夜雨聆风本文版权属于原创作者Caddy，个人公众号如下，欢迎关注，第一时间获取供应链相关原创好文。
前几集链接如下
用Excel进行供应链数据分析：安全库存和再订货点（附视频）
用Excel进行供应链数据分析：标准差之后的XYZ（附视频）
用Excel函数实现库存分析和供应链预测（文字版）
找到合适的模型进行预测是预测准确的前提，所以在预测前，我们要先考虑以下问题：
物流的预测，很多是建立在以时间为导向上的，可以是以天，周，月等为单位。我们可以根据实际情况固定日期序列；同时我们用t来表示时间序列的index，我们用Yt表示需求消耗；
如果我们要预测K个时间序列区间，我们用Ft+k表示；真实的数据和预测一定存在偏差，这个偏差我们用et+k表示，et+k=Yt+k-Ft+k (t+k个时间区间内的和实际的误差)
或许有人会问，为什么我们还要预测t这个时间区间，其实，这是一个学习的过程，我们是通过对这列数据的历史的学习来预测将来，所以，我们通常在做预测方法模拟的时候，选择一定的历史数据作为检验，来验证预测模型是否合理。
时间序列的数据分区
数据分区是数据分析的基础，我们物流的需求消耗，绝大多数基于时间序列，在接下去的所有介绍中，我们都是基于时间序列的统计模型进行讨论，所以时间序列的数据分区是我们获得比较准确的预测的基础，也就是说，你是准备用日，周还是年等来建立你的时间序列。
时间序列模型数据量不大的情况下，我们可以用excel来拟合和预测；同时我们需要建立相对应的数理统计模型，利用统计原理，去进行预测，验错和纠正。
预测验证
需要指出的是，预测模型和历史数据非常好的拟合是否表明了这个模型可以很好的预测未来？回答是否定的，过度拟合是一种失败的系统拟合模式。
为了避免这种问题的存在，我们在做模型预测的时候，我们需要将数据分成三个部分：
我们会留一部分数据作为验证，做出预测并验证准确率，然后再预测未来。在实际工作中，如果认定模型合适，我们可以放心的用模型预测。
所有模型，我们最后都会在图形上呈现，用图形的对比，可以非常清晰的知道预测的合理性。
举个栗子
这是一个Y类的物料，通过这个年度的消耗情况对比，你可以大概预估出：
3月，5月通常有个小高峰
2月 10月份是淡季
产品有季节性
这个产品的消耗情况趋向平稳
2020年很特殊，正常的峰顶没有出现，什么特殊事件影响？ 这个峰延期了
从这个图表中，我就可以很清晰的发现问题的所在
我们还可以通过下面的图，可以更简单的看出季节性情况
在之前的系列中，我们说，在做分析的时候，需要去掉些干扰，怎么去呢？怎么发现，其实图形法是最简单的
看下面的Z类物料的消耗，3月的量特别大，如此，你就需要去看，为什么是否有很特别的项目，促销，你需要把这些特殊情况去掉，如果我们去掉这个特殊的情况又如何呢？
比如，我们取3月的平均消耗来替代这个特殊消耗我们发现，这个图形变成：
然后，我们看6月到10月的消耗是正常的季节性的还是特殊事件，如果是特殊事件，我们用平均值来替代这个特殊事件后 （或者你用反向的预测,预测过去）我们发现这个物料的消耗其实更接近于平稳，类似X类的物料：
我们再来看一个物料：
从这个物料看，从2019年11月开始，消耗直线上升，通常这种情况是新产品逐渐进入市场的状态，而且，上升的情况是持续的
如果我们只看2019到2020年的情况的话，我们发现销售有个非常明显的上扬，这种物料就需要特别关注，如果产品对整个业务来说又很重要的话，我们需要比正常情况还要多准备些货物，以支持这个产品的销售和市场的开发。
在后面的视频中，我会更具体的解说，在正式用模型预测前，我们需要做什么，如何通过一些简单的图表去预测，或许很多人说，这样的方法太拍脑袋，其实不是，这是在发现一些规律性的东西，来帮助你更好的预测。
相关好文如下，点击即可阅读