预测需求分析(1) 为什么Excel平均值经常预测不准?——聊聊指数平滑

假设你经营一家咖啡店。

过去六个月的销量分别是：

100、110、120、130、200、210

如果直接取平均值：

(100+110+120+130+200+210) ÷ 6 = 145

那么下个月预测销量就是145。

但问题来了。

最近两个月销量已经稳定在200以上，而你的预测结果却只有145。

显然，这个数字已经落后于现实。

原因在于平均值把半年前的数据和上个月的数据看得一样重要。

而在真实的商业环境中，离现在越近的数据，通常越有参考价值。

这也是指数平滑（Exponential Smoothing）诞生的原因。

指数平滑的核心思想其实非常简单：

给最近的数据更高权重，给较久以前的数据更低权重。

例如：

上个月预测：

100

实际销量：

120

如果我们设定平滑系数α = 0.3

那么新的预测：

新预测 = 旧预测 + α × (实际销量 − 旧预测)

= 100 + 0.3 × (120 - 100)

= 106

预测结果开始向最新需求靠拢。

如果下个月销量继续增长，预测值也会持续向上调整。

因此指数平滑最大的特点就是：

它会学习最新发生的变化。

在实际工作中，经常会有人问：

α到底应该设置多少？

答案是：

没有标准答案。

α越大，预测对最新数据越敏感。

α越小，预测越稳定。

例如：

α = 0.8

就像一个特别容易紧张的人。

销量刚涨一点：

“市场爆发了！”

销量刚跌一点：

“市场崩盘了！”

预测会剧烈波动。

而：

α = 0.1

则像一个特别淡定的人。

市场变化已经发生三个月了，

预测还在慢慢反应。

因此企业通常会根据历史误差寻找最合适的α值，而不是凭感觉设置。

不过指数平滑也有一个明显缺点。

它假设未来和过去差不多。

如果产品存在明显趋势，例如：

100 → 120 → 140 → 160 → 180

指数平滑往往会落后于真实需求。

这也是为什么后来又发展出：

• 双指数平滑（Double Exponential Smoothing）

• 霍尔特模型（Holt）

• 霍尔特温特斯模型（Holt-Winters）

来处理趋势和季节性问题。

对于大多数需求计划员来说，指数平滑并不只是一个数学公式。

它代表了一种思维方式：

昨天重要，但今天更重要。

在需求预测的世界里，我们无法准确知道未来会发生什么。

但我们可以让预测系统更快地从最近发生的事情中学习。

这正是指数平滑最大的价值。