需求导向型预测及供应链库存优化.docVIP

需求导向型预测及供应链库存优化把握未来或许是人类自古以来的一种愿望。Makridakis(1997)曾经指出，人们很少对已经发生的情况感到奇怪。事后，他们认为自己早就料到会这样，并列举出各种确凿的理由。事后诸葛亮谁都做得来。但真正准确预测出时间和因果关系尚不明了的未来事件非常困难。企业运营中的大量决策都是基于对未来的判断做出的，需求预测的准确性决定了企业管理未来的能力，也是提高企业决策能力和核心竞争力的关键要素。 许多公司在今天依然把量化的需求预测方法视为一个黑盒子，或者把它看作是完全凭经验进行和感觉来判断的不可知领域。这种观点阻碍了企业提升其预测的准确性和对市场的判断力。幸运的是一种新的趋势正在许多行业里崭露头角，那就是集成大量的市场需求数据到需求预测流程中，通过数学模型来模拟计算未来的状况，进而生成量化的预测值。尽管这种通过数理统计的方法来进行量化的预测的技术在100多年前就已经出现，但只是在近期随着数据收集、存储和计算能力的大幅提高，它才得以在大中型企业中应用。计算机技术的发展使预测模型可以覆盖大量的产品和各个商业维度，例如产品维度、地域维度等等。 需求导向型预测技术的价值 需求导向型预测技术的应用进一步带动了供应链库存优化技术的发展和推广。一个卓越的供应链和一个好的供应链的差异在于，企业对供应链进行有效的监控、预警、预测和优化的能力。而预测的准确性已经成为衡量供应链最重要的指标，也是建立供应链优势最关键的要素。供应链的库存优化技术主要依赖于概率论和运筹学的发展。有了相对准确的需求预测值以后，就可以进一步优化供应链上各个层级上的库存了。库存优化基于对市场需求的准确预测，以客户的服务等级、库存资金成本、存储成本、运输成本为约束条件，通过随机模拟优化算法自动计算在满足服务等级前提下的每一补货周期的最佳库存量、再订货点和补货数量。 在企业层面，可以举出很多采用需求导向型预测技术来实现供应链库存优化的成功案例。据报道，本田汽车通过实施准确的需求预测系统，实现了在大幅降低备件库存的情况下保持99％的即时交货率。而安利(中国)公司是又一个成功典范。为改变现有补货策略基于简单的规则，不能够提供准确的、稳定的、考虑季节因素影响的、基于SKU的不同店铺的预测结果，安利决定与SAS合作，在供应链管理方面引入更为智能化的数据挖掘技术。借助SAS销售预测解决方案，安利得到了基于SKU层面的各个店铺的预测结果；在预测结果的基础上，采用SAS库存优化解决方案，提供考虑客户需求、leadtime、服务水平等因素的库存优化结果。最终，安利在降低库存的同时，提高了服务水平和客户满意度。 需求导向型预测技术概要 需求导向型的预测技术就是将大量的数学预测模型软件化，并通过易用的界面使商业用户无需掌握深奥的数学计算模型即可以生成对企业有价值的预测结果。先进的预测软件包含了100多年来计量经济学发展形成的大量成熟的预测模型。这些模型的共同特点是基于历史的市场数据来推演未来的需求，它可以生成短期、中期甚至长期预测。在数据分析过程中能够发现影响市场需求的关键要素，并在对未来进行预测的模型中加入这些影响因素从而进一步提高预测准确性。 量化的预测方法主要包含以下要素 A　现有足够数量的信息 (时间序列数据)。 (代表性数据)。 模型为动态递归模型和状态空间模型。 B　量化的预测方法在以下条件下使用： (真实发生过)。 ?可以假定今后将持续过去某些方面的规律(假定连续)。 C　量化需求预测系统中常用的预测模型有 Winters模型(加法与乘法) ARIMA及ARIMAX模型 化时间序列模型或未观测到的成分模型 ?向量时间序列分析和通用状态、空间模型支持联合预测 (对数、平方根、逻辑转换、Box-Cox转换) ?时间序列分解与季节性调整 ?频谱与交叉频谱分析支持发现周期或循环型数据 ?间歇需求预测模型 需求导向型预测技术的应用 需求导向型预测技术正在世界范围内的各个行业包括重型制造、零售、快速消费品、医药、汽车、电子、能源、电信等行业产生深刻影响。这不仅仅是因为需求导向型预测可以提升供应链的效率，更因为它影响到企业运营中各个方面，例如原材料采购计划、生产计划、设备运营及维护计划、员工数量、店铺铺货品类、销售价格、开店数量等等。大部分的企业不能再坐等客户需求出现后再在合适的地点、合适的时间去提供合适的产品，相反，他们必须敏锐地发现市场需求信号，并准确预测客户需求及行为，从而更快捷地对客户需求做出反馈。随着需求导向型预测技术在国内各行业的推广和应用，它必将提升我国企业的市场判断力、盈利能力和市场竞争力。