本文内容
制造业需求预测，是估计客户需要哪些产品、需要多少，以及何时需要。它将历史需求与未来变化的信息相结合，为采购和生产决策提供共同依据。
有用的预测能帮助你提前准备，而不必为每一笔潜在销售都备好库存。审视预测误差和假设，有助于判断哪些事项现在就要落实，哪些可以暂缓。预测只是需求计划的一部分；需求计划涵盖更广，还包括评估市场信息并就需求计划达成一致。
实际工作有两项挑战：先做出足以支持决策的需求估计，再制定能够落实应对措施的生产计划。SkyPlanner APS 负责制造决策所需的详细排程，让你在决策变化时，不必逐台设备重新编排任务队列。
下面介绍如何建立预测、评估误差，并将预测用于实际工作。
1. 明确预测需要支持哪些决策
先明确要做的决策，而不是先选预测模型。为交货期长的产品预留物料、决定下个月的备货量，以及考虑是否增加一个生产班次，所需预测的详细程度各不相同。
收集数据前，先写清楚以下四点：
- 需求对象：成品、产品族，或其他定义清晰的计划对象。
- 计量单位：件、包、千克，或其他口径一致的实物量单位。仅看销售收入，可能看不出价格和产品组合的变化。
- 需求时段：客户何时需要产品。在数据支持的情况下，按客户要求日期采用一致的归期口径。
- 预测跨度：考虑采购和制造交货期，明确必须提前多久做出决策。
如果必须在物料需求出现前四周就落实采购，那么仅在提前一周时看起来准确的预测并不够。应当评估采购实际需要使用的、提前四周做出的预测。
根据决策需要选择计划层级。产品族层面的预测可能有助于评估未来是否需要增加班次，却无法告诉采购该买哪一种型号专用的零部件。反过来，为每一种很少接到订单的型号单独做预测，可能只会增加噪声，而非提供有用信息。要确保产品族总量与分解到单品的数量一致，并检查产品组合变化是否会影响物料或产能。
在按库存生产模式下，预测有助于做出补货决策。在按订单生产模式下，可以根据确定订单实际下达生产任务，同时利用预测提前准备共用产能或交货期长的投入物。并不是有了预测，就必须生产尚无确定需求的成品库存。
销售目标要与预测分开。目标反映企业希望卖出多少；预测则反映当前预计客户会需要多少。为迁就工厂现有产能而调低预测，只会掩盖可能无法满足的需求，并不能解决问题。
2. 整理能反映客户真实需求的历史数据
按物料和时段整理口径一致的需求量序列。可以从 ERP 的发货报表入手，但要核实其中的日期和数量究竟代表什么。
延期交付是常见的陷阱。客户本周需要的产品拖到下周才发货，会让本周的需求看起来偏低，下周又显得异常旺盛。如果目的是预测何时需要备好产品，就应尽可能按客户要求的时段归集需求，避免把自身的交付延误误当成需求规律。
与销售和运营团队一起核查历史数据：
- 纠正重复记录、单位换算和产品编码变更带来的问题。根据退货和取消订单的原因进行处理，不要将每笔调整都当成新增的负需求。
- 保留真正没有需求的时段。缺失记录不等于需求为零，删除需求清淡的周次则可能导致预测偏高。
- 标记缺货、配额供货和产能限制的情况。客户需要 100 件而只发出了 60 件，并不能证明需求只有 60 件。有未满足需求的记录时，应使用这些记录；对估算的流失需求，要明确标注为估计值。
- 识别促销、一次性合同、新品上市和产品停产等情况。保留原始历史数据，并记录调整建模数据序列的原因。
将整理后的数量按时间绘图，观察需求是否保持平稳、持续增长或下降，是否存在反复出现的季节性高峰，以及订单之间是否有较长间隔。这些特征有助于判断哪些方法值得测试。
如果零部件需求由上层产品的计划决定，就不要再为每个零部件单独做需求预测。这类相关需求应通过物料清单和物料需求计算推导出来。否则，同一个采购问题可能会出现相互冲突的答案。
3. 根据需求特征选择预测方法
没有一种预测方法对所有制造业产品来说都是最优的。先建立一个简单的基准，再判断其他方法能否改善你需要做出的决策。
| 需求情况 | 建议从何入手 | 需要检查什么 |
|---|---|---|
| 需求相对稳定 | 近期移动平均法或简单指数平滑法 | 移动平均的时间窗口能否在平滑噪声的同时，不掩盖真实变化 |
| 反复出现的季节性需求 | 以上一个可比季节为基准；采用季节性预测模型 | 节假日安排、工作日数量或产品范围是否发生变化 |
| 持续的趋势 | 能刻画趋势的模型，例如带趋势项的指数平滑模型 | 增长是否仍在持续，还是产品已接近成熟期 |
| 需求与可量化的驱动因素相关 | 回归模型或合适的机器学习模型 | 发布预测时，是否确实能获得驱动因素的信息 |
| 许多时段需求为零，偶尔才有订单 | 间歇性需求预测方法，例如 Croston 类方法 | 整个补货周期内的表现，而不只是能否预测出每个无需求的周次 |
| 历史数据很少的新产品 | 可比产品的数据，以及系统收集整理的销售团队和客户的判断 | 上市假设、对现有产品需求的替代，以及能多快从实际需求中获得反馈并吸取经验 |
简单指数平滑法赋予近期观测值更高的权重，但其基本形式并不刻画趋势或季节性。Croston 类方法通过分析非零需求量及其出现间隔来处理间歇性需求，但无法消除下一笔订单的不确定性。
用一个直观的例子说明移动平均法：假设最近三周的需求分别为 80、100 和 120 件。采用三周移动平均法，下周的需求预测为：
预测值 = (80 + 100 + 120) ÷ 3 = 100 件。
这个计算很容易解释，但也可能滞后于真实的上升趋势。三个观测值只能演示怎么算，并不能证明这种方法适合该产品。
将候选方法与简单的基准进行比较：最近一期的实际需求；对于季节性产品，则使用上一个可比季节时段的需求。更复杂的模型应凭借更好的样本外预测表现，或对运营决策的改善来证明其价值，而不是靠听起来高深的名称。
使用促销或经济指标的模型，也需要为未来提供切合实际的输入。若用预测当时尚不可得的信息进行测试，就会让模型表现看起来优于实际可达到的水平。即使某种关联有助于预测，也不能仅凭这一点就证明，改变该驱动因素会带来特定幅度的销量增长。
4. 纳入业务判断，同时保留基准预测
历史数据无法告诉你一切。客户可能已宣布停工，经销商可能要增设网点，或者某款产品即将替代旧型号。
保留可查看的统计基准预测，将每项业务调整单独记录，注明数量、适用时段、原因、负责人和复核日期。在增加调整量之前，先核实模型或其他调整是否已经包含了这一影响，避免重复计入。
假设未来某周的基准预测为 100 件。销售团队提供了证据，表明一位新客户将带来 20 件额外需求，且这部分需求尚未计入任何现有预测或调整。评审后的预测因此变为 120 件。如果客户只是将另一种产品的需求转移过来，也应相应调整那种产品的预测，而不能把这次转移全部记为需求增长。
这样，复盘就有了明确的问题：额外需求是否实际发生、发生在哪个期间，以及人工调整是否改善了预测？持续比较基准预测与调整后预测的误差。保留那些确实补充了有效信息的调整；对于反复让预测偏于乐观的调整，则要查明原因。
对于存在不确定性的新品上市或重大合同，应保留基准情景，以及合理的高需求和低需求情景，并记录各自的假设。这些是规划情景，不是经过统计校准的预测区间。用它们识别哪些决策会随情景变化，例如预留物料、增加一个班次，或推迟确定成品备货安排。
5. 按实际决策所需的提前量衡量预测误差
每次发布预测时，都要保存其发布日期、预测所针对的期间、物料和版本。实际需求明确后，应将其与当时必须作出业务决策时可用的预测版本比较，而不是与临近交付时的最新修订版比较。
选择预测方法时，应进行历史回测。只用某个历史时点之前可获得的信息拟合模型，对所需的未来时段作出预测，然后将信息截止时点向前推进，重复这一过程。这种滚动预测起点的回测方式能够检验实际工作中的预测任务，同时避免将未来观测数据泄漏到历史预测中。
预测误差示例
假设要评估某种产品在四个目标周的预测表现。下表每一行使用的都是在对应目标周之前四周发布并保存的预测。这里，有符号误差定义为预测值减去实际需求，因此正数表示预测偏高。
| 目标周 | 已保存的预测值 | 实际需求 | 有符号误差 | 绝对误差 |
|---|---|---|---|---|
| 第 1 周 | 110 | 100 | +10 | 10 |
| 第 2 周 | 110 | 120 | −10 | 10 |
| 第 3 周 | 110 | 80 | +30 | 30 |
| 第 4 周 | 110 | 100 | +10 | 10 |
| 合计 | 440 | 400 | +40 | 60 |
以下三个指标分别从不同角度解释这组结果：
平均绝对误差（MAE）= 绝对误差之和 ÷ 期间数 = 60 ÷ 4 = 每周 15 件。
MAE 以产品的数量单位表示典型误差大小，便于理解。但它无法说明预测总体上倾向于偏高还是偏低。
加权绝对百分比误差（WAPE）= 绝对误差之和 ÷ 实际需求总量 × 100 = 60 ÷ 400 × 100 = 15%。
对于这些非负的需求量，WAPE 表示绝对误差之和相对于需求总量的比例。它并不意味着每周的预测误差都在 15% 以内，也不意味着满足需求的概率为 85%。
平均有符号误差，即偏差 = 有符号误差之和 ÷ 期间数 = 40 ÷ 4 = 每周 +10 件。
按照上述正负号定义，预测平均而言偏高。四周的预测总量比实际需求多了 40 件，相当于实际需求总量的 10%。预测偏高与偏低的误差在汇总时可能相互抵消，因此仅凭偏差无法判断误差大小。
这四行数据只是用来说明指标的计算方式，不足以构成充分的历史验证。应开展足够多的滚动回测，覆盖与该产品相关的季节性、订单模式及其变化。
避免被准确率指标误导
平均绝对百分比误差（MAPE）的计算需要将各期间的绝对误差分别除以同期实际需求。实际需求为零时，该指标无定义；实际需求接近零时，结果也不稳定。因此，对于需求稀疏的制造业产品，不宜默认采用这一指标。
WAPE 可以包含部分需求为零的期间，但如果实际需求总量为零，该指标同样无定义。它的分母也会随需求量变化：即使按件数衡量的误差没有改善，需求增长也可能让这一百分比看起来更好。应在相同的测试期间内，结合 MAE、偏差和简单基准预测一并评估。
产品族的汇总结果可能掩盖这样的问题：某个型号的预测长期偏高，另一个型号却预测不足。不要只看总体平均值，还应重点检查那些影响客户服务水平、造成高额库存或占用关键资源的产品。
预测误差百分比没有通用的合格标准。同样是 15 件的误差，对于低价通用零件和库存周转缓慢的成品总成，后果截然不同。应结合缺货与过剩的成本、补货周期以及可用的应对方案来评价预测。缓冲量应根据不确定性和服务水平策略确定，而不是简单地在每项生产数量上加上 MAE。
6. 将预测转化为生产决策
评审后的预测是对客户需求的估计。生产数量则是另一项独立决策，需要综合考虑已确认订单、可用库存、已有生产安排的预计入库量，以及希望保留的库存水平。
不要重复计算同一份需求。如果预测为 120 件，已确认订单覆盖了其中的 70 件，那么按照简单的同期预测冲减规则，尚未被订单覆盖的预测就剩下 50 件。总需求仍为 120 件，而不是 190 件。实际采用的规则也可能跨日期或跨需求类别冲减预测。
再假设现有可用成品为 30 件，希望期末保留 10 件，且没有待入库的生产数量。为满足这 120 件需求，建议生产量应为100 件：120 + 10 − 30。这一计算的前提是，现有库存和完工产品都能在相应需求发生之前可供使用。
主生产计划用于制定这些具体物料的生产数量和可用日期。物料需求计划（MRP）则计算已批准生产方案所需的物料和零部件。无论是预测还是库存结余，都不能证明工厂有足够产能按时完成生产。
例如，假设这批 100 件产品每件需要 0.2 机时，另加两小时的生产准备时间，那么关键设备共需投入22 小时。这台设备上其他已承诺的生产任务还需要 20 小时，而在要求完工的日期之前，可用时间只有 40 小时。拟安排的总负荷为 42 小时。你需要弥补两小时的产能缺口、采用符合条件的替代资源，或调整某项生产承诺。
不要仅仅为了让设备负荷不超限，就将客户需求预测下调到 110 件。应保留并清晰呈现需求估计，再决定如何解决供应缺口。
用 SkyPlanner 为应对方案安排生产
当预测变化促使你调整生产承诺时，排程调整可能涉及多台设备和多个订单。增加一个批次，会影响其后续工序、相关队列中已有的生产任务，以及依赖这些任务的交付日期。
SkyPlanner APS 将这些生产任务纳入一份共享的资源排程。设置工作中心、班次、操作人员、工序及其时长后，即可通过优先级和锁定功能控制计划。SkyPlanner 的智能排程引擎 Arcturus 根据配置的产能、符合条件的资源和工序依赖关系，计算生产任务的排程位置。甘特图视图会展示计算得到的任务顺序和完工日期。
对于拟生产的这批 100 件产品，这样就能将机加工需求与其工艺路线中的其他工序，以及共用相关资源的其他生产任务衔接起来。你可以评估，经批准的班次调整或优先级变更能否让任务按需完工，而不必手工协调每一台受影响设备的任务队列。
启用考虑物料约束的排程后，Arcturus 会在计算开工时间时考虑库存及后续到货物料的可用情况。采购预计交付日期表示预计可用时间；确认收货后，库存才会更新。如果物料或前序工序尚未就绪，仅有设备空闲仍不足以开工。
预测和补货决策仍应由现有的需求计划流程或 ERP 管理。SkyPlanner 不会根据预测自动生成生产任务，而是为你创建或通过集成传入的生产任务排程。SkyPlanner 可通过其开放的 REST API 与任何 ERP 或 MES 集成，因此你可以保留管理这些决策的现有系统，同时改善具体的生产执行安排。
如果需求变化总是带来人工排程工作，这正是选择 SkyPlanner 的理由：计划员决定哪些事项更重要，Arcturus 则计算资源上的作业顺序，将这些决策落实到排程中。
更快的重新排程为 Fredman Operations 带来了哪些改变
Fredman Operations 是一家芬兰制造商，生产符合食品安全要求的厨房及包装用品。过去，该公司依靠人工安排生产任务的优先级，无法准确掌握设备何时空闲，也看不清各班次的可用产能。遇到紧急情况，重新排程可能需要一个小时甚至更久。
部署 SkyPlanner 后，公司将 L7 和 LTR 系统连接起来，在同一个甘特图视图中查看产能和生产任务。据该客户介绍，当有人要求将全部未交订单提前交付时，如今只需几秒钟就能评估，而不再需要花费数小时手工计算。团队还表示，加班减少了，对排程变更的响应也更快了。
这里的收益体现在生产应对上：在还有时间采取行动时，就能了解需求变更会如何影响生产任务和交付日期。
让需求预测与生产应对保持衔接
根据决策需要确定评审频率。随着新需求到来，更新基准预测，与销售团队一起审查值得关注的异常，并按各类决策所需的提前量，跟踪相应已归档预测版本的误差。不要让例行修订在不知不觉中改写生产部门已经准备履行的承诺。
如果已经商定的变更影响了生产数量或产品可供日期，就应更新生产任务，并重新审视相关资源的排程。这样，采购、生产和销售就能对发生了哪些变化、现在能够交付什么形成一致认识。
想了解如何减少人工计划工作来应对这些变化？预约 SkyPlanner 演示。请准备一项在预测变更后确定的生产安排，包括生产数量、对应的工艺路线和产品必须可供使用的日期。以这些信息为起点，就能具体查看该生产安排对共用产能和其他承诺的影响。如果您希望先自行探索，可以使用演示数据试用 SkyPlanner。
Jussi Mäntylä
生产计划专家，SkyPlanner
