当前位置：首页 > news >正文

SupChains技术团队：需求预测中减少使用分层次预测（五）

news 2025/8/8 16:49:19

文章出自：Stop Using Segmented Forecasting | Medium

本篇文章探讨了传统的分段预测方法的缺陷，并提出了SKU逐个优化和全球机器学习模型作为更有效的替代方案。文章的技术亮点在于强调了分段预测的复杂性和不准确性，指出了如何通过个性化模型选择提升预测准确性。

该方法适用于需要高准确度和灵活应对市场变化的场景，尤其是供应链管理和库存优化。

SupChains技术团队的相关文章还有：

SupChains技术团队零售产品销量预测建模方案解析（一）
SupChains技术团队回答：模型准确率提高 10%，业务可以节省多少钱？（二）
SupChains团队: 衡量Forecast模型结果在供应链团队内的传递质量（三）
SupChains团队:供应链数据的异常特征管理指南（四）

文章目录

1 需求预测的变革
- 1.1 什么是分层次及其用途？
- 1.2 分层次在预测中的缺陷
2 替代分层次的方法
- 2.1 方案一：基于 SKU-by-SKU 优化的统计预测引擎
- 2.2 方案二：全局机器学习模型
3 案例研究与实践应用洞察
- 3.1 SKU 优化案例
- 3.2 全局机器学习案例
4 结论

1 需求预测的变革

随着技术和数据分析的进步，需求预测正经历重大变革。传统且广泛使用的先对产品进行分层次，再对每个层次应用不同预测技术的方法，可能不再是最有效或最准确的方式。
本文首先探讨分层次方法的缺陷，然后介绍两种替代方案——统计优化引擎和机器学习，这些方法有望显著提升您的预测策略。

1.1 什么是分层次及其用途？

分层次是将元素根据共同属性或模式划分为不同类别的做法。供应链从业者常用此方法对产品进行分类。

SKU（库存单位）通常基于历史销售量、波动性或盈利能力等特征进行分组，比如传统的 ABC 或 ABC XYZ 分层次技术。分类产品本身并非坏事，但关键在于如何分类、何时复审以及分类的具体用途。虽然分层次可用于多种目的（如制定库存策略或客户/供应商评估），本文仅聚焦于利用分层次来设定预测模型。

在需求预测中，分层次可用于两项任务：

优先安排计划人员的工作和审核，注意不要用历史销量作 ABC，历史需求波动作 XYZ。
为不同层次分配特定预测模型（本文主题）。该方法基于假设同一类别内产品具有相似的需求特征，如趋势、季节性或偶发需求，因此可用相同模型预测，例如季节性移动平均法。此技术通过将 SKU 绑定到特定模型，硬性加速统计预测过程。

在这里插入图片描述

“ABC” 和 “ABC XYZ” 分别代表以下英文含义：- **ABC**：  - A = **Always**（或有时解释为“最重要的”类别）  - B = **Better**（中等重要类别）  - C = **Common**（较低重要类别）  其实 ABC 分类主要是按产品价值或销售额划分，英文中常直接称为 **ABC Classification** 或 **ABC Analysis**。- **ABC XYZ**：  - **XYZ**：按需求波动性划分，具体为：  - X = **eXcellent predictability**（需求稳定，可预测性高）  - Y = **Yielding some variability**（需求有一定波动）  - Z = **Zero predictability**（需求高度波动，难以预测）因此，**ABC** 是基于价值的分类，**ABC XYZ** 是结合价值（ABC）和需求波动性（XYZ）两个维度的复合分类方法。

1.2 分层次在预测中的缺陷

尽管部分咨询公司和软件供应商支持分层次，但其缺点明显：

增加复杂性
对 SKU 进行聚类为预测流程带来额外复杂度。团队需决定最佳分层次方法（ABC、ABC XYZ 或基于机器学习的聚类）、确定分层次数量，并定期更新产品分配。此过程资源消耗大且难以长期管理，尤其是人员流动时。用机器学习（如 K-means）生成聚类还需选择和计算相关特征，且结果往往与简单 ABC XYZ 类似，特别是只用少数特征时。
分层次过于简化
作为简化工具，分层次无法准确反映单个 SKU 的需求行为。它假设同一分层次内所有 SKU 需求模式相似（趋势、季节性、促销敏感度），但需求受促销、定价、缺货、生命周期和节假日等多因素驱动，复杂且多变，难以归纳为少数类别。多数公司靠带偏见的人为判断或随意规则制定分层次和模型分配，且通常未做对比测试，导致准确度低。
准确度不足
评估预测模型质量的公平方法是与统计基准比较。遗憾的是，分层次或聚类策略常难以明显优于基准，难以证明其复杂性合理性。正如之前文章所示，预测准确度与业务价值（库存和服务水平）直接相关，而分层次技术无法带来提升。

鉴于复杂度提升、过度简化和准确率不足，分层次方法应被淘汰，转而采用更优预测方法。接下来，我们探讨两种替代方案：

统计预测引擎
全局机器学习模型

2 替代分层次的方法

本节介绍两种高效替代分层次预测的方法——使用统计预测引擎或全局机器学习模型。这些方法不仅提升准确度，还便于实施。

2.1 方案一：基于 SKU-by-SKU 优化的统计预测引擎

此方案是部署一个统计预测引擎，对每个 SKU 单独优化。引擎分两步操作：

先调优多个模型
再选出最佳模型

此法称为“最佳拟合选择”，即为每个 SKU 选出最合适的预测模型，考虑其独特需求特征。相比简化分层次法，此定制化方法能显著提升准确度。且最佳拟合仍可清晰解释预测结果，揭示趋势和季节性等因素。

季节性约束
许多企业面临因天气、节假日、业务周期、产品引入和促销引起的季节性波动。若能识别受季节影响的产品组，可限定优化引擎仅在季节模型中选择最佳模型。这类似于分层次但无其弊端，不是强制某个模型，而是在季节模型集合中选出最佳。

虽说部署预测引擎有吸引力，但供应链专业人士可能担忧计算时间和模型月度波动风险。以下为应对方法：

计算时间
三大实质性动作可显著缩短计算时间：
- 高效编码：通过智能且优化的代码实现快速执行，能减少 100 倍以上计算时间。例如，2020 年协助客户实现每周 10 万条预测，几分钟内完成，无需云计算或并行处理。
- 并行处理：充分利用计算机资源，轻松提升 2 至 4 倍速度。
- 云计算：虽能加速，但复杂且昂贵，需专门团队实现。云计算无法弥补低效代码的性能瓶颈。
许多软件供应商仍用过时编码，导致性能缓慢，误导认为预测本质慢，从而错误支持分层次以加速。
模型波动
有人担心每月（或每周）对每个 SKU 优化会导致模型频繁变化，即模型波动。此问题可通过：
- 鲁棒优化：用多期样本外验证和多指标确保模型选择稳定。
- 设定变更阈值：限制模型变更频率，避免无谓波动。
- 季节性约束：对季节性产品仅选季节模型。
实践中，模型波动投诉极少，表明此忧虑多为误解或配置不当。且即使固定模型，预测本身也会随新数据波动，正如名言：“事实变了，我也要变，你呢？”预测引擎需随事实更新。