線性回歸是最簡(jiǎn)單的回歸模型，該模型中只有一個(gè)影響因素。例如，啤酒的銷量只和氣溫相關(guān)（氣溫高銷量大，氣溫低銷量?。覂烧叩年P(guān)系可以用一條直線近似表示：

假設(shè)啤酒的銷售量?jī)H受氣溫的影響，表為某小區(qū)便利店在2022年夏天每天啤酒銷售量與氣溫（氣溫高于34攝氏度時(shí)）的關(guān)系。試建立一元線性回歸模型分析氣溫為35.5攝氏度時(shí)啤酒的銷售量。氣溫x（攝氏度）啤酒銷售量Y（箱）35103612371638223930

在現(xiàn)實(shí)的經(jīng)濟(jì)生活中，通常會(huì)涉及到兩個(gè)或兩個(gè)以上的影響因素。例如，啤酒銷量不僅僅與氣溫有關(guān)，而且與便利店所在小區(qū)的人口數(shù)量有關(guān)，這時(shí)僅考慮氣溫因素對(duì)啤酒銷量顯然是不夠的,就需要用多元線性回歸模型對(duì)需求預(yù)測(cè)問題重新建模。預(yù)測(cè)誤差的度量預(yù)測(cè)的最終目的是得到一個(gè)準(zhǔn)確的和不含主觀偏見的結(jié)果。預(yù)測(cè)誤差（ForecastError），是指在給定的時(shí)間間隔內(nèi)實(shí)際值與預(yù)測(cè)值之間的差值。預(yù)測(cè)誤差的計(jì)算公式如下：

1.均方誤差MSE（MeanSquaredError）是衡量預(yù)測(cè)誤差最常見的指標(biāo)之一:2.平均絕對(duì)誤差MAD（MeanAbsoluteDeviation）是所有時(shí)期預(yù)測(cè)誤差絕對(duì)值的平均：3.預(yù)測(cè)累積誤差RSFE（RunningSumofForecastError）是用來判定預(yù)測(cè)結(jié)果與真實(shí)需求相比是否持續(xù)高估或者低估:供應(yīng)鏈環(huán)境下的CPFR策略3CPFR的發(fā)展歷程早期零售業(yè)供應(yīng)鏈管理者采用VMI采購(gòu)（供應(yīng)商管理庫(kù)存）等模式來改善零供雙方的庫(kù)存管理水平，然而多年的實(shí)踐表明，VMI庫(kù)存管理模式仍然存在很多缺陷：VMI的庫(kù)存管理都是單行預(yù)測(cè)的結(jié)果（供應(yīng)商承擔(dān)銷售預(yù)測(cè)），決策過程中缺乏協(xié)商，供應(yīng)鏈在運(yùn)作過程中難免會(huì)造成錯(cuò)誤。VMI采購(gòu)模式的缺點(diǎn)VMI模式中，零售商將庫(kù)存管理權(quán)過度下放給供應(yīng)商。除了銷售，零售商幾乎不負(fù)任何責(zé)任，供應(yīng)鏈的集成運(yùn)作并沒有真正實(shí)現(xiàn)，尤其是當(dāng)終端需求發(fā)生異動(dòng)之后，VMI模式會(huì)面臨著嚴(yán)重失效的可能性。VMI模式并沒有考慮到零售商市場(chǎng)營(yíng)銷的影響。零售商的促銷和供應(yīng)商的庫(kù)存補(bǔ)給并沒有協(xié)調(diào)起來，需求預(yù)測(cè)缺乏溝通，零售商和供應(yīng)商之間的業(yè)務(wù)流程并沒有暢通地銜接在一起。VMI模式中供應(yīng)商承擔(dān)了大量的庫(kù)存壓力，一旦供應(yīng)或市場(chǎng)出現(xiàn)問題，留給供應(yīng)商解決問題的時(shí)間是非常有限的。正是上述VMI采購(gòu)和庫(kù)存管理模式的缺陷促使零售商和供應(yīng)商采用CPFR這一新的供應(yīng)鏈管理模式。CPFR即協(xié)同、計(jì)劃、預(yù)測(cè)和補(bǔ)貨策略（CollaborativePlanning,Forecast&Replenishment）最早應(yīng)用于零售業(yè)供應(yīng)鏈。CPFR的概念和內(nèi)容（CPFR的概念）CPFR是一種面向供應(yīng)鏈的新型合作伙伴的策略和管理的模式，它應(yīng)用一系列的處理和技術(shù)模型，提供覆蓋整個(gè)供應(yīng)鏈的合作過程，通過共同管理業(yè)務(wù)過程和共享信息來改善供需雙方的關(guān)系、提高預(yù)測(cè)準(zhǔn)確度，最終達(dá)到提高供應(yīng)鏈效率、減少庫(kù)存和提高消費(fèi)者滿意度，實(shí)現(xiàn)雙贏的過程。CPFR的定義：CPFR的實(shí)施，主要就是為了改善零售商和供應(yīng)商的伙伴關(guān)系，通過供應(yīng)鏈中的商業(yè)合作伙伴之間緊密合作，交換信息和風(fēng)險(xiǎn)，提高預(yù)測(cè)的準(zhǔn)確度。值得注意的是，CPFR要求合作伙伴的框架結(jié)構(gòu)和運(yùn)作過程以消費(fèi)者為中心，合作伙伴之間必須共同參與協(xié)商、共享消費(fèi)者需求預(yù)測(cè)系統(tǒng)，并共同承擔(dān)在該過程中可能產(chǎn)生的風(fēng)險(xiǎn)，真正提高供應(yīng)鏈效率，實(shí)現(xiàn)價(jià)值增值。CPFR的概念和內(nèi)容（CPFR的內(nèi)容）CPFR是協(xié)同（Collaborative）、規(guī)劃（Planning）、預(yù)測(cè)（Forecasting）和補(bǔ)貨（Replenishment）4個(gè)英文的頭字母縮寫，這也是CPFR的最主要內(nèi)容：1.協(xié)同（Collaborative）供應(yīng)鏈上、下游企業(yè)只有確立共同的目標(biāo)，才能使雙方的績(jī)效都能得到提升，取得綜合性的效益，使總體作用大于個(gè)體作用，這就是協(xié)同效應(yīng)。CPFR的這一特點(diǎn)，實(shí)質(zhì)上就是與供應(yīng)商之間關(guān)系的問題，雙方的關(guān)系是共同合作的，以實(shí)現(xiàn)雙贏為目的。122.規(guī)劃（Planning）CPFR中的規(guī)劃要求企業(yè)對(duì)產(chǎn)品從制造商到消費(fèi)者手中整個(gè)流程中涉及到的各個(gè)方面都有一個(gè)規(guī)劃，其實(shí)就是要求企業(yè)對(duì)整個(gè)供應(yīng)鏈活動(dòng)的各個(gè)方面都有一個(gè)計(jì)劃。3.預(yù)測(cè)（Forecasting）預(yù)測(cè)是貫穿于整個(gè)CPFR最重要的一個(gè)環(huán)節(jié)，其強(qiáng)調(diào)的是買賣雙方之間的協(xié)同預(yù)測(cè)，以期改善整個(gè)供應(yīng)鏈體系原本存在的低效率、死庫(kù)存問題，提高產(chǎn)品銷量、節(jié)約供應(yīng)鏈資源。需要注意的是，CPFR強(qiáng)調(diào)供應(yīng)鏈各環(huán)節(jié)共同參與需求預(yù)測(cè)模型的建立和修正。344.補(bǔ)貨（Replenishment）。零售商和供應(yīng)商根據(jù)事先議定的協(xié)議框架，將凍結(jié)期間的預(yù)測(cè)結(jié)果生成訂單。凍結(jié)期通?；诠?yīng)商的制造和配送提前期確定。在凍結(jié)期內(nèi)，訂單數(shù)量被視為已確認(rèn)的需求量。當(dāng)零售商的實(shí)際訂單傳來時(shí)，供應(yīng)商只需及時(shí)調(diào)整產(chǎn)能。CPFR的實(shí)施步驟第1步：制定框架協(xié)議。買賣雙方就協(xié)作的目標(biāo)、協(xié)同合作的范圍、銷售預(yù)測(cè)中的例外標(biāo)準(zhǔn)、財(cái)務(wù)標(biāo)準(zhǔn)、提高客戶服務(wù)水平、降低存貨、增加銷售等達(dá)成正式商業(yè)協(xié)議。第2步：建立協(xié)商方案。銷售商與制造商之間分享商業(yè)戰(zhàn)略和項(xiàng)目發(fā)展計(jì)劃。一般包括商品目錄，適合商品銷售的促銷計(jì)劃、倉(cāng)儲(chǔ)計(jì)劃、促銷活動(dòng)以及特別規(guī)定的價(jià)格戰(zhàn)略等。第3步：建立銷售預(yù)測(cè)報(bào)告。擬定預(yù)測(cè)時(shí)間的范圍、單位等，根據(jù)有關(guān)歷史數(shù)據(jù)分析產(chǎn)品在未來各時(shí)期的銷售量，得到可供分享的預(yù)測(cè)結(jié)果。第4步：辨別銷售預(yù)測(cè)可能出現(xiàn)的異常情況。銷售預(yù)測(cè)異常的表現(xiàn)：現(xiàn)貨零售的準(zhǔn)確率低于90%、銷售預(yù)測(cè)的誤差超過15%與去年同期相比銷售預(yù)測(cè)的誤差超過10%。對(duì)于銷售預(yù)測(cè)異常情況要加以注意以便調(diào)整策略。第5步：協(xié)商處理異常情況。根據(jù)銷售商、生產(chǎn)商的決策數(shù)據(jù)，合作雙方通過協(xié)商，對(duì)預(yù)測(cè)異常情況進(jìn)行處理并得到一個(gè)一致的預(yù)測(cè)。第6步：建立訂單預(yù)測(cè)報(bào)告。分析歷史需要、安全庫(kù)存、運(yùn)輸信息等數(shù)據(jù)，得出訂單預(yù)測(cè)，生產(chǎn)人員根據(jù)訂單預(yù)測(cè)進(jìn)行原材料采購(gòu)和制定生產(chǎn)計(jì)劃。第7步：辨別訂單預(yù)測(cè)可能出現(xiàn)的異常情況。訂單預(yù)測(cè)異常即超出訂單預(yù)測(cè)標(biāo)準(zhǔn)。類似于第4步的過程。第8步：協(xié)商處理異常情況。銷售商、生產(chǎn)商根據(jù)歷史決策數(shù)據(jù)，分析訂單預(yù)測(cè)異常的原因，并協(xié)商解決預(yù)測(cè)異常。類似于第5步的過程。第9步：生產(chǎn)計(jì)劃。根據(jù)預(yù)測(cè)的訂單制定生產(chǎn)計(jì)劃。規(guī)劃預(yù)測(cè)補(bǔ)給大數(shù)據(jù)時(shí)代下的供應(yīng)鏈需求預(yù)測(cè)4大數(shù)據(jù)時(shí)代下供應(yīng)鏈需求預(yù)測(cè)的改變（傳統(tǒng)供應(yīng)鏈需求預(yù)測(cè)的問題）在運(yùn)用傳統(tǒng)的數(shù)據(jù)分析工具時(shí)，供應(yīng)鏈成員往往只是基于局部的結(jié)構(gòu)化數(shù)據(jù)信息進(jìn)行分散決策，供應(yīng)鏈成員間的數(shù)據(jù)信息共享程度低，只能通過少量的結(jié)構(gòu)化數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果常常有較大的偏差。這些偏差大多由傳統(tǒng)數(shù)據(jù)分析帶來的數(shù)據(jù)不全面和信息扭曲造成的：供應(yīng)鏈每個(gè)環(huán)節(jié)的預(yù)測(cè)都會(huì)存在誤差。這些誤差是內(nèi)生性的，并且會(huì)隨著需求預(yù)測(cè)向上游傳遞過程中會(huì)不斷積累誤差，最后造成誤差波動(dòng)急劇放大，引發(fā)牛鞭效應(yīng)中的經(jīng)典現(xiàn)象——“需求變異加速放大”。缺乏足夠、及時(shí)且有效的全鏈數(shù)據(jù)是引發(fā)預(yù)測(cè)誤差急劇放大的原因之一。數(shù)據(jù)不全造成預(yù)測(cè)的“需求變異加速放大”現(xiàn)實(shí)中，供應(yīng)鏈成員的需求決策通常是分散的，每個(gè)企業(yè)以自身利益最大化為目標(biāo)。由于信息不完全共享，各成員難以做出有利于整體的決策。這種分散決策導(dǎo)致局部最優(yōu)而非全局最優(yōu)，降低了供應(yīng)鏈的整體競(jìng)爭(zhēng)力。在供應(yīng)鏈間的競(jìng)爭(zhēng)中，這種現(xiàn)象會(huì)因雙重邊際效應(yīng)而進(jìn)一步削弱整體表現(xiàn)。分散預(yù)測(cè)造成預(yù)測(cè)的“局部而非全局最優(yōu)”0102大數(shù)據(jù)時(shí)代下供應(yīng)鏈需求預(yù)測(cè)的改變（大數(shù)據(jù)時(shí)代下需求預(yù)測(cè)的改變）大數(shù)據(jù)時(shí)代的數(shù)據(jù)類型多樣并且體量巨大，如何才能更好地利用這些數(shù)據(jù)進(jìn)行需求預(yù)測(cè)呢？如何獲取、保存和傳遞這些數(shù)據(jù)？解決這一問題首先需要統(tǒng)一數(shù)據(jù)定義和規(guī)則，構(gòu)建分布式供應(yīng)鏈體系。云計(jì)算和大數(shù)據(jù)平臺(tái)的發(fā)展使這成為可能。大數(shù)據(jù)分析平臺(tái)作為連接各個(gè)節(jié)點(diǎn)的中介，可以快速收集和處理物流、資金流和信息流，整合整個(gè)供應(yīng)鏈的信息資源，幫助成員實(shí)現(xiàn)共贏。大數(shù)據(jù)時(shí)代下的因素關(guān)聯(lián)會(huì)超過傳統(tǒng)數(shù)學(xué)模型能夠計(jì)算的能力范疇，這時(shí)需要智能算法或邊緣分析算法，這些算法需大量算力。云計(jì)算平臺(tái)提供了成本較低的共享算力，使管理者能專注于開發(fā)高效的大數(shù)據(jù)分析算法。這些算法能帶來豐厚回報(bào)，但開發(fā)這些算法需要豐富的數(shù)據(jù)源和優(yōu)秀的人才，目前只有少數(shù)大企業(yè)能做到。如何從海量的數(shù)據(jù)中挖掘和分析出供應(yīng)鏈運(yùn)作和決策所需的內(nèi)容？12大數(shù)據(jù)分析對(duì)供應(yīng)鏈需求預(yù)測(cè)的價(jià)值盡管不同企業(yè)的大數(shù)據(jù)基礎(chǔ)建設(shè)和分析能力有差異，但大數(shù)據(jù)的價(jià)值依然不可小覷。在進(jìn)行大數(shù)據(jù)分析之前，管理者需要做出三個(gè)重要的思維轉(zhuǎn)變。1.從直覺決策轉(zhuǎn)為數(shù)據(jù)挖掘傳統(tǒng)預(yù)測(cè)方法所依靠的數(shù)據(jù)量、影響因素的數(shù)量都是有限的。也許已有的預(yù)測(cè)模型在穩(wěn)態(tài)環(huán)境中是奏效的，但大數(shù)據(jù)時(shí)代下需求的特點(diǎn)之一就是非平穩(wěn)——顧客的需求信息日益復(fù)雜多變，呈現(xiàn)數(shù)據(jù)量大、時(shí)效性高且價(jià)值密度低等特征。通過個(gè)人經(jīng)驗(yàn)或直覺做出決策的方法，難以挖掘復(fù)雜多變的大數(shù)據(jù)中蘊(yùn)含的價(jià)值，尤其是邊緣信息的價(jià)值。122.判斷需求的變化趨勢(shì)更重要與精確預(yù)測(cè)需求值相比，判斷需求變化趨勢(shì)更為重要。消費(fèi)者需求變化迅速，社交媒體上的抱怨、追捧和點(diǎn)贊都可能引發(fā)新的需求浪潮。傳統(tǒng)供應(yīng)鏈預(yù)測(cè)難以捕捉這些細(xì)微變化，堅(jiān)守固有預(yù)測(cè)方式可能導(dǎo)致供應(yīng)鏈崩潰。定性預(yù)測(cè)方法雖能改進(jìn)傳統(tǒng)定量模型，但缺乏數(shù)據(jù)支持，說服力不足。大數(shù)據(jù)分析可以處理海量邊緣信息，幫助管理者準(zhǔn)確判斷需求風(fēng)向。當(dāng)然，大數(shù)據(jù)分析并不排斥傳統(tǒng)模型。3.從成本關(guān)注轉(zhuǎn)向市場(chǎng)細(xì)分要利潤(rùn)需求預(yù)測(cè)的難點(diǎn)在于預(yù)測(cè)細(xì)分市場(chǎng)的需求，即根據(jù)客戶類型確定產(chǎn)品和定價(jià)。每個(gè)市場(chǎng)都可以細(xì)分為多個(gè)部分，各部分的需求和價(jià)格彈性不同。理論上，大數(shù)據(jù)可以將顧客細(xì)分到個(gè)體層面，但這存在隱私和倫理問題。通過適當(dāng)?shù)臄?shù)據(jù)顆粒度，利用歷史購(gòu)買數(shù)據(jù)和商品點(diǎn)擊量，算法可以找到最有效的推廣渠道來接觸細(xì)分顧客，這在商業(yè)倫理允許的范圍內(nèi)。這樣既能提高預(yù)測(cè)準(zhǔn)確性，又能更好地滿足不同細(xì)分市場(chǎng)的需求。3大數(shù)據(jù)需求預(yù)測(cè)大量使用了神經(jīng)網(wǎng)絡(luò)等智能算法。這些算法不僅能夠改善傳統(tǒng)的需求預(yù)測(cè)精度，同時(shí)還克服傳統(tǒng)的預(yù)測(cè)模型在面對(duì)數(shù)據(jù)不確定、波動(dòng)大的情況下無法迅速準(zhǔn)確預(yù)測(cè)相應(yīng)市場(chǎng)需求的缺陷。大數(shù)據(jù)時(shí)代下供應(yīng)鏈需求預(yù)測(cè)的方法基于大數(shù)據(jù)的供應(yīng)鏈需求預(yù)測(cè)方法梯度增強(qiáng)回歸樹支持向量機(jī)回歸模型其他大數(shù)據(jù)需求預(yù)測(cè)模型……大數(shù)據(jù)時(shí)代下供應(yīng)鏈需求預(yù)測(cè)的方法（梯度增強(qiáng)回歸樹）梯度增強(qiáng)回歸樹（GradientBoostingRegressionTree，GBRT）是集成學(xué)習(xí)Boosting家族的成員，通過組合多個(gè)簡(jiǎn)單模型（稱為樹或?qū)W習(xí)器）來預(yù)測(cè)復(fù)雜問題。在GBRT中，每棵樹都會(huì)優(yōu)化前一棵樹的預(yù)測(cè)結(jié)果，使整個(gè)模型逐漸變得更強(qiáng)大。GBRT通常采用強(qiáng)預(yù)剪枝方法進(jìn)行優(yōu)化，并使用深度較小的樹，以減少內(nèi)存占用并提高預(yù)測(cè)速度。GBRT是一種迭代的回歸樹算法，其核心思想是合并多棵簡(jiǎn)單的樹。每棵樹只對(duì)部分?jǐn)?shù)據(jù)進(jìn)行預(yù)測(cè)，所有樹的預(yù)測(cè)結(jié)果匯總后得到最終預(yù)測(cè)。因此，合并的樹越多，預(yù)測(cè)能力越強(qiáng)。GBRT的主要優(yōu)點(diǎn)：GBRT存在的缺點(diǎn)：（1）可以靈活處理各種類型的數(shù)據(jù)，包括連續(xù)值和離散值；（2）在相對(duì)少的調(diào)參時(shí)間下，預(yù)測(cè)的準(zhǔn)確率也比較高；（3）使用一些健壯的損失函數(shù)，對(duì)異常值的魯棒性比較高。由于簡(jiǎn)單模型間存在依賴關(guān)系，難以并行訓(xùn)練數(shù)據(jù)，也需要對(duì)參數(shù)做出比較仔細(xì)的調(diào)整。支持向量機(jī)（SupportVectorMachine，SVM）是一種二元分類的監(jiān)督學(xué)習(xí)方法。SVM不但近似實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)的最小化，而且在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理的基礎(chǔ)上構(gòu)建數(shù)