需求的规律、分类及需求预测
需求的五大规律
需求预测——需求的规律、分类及需求预测——需求的五大规律
尖峰需求
需求量总体偏小，需求断断续续，波动大，什么时候呈现需求，需求量多少没有明显特征。
季节性需求
产物的需求量随着季节的转换而发生较大的变化，季节性需求具有明显的季节特征，即由于气候、节假日、消费习惯等因素引起的需求量的变化，如夏天游泳衣的发卖量、节假日礼品的需求量等。在这种情况下，企业一般能够及时调整本身的经营标的目的和出产能力，迅速满足市场的需要。
周期性需求
产物的需求量随着时间的推移而呈现周期性的变化。由于时间间隔的周期一般比拟难以确定，或者由于形成周期性需求的原因底子无法知道，从而使周期性需求相比照拟难以预测。如，对物流市场需求的周期性影响主要来自于经济开展的周期、国际环境的改变以及政治变化等。
趋向性需求
产物的需求量随着时间的推移而朝着某一个标的目的有规律地运动，没有呈现较大的剧烈波动，它具有较为明确的开展标的目的和不变的变化幅度，因而趋向性需求一般比拟容易预测。
随机性需求
产物的需求量由于需求的偶然变更而呈现无规则的变化趋势，一般在随机性的需求中，各期的需求量差别较大。一般将总需求中的那些已经知道原因的需求因素剔除以后〔如剔去季节性需求、周期性需求和趋向性需求等〕，剩下的无法解释的那局部就属于随机性需求。
需求的四大分类
需求预测——需求的规律、分类及需求预测——需求的四大分类
需求预测的五个步调
需求预测——需求的规律性、分类及需求预测——需求预测的五个步调
〔1〕明确预测对象和目的。包罗预测成果的用途、预测的时间跨度等。据此可确定预测所用信息、需要做的投入。
〔2〕选择适宜的预测方法和预测模型。这里要充实考虑预测的目的、时间的跨度、需求的特征等因素对预测方法的影响。
〔3〕收集、阐发相关的资料数据。
历史映射法是另一种定量预测方法。使用这种方法首先手中要有足够的历史数据以供阐发，这些历史数据，或称时间序列，通常呈现出较为不变的趋势和/或周期性特征，历史映射法理论上假定历史数据所呈现出的趋势和/或周期性特征将持续到未来，也就是说未来的数据也会呈现出同样的至少是类似的模式。按照这一道理进行预测的方法很多，如移动平均法、指数平滑法等。
〔3〕在使用德尔菲法时必需对峙三条原则：一是匿名性原则。对被选择的专家要保密，不使他们彼此通气，不使他们受权威、资历等方面因素的影响。二是反应性原则。一般的征询查询拜访要进行三至四轮，要给专家提供充实反应定见的时机。三是收敛性原则。数轮征询后，专家们的定见相对集中和趋向一致，假设个别专家有明显的不同不雅点，应要求他详细说明理由。
〔1〕简单移动平均法就是以过去假设干期的算术平均值作为未来期的预测值。但需大量历史数据。
〔2〕加权移动平均法则需要对以往各期的不雅测值赋予权重，权重可通过对历史数据阐发后获得。
指数平滑法
指数平滑法使用起来比拟简单，而且精度较好，底子表达式为：
式中，Fn+1为第n+1期预测值；
Fn为第n期预测值；
An为第n期不雅测值，或第n期实际需求量〔发生量〕；
第三章需求预测
预测分类及应用
预测的分类
需求预测——预测分类及应用——预测的分类
短期预测
短期预测跨度可以是几周、几个月，最多为1年，物流办理中的运输车辆安排、人员调剂等主要使用短期预测，它也是任何模式库存办理的关键。
中期预测
中期预测多为几个月，不超过3年，可用于预算安排等。
持久预测
持久预测多为3年以上，可用于物流设施的选址、物流战略的设计等。
一次性需求
某些时效性极强的特殊产物，例如日报等，一旦在特按时期内未能提供给市场，就会丧掉其原有价值，市场需求就降至零。
持久需求
大大都商品或效劳，虽然也有发卖有效期，但相对较长，可以将需求看做是持久存在的。
独立需求
一种产物或效劳的需求与任何其他产物或效劳的需求无关，例如，对大都制成品的需求。
衍生需求〔或称派生需求〕
现代办理者往往借助统计阐发软件，如SPSS、SARS，来完成回归阐发。
影响需求的因素很多，各因子之间的内在联系异常复杂。预测者会操纵多个有彼此依赖关系的回归模型组成回归方程组或者经济计量模型，用来推算或预测需求量。
时间序列阐发法
时间序列阐发法是一种常见的预测方法。通过考察需求随时间波动的规律，包罗变化的趋势性〔指由于消费习惯、人口总量或构成变化等因素而引起的需求量的持久变化〕、季节性〔指需求随时间而呈现出的周而复始的淡旺季交替现象〕等，而对未来需求进行预测。
1．主管人员见法
组织高级主管人员集体讨论，作出预测。这种方法假定集体研究可以博采众长，防止个人的武断，但实际上预测成果常受社会因素影响，不必然反映真正的一致见解。
2．发卖人员定见法
该方法认为发卖人员贴近市场，对需求的了解也就更加深入，因此首先要求发卖人员按照本身对市场的理解，估计未来的需求程度，再将成果汇总成为未来的市场需求预测。
从企业内部办理来看，无论是战略层还是办理层都无一例外地需要需求预测指导方案安排。企业战略规划存眷的是未来假设干年内整个市场与经济的总体开展趋势，是对企业未来战略标的目的、根底设施投资等摆布企业持久开展的因素作出规划。这一层次大多只涉及对需求持久变更趋势的预测，对详细程度的要求并不高。办理层关心的是企业未来数周、数月的出产、发卖、资金安排，以物流办理为例，需要按照中短期需求预测，安排原材料采购，原材料、产成品的运输，确定合理的库存程度。比起前者，这种需求预测无论从详细程度，还是数量的准确性方面都有更高的要求。实践中，由于需要使用较为复杂的定量预测模型，需要考虑多种影响因素，所以通常借助计算机等先进的信息处置东西完成预测。
〔2〕专家选择须具代表性，熟悉、精通预测对象，一般有10~50人。在函询的整个过程中，自始至终由预测单元函询或派人与专家联系，不让专家互相发生联系。每轮查询拜访完毕要进行统计整理，如果成果比拟分散，需从头设计查询拜访表查询拜访，不竭继续，直到专家的定见到达某种程度的一致性为止，以此为按照作出判断或预测。
〔4〕德尔菲法常用于持久的和新产物的发卖预测、利润预测以及技术预测等。
定量预测的五个方法
需求预测——需求预测方法——定量预测的五个方法
朴素法
朴素法是假定下一期需求与本期不异，对需求比拟不变的产物的一种最廉价、最简单的预测方法。
移动平均法
移动平均法是指把过去假设干期的平均需求量当做未来期的需求量，使用平均数计算的方法。该方法计算量小，模型简单。
〔4〕预测。不仅靠某一理论模型，要综合考虑各种复杂状况和影响因素，借助经验判断、逻辑推理、统计阐发进行预测。
〔5〕预测成果评价，阐发预测精度和误差。将预测成果进行实际应用，按照实际发生的需求对预测进行监控。必要的时候，还需要对某些环节作出调整后从头进行预测。
这些步调总结了开始、设计和应用一项预测的各个环节。如果是按期作预测，数据则应该按期收集。实际运算可以用计算机来完成，这也是每个零售商用发卖终端〔POS机〕作为数据采集器，每天实际进行的过程。
有规律需求，但预测难度较大
需要进行复杂的统计学阐发，使用各种量化的预测方法，借助需求呈现出的统计规律，进行预测。大大都也可以获得较准确的预测值，并将预测误差保持在必然的概率程度下。
无规律需求，且不成预测
需要鼎新现有的物流系统，强调物流系统的柔性，最好完全实现按订单出产模式，才能到达减少存货，降低物流本钱，满足客户需要的战略目标。
α为参数，又称指数平滑系数，α小，则预测成果对最新动态的反映越不敏感，说明模型较垂青历史信息。预测中使用以前期的预测值和不雅测值，再确定的参数α，就可以完成预测。
回归阐发法
回归阐发法是指通过对历史数据的阐发，试图找到需要预测的需求量与某些变量之间的关联程度，成立回归方程，从而进行预测的方法。
按照统计规律，样本量越大，统计阐发的成果越可靠。因此，回归阐发法往往需要大量的历史数据作为根底。
因此，任何企业都有必要对目标市场未来的需求状况作出预测，企业依据预测规划出产能力、筹备资源要素。需求预测是企业制定战略规划、出产安排、发卖方案，尤其是物流办理方案的重要依据。出产尺度产物的企业会按照预测，出产必然量随时可供给市场的产物，或至少存有相当数量的原材料和零配件以尽量缩短交货时间。出产定制产物的企业〔如模具出产商〕或者个性化十分强的产物或效劳的提供者〔如美容师〕，因为是按订单出产，一般不会有产成品堆积在仓库中，但也要按照需求预测，筹办足够的出产能力〔出产东西和劳动力〕。
定性预测
定性预测就是借助个人的判断、直觉和定见查询拜访对未来作出趋势性的估计，属于主不雅性预测，精度较差，而且很难尺度化。由于缺乏量化，定性阐发常用于预测一般商业趋势或长时期内对某类产物或效劳的潜在需求，主要为高层办理者使用。此外，因为定性预测对数据要求少，所以在历史数据稀少的新市场或新产物预测中，使用较多。
无论任何行业，也无论企业出产经营的产物或效劳属于哪种类型，为提供市场合需的产物和效劳都需要必然的出产筹办时间、出产时间，为完成出产、效劳所需的原材料、零部件也需要必然的时间〔原材料交货期〕才能从供给商运至出产、加工者的手中，产成品同样也需要必然的时间〔产成品交货期〕才能送至用户所需的消费地址，但客户往往在作出购置决策后有时并不肯意等待，他们总是但愿当即至少是在合理时间内收到所购置的产物，享受到所需的效劳。如果企业底子没有需求预测，总是等收到客户订单后才知道应该出产什么、出产多少，那么掉销现象就会大量发生。
定量预测
定量预测方法主要有两大类：因果阐发法和历史映射法。
因果阐发法并不局限于定量预测。因果阐发的前提条件是预测变量是由其他相关变量决定的。常见的回归和相关因素阐发法就属于此种方法，它假定解释变量与预测变量之间呈某种函数关系，并按照历史数据成立回归模型，从而进行预测。理论上如果关系选择得当，因果阐发法可以帮忙我们作出精确的预测，但现实生活中这种关系并不经常存在，即使有他们的关联程度也比拟低，而且也很难判断在我们所关心的时段内，这种因果关系是否发生作用，所以，预测误差难以防止。