四. 需求管理
需求管理的范围
在术语汇编中，需求管理这个现代术语适用于为一个制造设施作计划与处
理对它的各种需求时所涉及的一切活动。这将包括来自下列各方面的需求：
１、国内外的客户
２、本公司的其它工厂
３、在其它地方的分支仓库
４、在客户处的寄销存货
它将包括下列活动：
１、这种需求的预测
２、处理订单登录
３、作出交货承诺
４、同主计划接口
需求将涉及各种物料，包括
１、成品
２、作为产品的组件
３、修理件
在最广的意义上，需求管理包括筹划仓库地址，从制造源到仓库的替代发运方
法，仓库布局，物料搬运与作业。泛称为分配，这些题目超出了本书的范围。第五
章包括分时段订货点法，附录Ⅶ包括用于订购补充物料的其它技法与在这种仓库中
有效的库存管理的原则。第六章讨论在物料计划中把仓库的需求同其它类型的需求
相混合的问题。订单登录活动主要同数据处理有关，本书不予讨论。本章的主要课
题是预测来自客户的需求。
预测的重要性
制造计划与控制基本上关心的是未来的事。已经过去的事无法控制──必须从
现状出发为未来作准备。为此，就有必要去猜测、假设或估计从现在开始将发生什
么。其它一切条件都相同的情况下，一家公司要生存，至少要准备好自身能同竞争
者一样快地去满足客户的要求。预测这个字就包括对这种未来的客户需求的估计。
计划与预测是人们给工厂经营有关数据的推测所起的名字。
由于一家公司中的一切计划活动都与满足客户的未来需求有关，组织的许多方
面必须同销售预测打交道。图４－１所示为一家典型公司所做的各种预测的汇集与
这些预测的用途。例如，住户组成数被市场营销部门用来确定总的潜在市场的成长
。工厂经理与工厂的工程部门要知道５年的生产需求，因为购置土地的计划、以产
量与技术的变化为基础的新生产过程的开发以及要增添的制造设施的采购都需要有
长的提前时间。图４－１所示只是主要的需求；使用预测的途经还有许多。
┏━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━┓
┃ 预 测 ┃ 需 要 者 ┃
┣━━━━━━━━━━━━╋━━━━━━━━━━━━━━━━━┫
┃１、住户组成数 ┃市场营销：确定总的潜在的市场成长 ┃
┣━━━━━━━━━━━━╋━━━━━━━━━━━━━━━━━┫
┃２、未来５年所需的总生产┃制造：工厂扩展规划 ┃
┃ 量 ┃ ┃
┣━━━━━━━━━━━━╋━━━━━━━━━━━━━━━━━┫
┃３、未来２年所需的设备小┃制造：明年的资本预算 ┃
┃ 时数（按类别） ┃ ┃
┣━━━━━━━━━━━━╋━━━━━━━━━━━━━━━━━┫
┃４、明年按产品系列分组的┃销售：报价 财务：开支预算 ┃
┃ 个别产品的销售量 ┃制造：工人与机器能力 ┃
┃ ┃物料控制：季节性库存需求与总括订单┃
┣━━━━━━━━━━━━╋━━━━━━━━━━━━━━━━━┫
┃５、个别产品下季度 ┃物料控制：工作中心能力，自制与采购┃
┃ 销售量 ┃ 的组件 ┃
┣━━━━━━━━━━━━╋━━━━━━━━━━━━━━━━━┫
┃６、个别产品下周销售量 ┃物料控制：装配日程与调度优先级 ┃
┗━━━━━━━━━━━━┻━━━━━━━━━━━━━━━━━┛
图４－１ 各类预测及其用途
物料控制部门，时常被称为计划部门，其责任是制订计划以满足制造产品的未
来需要。需求预测在这一准备中是不可缺少的要素。物料控制人员需要这一预测来
计划要买多少组件，买多少原料，用什么速率去做机加工或装配──最重要的是─
─什么时候去订货。
对预测有互相矛盾的要求。例如，总经理关心发货量的预测，因为发货产生公
司从客户收来的钱。他可能同市场营销经理意见相左，后者更加关心续入业务，因
为这度量要求给予服务的客户对本公司的需求。实际上发货量代表被公司响应需求
的能力修正过的续入业务。销售经理典型地感兴趣的是设定乐观的目标作为对销售
人员的挑战，而总会计师宁可有一个较保守的预测以便估计利润。物料控制部门要
求预测用制造部门能理解的语言来表达（例如，用通过相似制造设施的产品组）。
而对市场营销人员有意义的产品组则是在相似销售渠道中销售的产品，它们不一定
同制造中的产品组一样。
在大多数公司里需要有多种预测。这些预测有多种分类方法，其中之一是按其
所涉及的期间长短来区分：
长期预测：用于工厂扩展与添置新机器、新设备，以便提前５年或更早地去计
划资本投资。
中期预测：用于长提前期物料的购买或作业率的计划，提前１至２年考虑季节
性或周期性的产品。
短期预测：用于为采购件或自制件确定恰当的订货量与订货时机的安排并计划
恰当的制造能力，并考虑提前３至６个月平整工作负荷是否值得。
近期预测：用于每周或每日的装配进度与成品库存的分配。
长期预测涉及复杂的考虑，超过了本书的范围。它的视界从向前看２到５年甚
至更多年。它需要具有对经济因素、竞争性与技术性影响与最高管理者制订的资本
扩展计划的认识。这类预测的开发包括对市场战略、雇佣政策与政府规章的考虑。
较大的企业对这种预测越来越重视，但中等与较小的公司大多忽视这种需要。然而，
作出认真的努力去为任何一家公司指明航向都是有实际价值的。最大的好处可能是
公司宪章的定义：它到底属于哪一种事业？许多行业，特别是铁路与钢铁业，如果
他们曾经更加清楚地认定他们真正的事业是提供运输与基本材料的生产，而非限于
运行铁路与钢厂，本来可以避免许多严重问题的。
一般说来，较短期的预测要求更大的准确性。例如，能力的中期预测可能指示
一个工作中心需要多少小时，当利用这些小时的时刻到来时，它们可能被用在原来
作能力预测时根本没有考虑过的一件工作上（如果有许多物品要经该部门生产，总
的预测小时数仍可能是相当准确的）。另一方面，本周的预测建立一份最终装配或
一特定产品组合的包装日程。由于这些产品将确定可供发货的具体成品库存，重要
的是这一预测要尽可能地准确。
区分预测的另一种方法是按其所包含的物品类型，譬如个别产品，系列产品或
小类产品。一家公司具体需要哪些预测取决于其制造周期的长度同它的客户允许的
提前期之间的关系，如图４－２所示。倘若在公司确定需要什么物料、购得这些物
┏━━━━┳━━━━┳━━━━━┳━━━━━━━┳━━━━━━━━━━┓
┃采购物料┃制造组件┃ 装配产品 ┃ 发 运 ┃ 行 业 ┃
┣━━━━╋━━━━╋━━━━━╋━━━━━━━╋━━━━━━━━━━┫
┃ ←──╂──允许┃提前期──╂─────→ ┃重型资本货物、轮船、┃
┃ ┃（不需产┃品预测） ┃ ┃火车、导弹等等。 ┃
┣━━━━╋━━━━╋━━━━━╋━━━━━━━╋━━━━━━━━━━┫
┃ ┃←──允┃许提前期─╂─────→ ┃特殊订货、单件小批生┃
┃ ┃（需作原┃料预测） ┃ ┃产、精细化工。 ┃
┣━━━━╋━━━━╋━━━━━╋━━━━━━━╋━━━━━━━━━━┫
┃ ┃ ┃←──允许┃提前期───→┃机床、电子、定制的装┃
┃ ┃ ┃（需作原料┃与组件预测） ┃配产品、等等。 ┃
┣━━━━╋━━━━╋━━━━━╋━━━━━━━╋━━━━━━━━━━┫
┃ ┃ ┃ ┃←允许提前期→┃汽车可更换零件、消费┃
┃ ┃ ┃ ┃（需作原料、组┃品、等等。 ┃
┃ ┃ ┃ ┃件与产品预测）┃从存货发货。 ┃
┗━━━━┻━━━━┻━━━━━┻━━━━━━━┻━━━━━━━━━━┛
图４－２ 允许提前期与所需预测的关系
料、加工它们并最终交运该产品期间客户将等待，则实际上不需作任何一种预测。
当然，罕有任何行业的客户将等待他们的供应商去建造与扩展工厂或去获得要添置
的机床或其它设备，所以所有公司都需做用于生产设施中资本投资的长期预测。
市场营销人员喜欢说在公司拿到客户的订单之前，实际上什么也没发生。这听
起来有道理，其实满不是这回事。应该说收到订单之前已经发生了许多事情。如果
一家公司的竞争者们能够以比所要求的发货时间稍稍多一点的时间向客户提供产品，
则该公司必须保有成品库存以便同任何其它人一样地去满足订货。这意味着公司将
必须去预测原料的需求，并根据预测采购与制造零件并安排所需成品货物的生产日
程。
图４－２还指示某些典型行业的提前期的主要因素。毫无疑问，这幅图景现在
已经有了很大变化；许多公司发现他们的竞争者以较短的提前期发运产品并不保有
较高的库存投资。
许多因素对一家公司的产品与服务发生影响，要识别所有这些因素并度量其影
响或预测其效果是永远不可能的。然而，在预测中去识别广泛的主要影响并试图去
预测它们可能引起的变化还是有帮助的。这些影响有外部的也有内部的。外部因素
包括一般商业条件与国家的经济状态，它影响几乎每家公司的客户因而影响对其产
品的需求。所有的长期预测──以及许多中期预测──必须包括对变化着的经济气
候的影响的某些估计。竞争因素是另一个要考虑的外部力量。竞争间接地来自对客
户的钱的其它需求，也直接地来自相近或相同的产品。没有哪家公司可以忽略去估
计竞争者在做什么及其对本公司可能的影响。也必须考虑到市场的趋势，包括变化
着的客户意向，增长着的需求，式样风尚等等是会影响一家公司的销售的。有时这
些力量可以通过广告被影响到某种程度，但无论如何它们是最难于控制的。
内部因素，诸如一家公司的广告计划、促销、销售努力、定价与提高质量，能
对创造或扩大需求有主要的影响。若不把这些因素包括进去，没有一个预测会有效
的。及时交货，较低的成本以及较短的制造周期是其它能对公司产品具有显著影响
的内部作用。
预测的演变
早先，在大多数公司里是没有准备预测的正式手续的。有预测的话，也不是明
确地委派给某人或某一部门的责任。预测难得被认为是一种真正的需要。预测的需
要时常是不自觉地、直觉地由老板来满足的，他决定去买进更多物料因为他有信心，
这些物料在将来可被加工然后卖出去；一名主管，他决定雇佣一名工人，因为他相
信工作负荷将继续居高不下；或一名存货文书，他发出一份新的订单去补充存货室
中缩小着的螺杆的供应。
二次大战前若干年，许多公司开始认识到以正规方式准备预测的潜在利益。他
们设置专门的小组来准备数据，提出要由组织里极其重要地有关的人来批准预测的
手续并且往往把预测的分发限于给适合于接收这类机密信息的人员。在许多情况下，
化了许多钱去开发使用统计技法、市场研究或其它复杂的预测方法。在这一期间，
基本的假设看来是认为只要对预测投入足够的钱，努力与情报，预测问题是可以解
决的。这一时期可名为预测的过分乐观时代。
当完善的预测并非唾手可得时，不可避免的醒悟（幻想破灭）时期开始了。以
预测为前提的计划控制系统把他们的失败归罪于未能得到一份好的预测。由于这种
反应，被失败与这种方法高代价螫痛了的许多公司停止了对预测的有组织努力而返
回到直觉的猜测。这一时期可称为后冲时代。大多数公司现在已从这一反应完全恢
复了。对预测采取天真态度在工业界已经少见了；只有非常少数的公司仍然相信他
们应当期望更加准确的预测，而且只要他们找到正确的技法就可能得到它们。
大多数人认识到预测中的两个有区别的问题：做出更准确的预测与对不精确的
预测做出更好的使用。
原理９．预测是可作为工作出发点的一组数字，它不是工作的终点。
任何预测，不管如何得出的，是为一个一体化正式系统开始其计划工作提供起
始数据的。当根据更好的知识或新的见解而对于预测作出更改时，或当实际需求与
预测不符时，可以更新计划以指出所需的具体的校正行动。预测的第二个问题，如
何更好地使用预测，比努力去得到更准确的推测，能提供大得多的潜在利益。
目前趋势是达到一种更为合理的观点，它承认预测必须做而且将被人们作出，
因此，最好由最能干的人去做；它承认使用一个正式的预测作为一切其它预测的基
础的价值，而不是让许多经营部门各自去猜测未来的事。
预测的特征
在讨论预测的技法之前，懂得预测的一般特征是重要的。最重要的特征可简述
如下：
１、预测将是错的
２、预测附上对误差的估计是最有用的
３、对于较大的物品组合，预测更准确些
４、对于较短的时间，预测更准确些
当前合理的方法承认预测总是有误差的，而且虽然有许多工具可以改善预测的
艺术，应用这些工具需投入的金钱与努力迅速达到报酬递减点。超过了这一点，对
预测误差采取灵活态度将比试图改善预测要有利得多。最好的办法是去开发一个正
式的预测计划与一种发现与度量预测误差的体制，然后快速地反应去校正这些误差。
本章将详述这种办法。可以使用根据以往的实际与预测数据的对比或根据有识人士
的意见作出的误差估计去制订应急计划。这些办法将使为响应预测误差而采取的校
正行动加速并更为有效。每一预测应包含一个对预测误差的估计──该预测可能错
到什么程度的表达式。这一估计可用预测的百分数（正或负）或作为最大值与最小
值之间的一个范围。如第５章所述，在建立订货点时，有必要知道在提前期间估计
的平均使用量以及最大的预期使用量这二者。后者，当然，是提前期间该需求预测
的准确度的一个函数。预测误差的估计提供设置确定何时要采取行动（诸如重新计
算ＥＯＱ或改变某一部门的生产率）的决策规则的基础。当实际需求落在预测范围
之外时，可能有非随机性的影响存在因而采取行动是必要的。
虽然进入市场的新产品最难预测，但在新产品预测中使用预测误差的估计往往
比其它情况更为有利。新产品可能同在大类产品中已相当稳定的东西相当地相似。
这种情况下，由于销售部门有销售类似物品的一些经验，市场营销部门有过去预测
类似产品的经验，预期的预测误差可能是低的。另一方面，对市场上全新的一个产
品，由于公司没有经验，预测可能失误到３００％之多。本书后面将详述在生产与
库存控制中作出决策时预测误差的使用。
一个基本的统计事实是即使总体作为整体具有非常稳定的特征，总体中每一个
体的行为却是随机的。例如，要预测个别人的预期寿命是极为困难的，但保险公司
能以高准确度预测大群个人的平均预期寿命。同理，虽然对个别物品的预测要受高
度误差的支配，但对大系列制造产品作出相当高准确度的预测却是可能的。
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ 第 三 季 度 ┃
┣━━━━━━━━━┳━━━━┳━━━━┳━━━━┳━━━━┫
┃ 物 品 ┃预 测*┃ 实 际 ┃ 差 额 ┃差 额 ％┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#7147 - 灯 ┃ 47,600┃ 42,784┃ - 4816┃ - ┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#8014 - 钳子 ┃ 12,800┃ 9,125┃ - 3675┃ - ┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#8663 - 锉刀 ┃ 1,505┃ 1,157┃ - 348┃ - ┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#8726 - 纤维切断机┃ 22,500┃ 28,392┃ + 5892┃ + ┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#8933 - 螺刀 ┃ 10,100┃ 11,394┃ + 1834┃ + ┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9250 - 剪切机 ┃ 17,450┃ 14,860┃ - 2590┃ - ┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9261 - 剪刀 ┃ 28,500┃ 27,733┃ - 767┃ - ┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9337 - 耙 ┃ 68,000┃ 68,105┃ + 105┃ + ┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9604 - 锄 ┃ 27,200┃ 17,566┃ - 9644┃ - ┃
┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃#9638 - 铲 ┃ 3,320┃ 4,638┃ + 1318┃ + ┃
┣━━━━━━━━━┻━━━━┻━━━━┻━━━━┻━━━━┫
┃ 物 品 的 平 均 预 测 误 差 = ┃
┣━━━━━━━━━┳━━━━┳━━━━┳━━━━┳━━━━┫
┃ 全 组 总 计 ┃ 238,975┃ 226,284┃- 12,691┃ - ┃
┗━━━━━━━━━┻━━━━┻━━━━┻━━━━┻━━━━┛
* 第二季度末的预测
图４－３ 个别物品与全组物品的预测误差
图４－３所示为对一组１０个物品的基本观察数据。对每一物品作出了该年度
第三季度的预测。到该季度末，实际销售量与预测值作比较，可看出误差的百分数。
对个别物品的预测，其平均误差为１９．９％，范围为高３５％到低４０％。但全
组产品的预测误差只有５．３％，虽然其中只有两个物品的预测误差是这样小。
图４－４所示为某一物品在一长期间中预测需求与实际需求的比较。该物品原
来预测每周销量９００件，此预测值用了５０周没有修改，累计预测需求等于该预
测值乘以周数，而累计实际需求是５０周内实际需求的总和。随着预测的延伸，累
计预测误差呈增加趋势。例如，第二周未，偏离预测的数量是２００，等于周预测
┏━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ ＃９ 物 品 ┃
┃ 预 测 ＝ 每 周 ９００件 ┃
┣━━━┳━━━━┳━━━━┳━━━━┳━━━━━━━┫
┃周 次┃累计预测┃累计实际┃偏离预测┃ 偏离值表达为 ┃
┃ ┃ 需求 ┃ 需求 ┃的近似值┃周预测值的倍数┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ ２ ┃ 1800 ┃ 2004 ┃ 200 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ ５ ┃ 4500 ┃ 5230 ┃ 700 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ １０ ┃ 9000 ┃ 10224 ┃ 1200 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ １５ ┃ 13500 ┃ 15465 ┃ 2000 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ ２０ ┃ 18000 ┃ 19912 ┃ 1900 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ ２５ ┃ 22500 ┃ 24472 ┃ 2000 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ ３０ ┃ 27000 ┃ 28712 ┃ 1700 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ ３５ ┃ 31500 ┃ 33312 ┃ 1800 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ ４０ ┃ 36000 ┃ 39120 ┃ 3100 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ ４５ ┃ 40500 ┃ 46785 ┃ 6300 ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
┃ ５０ ┃ 45000 ┃ 54242 ┃ 9200 ┃ ┃
┗━━━┻━━━━┻━━━━┻━━━━┻━━━━━━━┛
图４－４ 预测视界上的预测误差
值的０．２倍，而到了第３５周未，累计误差已达１８００件──约相当于２周的
供应量。到第５０周未，累计误差约为１０周的供应量。一般，随着预测视界长度
的增加，预测误差将趋于增大。
随着预测者对于预测艺术知道得越来越多，一个好的预测系统将总是处于一种
流动状态。该预测者可能开发新的技法，并希望用实际的公司数据去检验它。如果
预测人要确定一种新的预测技法是否有效，他无需等待销售量的实现。他可以假设
这预测是１年或２年前作出的，而用实际发生的数字去检验这种预测方法。
图４－５所示为一简单例子。此例中，根据去年以前５年的销售量的平均值作
出了每一季度销售指数。这一计算中不包括去年的实际销售量。这些数据要留作检
┏━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ 季 度 销 售 百 分 数 的 估 计 ┃
┣━━━━━━━━━━━━━━━┳━━━━━━━━━━┫
┃估计的季度销售百分数（根据去年┃去年实际的季度销售百┃
┃以前五年的实际销售量的平均值）┃分数 ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 第一季度 ２１％ ┃ ２０．５０％ ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 第二季度 ２９％ ┃ ３０．３０％ ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 第三季度 ２９％ ┃ ２８．９０％ ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 第四季度 ２１％ ┃ ２０．３０％ ┃
┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
┃ 总 计 １００％ ┃ １００．００％ ┃
┗━━━━━━━━━━━━━━━┻━━━━━━━━━━┛
图４－５ 预测技法的检验
验预测技法之用。这一非常简单的检验指出，对于去年，这一确定季度销售百分数
的预测技法可算是相当准确的。如果检验年度是用于建立预测值的五年中一年，此
技法将不是有效的，因为这些指数很可能同用来产生它们的历史数据很相关。检验
的重要好处是预测人可以通过仿真他的预测技法去犯廉价的错误。如果一个预测系
统被检验表明是好的，则在实用时它也可能将是好的。在重点预测法（１０）中，
有一计算程序使用多种预选的预测模型来做这样一种仿真，并使用其中表现最好的
一个模型于最近的数据去推测将来的需求。
预测的实施
做预测有五个主要步骤：
１、定义预测的目的
２、准备数据
３、选择技法
４、作出预测（包括估计的预测误差）
５、跟踪预测
公司里每一职能部门都需有其销售预测的信息。倘若没有对其产品未来需求的
知识，没有一个职能部门能够有效地作业。事实上，没有一个单独的预测能够满足
所有这些部门的需要。为了取得最好的结果，每家公司应产生一整套互相关联的预
测，用来满足使用者们的需要。
原理１０．给每一使用者一个适用于其需要的预测。
倘若不遵循原理１０，使用者将被迫自己去解释该预测以产生他们所需的数据。
有时，一家公司的制造、物料、工程设计、采购与财务部门必须用“官方的”市场
营销预测去做这件事；他们各自为政，好像不是在为同一家公司做事似的。
图４－１中指出了预测的一些用途；还有许多并未包括在内。各种用途在下列
四个方面是有明显区别的。
１、视界──短的、中等的与长的
２、周期──每周、每月、每季或每年一次
３、评审的频度──每天、每周、每月或更长些
４、度量单位──钱、件、小时、加仑、打等等
应弄清每种用途的目的及对上述四个因素的要求。负责发布官方预测的个人或
小组应然后为具有相似要求的使用者小组重新组织数据。只有这样才可能有一种连
贯的、一体化的计划方法。
对许多公司，准备健全的数据这一基本问题往往可能是令人生畏的。为一段足
够长的期间找出销售数字用来开发一种良好的预测方法并检验它不只是要求有一组
历史的销售数字。没有有关的信息，单看过去的销售史将看不出什么时候罢工、提
价、库存科税日期、会计日历中的更改、特别的促销等诸如此类的事可能已经在历
史数据中掺进了使这些数据不能可靠地作为预测的基础的要素。
在准备数据时，预测人还必须确定到底要预测什么。一家通过分支仓库来销售
其大多数货物给客户的工厂必须使其生产同时面向分支仓库的需求与客户的需求，
因为仓库由于对峰值客户需求的期望，将毫无疑义需有一些库存。在这种时候，这
将对工厂生成超过实际客户销售量的需求。如果预测人只预测来自客户的续入业务
的增量，工厂对在恰当时间内生产出足够的货物去满足分配网络将缺乏准备。
预测人必须确定要使用数据去预测发货量还是去预测续入业务。发货量数据反
映生产设施已经能够对续入业务作出何等的响应。例如，一种已经缺货４或５个月
的畅销产品将显示一段低发货量的历史，虽然续入业务率是高的。根据以往的发货
量来估计未来需求的预测人将由于未能反映对该产品的真正需求而延长了缺货期。
即使具有足够的库存，也很少有公司能足够快地对需求的突然增长作响应使发货量
保持同续入业务相等。图４－６是发货量对需求的关系一个典型例子，从图中可以
看出四月与五月中突然增长的业务引起了发货量的增大，但发货室直到十一月以前
┏━━━┳━━━━━━┳━━━━━━┳━━━━━━━┓
┃ 月份 ┃ 发货量 ┃ 续入订货量 ┃ 欠交订货量 ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 一月 ┃ ３０２ ┃ ３０５ ┃ ３１ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 二月 ┃ ３７３ ┃ ３７２ ┃ ３０ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 三月 ┃ ４６５ ┃ ４７１ ┃ ３６ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 四月 ┃ ５３０ ┃ ５６２ ┃ ６８ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 五月 ┃ ５９１ ┃ ６８１ ┃ １５８ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 六月 ┃ ６２６ ┃ ６１５ ┃ １４７ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 七月 ┃ ６０３ ┃ ６６４ ┃ ２０８ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 八月 ┃ ６８７ ┃ ６７５ ┃ １９６ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 九月 ┃ ７３１ ┃ ６５８ ┃ １２３ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃ 十月 ┃ ６４２ ┃ ５７０ ┃ ５１ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃十一月┃ ３７２ ┃ ３４０ ┃ １９ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃十二月┃ ２５４ ┃ ２６９ ┃ ３４ ┃
┣━━━╋━━━━━━╋━━━━━━╋━━━━━━━┫
┃总 计┃ ６１７６ ┃ ６１８２ ┃ ┃
┗━━━┻━━━━━━┻━━━━━━┻━━━━━━━┛
图４－６ 发货量对续入订货量的关系
一直不能克服所引起的欠交订货。这不是说五月份的大量订货直到十一月也未得到
发货，但它表明在高峰季节，客户发货中的延迟大大地增长了。使用发货量为基础
来确定季节性活动的预测人将预测出一个较晚而较高的高峰，结果该工厂将不能及
时地生产出产品来满足实际的客户需求。
在预测中区分不同的需求流也是重要的。上例中的工厂很可能将其货物的45％
直接发给客户而把55％的货物通过仓库再发给客户。这将意味着对工厂订单有两种
不同的预测类型，一种代表直接给工厂的真正的客户需求，另一种代表客户对仓库
的需求再加上或减去仓库库存中的增量或减量。
许多公司有一些商品是出售给不同种类的顾客的。例如，一公司可能制造一种
硬件物品，正常情况下它以小量频繁订货方式出售给批发商──但有时被原设备制
造商（ＯＥＭ）以每年两批的方式买去制造家具。每年两次在库存上将是加在来自
批发商的许多小量需求上的极大需求；这两股需求流将要求有分别的预测。平均需
求量是毫无意义的。
预测人在分析历史数据与做预测时使用恰当的期间也是极端重要的。图４－７
┏━━━┳━━━━┳━━━━━━┳━━━━━━━━┓
┃ 月份 ┃月销售量┃每月工作日数┃每一工作日销售量┃
┣━━━╋━━━━╋━━━━━━╋━━━━━━━━┫
┃ 一月 ┃ 334,000┃ 22 ┃ 15,200 ┃
┣━━━╋━━━━╋━━━━━━╋━━━━━━━━┫
┃ 二月 ┃ 310,000┃ 20 ┃ 15,500 ┃
┣━━━╋━━━━╋━━━━━━╋━━━━━━━━┫
┃ 三月 ┃ 338,000┃ 23 ┃ 14,700 ┃
┗━━━┻━━━━┻━━━━━━┻━━━━━━━━┛
图４－７ 月销售量与日销售量
说明月销售量可能给出的假象。单看月销售量这一列，似乎二月份的销售比一月低
不少而且三月份比一、二月都有增长。但把每月的工作日数考虑进去之后，可看出
二月份每个工作日的销售量比一月份上升了，而三月份每一工作日的销售量却比一、
二月份都要低。
有的文献把预测技法区分为客观的方法（根据“冷的”统计的或数学的分析）
与主观的方法（根据“暖的”人类判断）。这样区分对讨论是有用的，但每个好的
预测都是二者的结合。一切统计技法都是以“未来将继续像过去那样”这一假设为
基础的。过去数据中的模式、趋势或周期被假设将继续下去并选用预测模型来把它
们外推或外插到未来的期间中去。
每一企业中的管理人员都努力使未来不同于过去──希望它比过去更好。因此，
任何客观预测要想成为官方的，必须首先经过人类判断的检验，判定将来与过去的
这些不同点将如何影响这种预测。有两种因素必须考虑：
１、内部的：在公司内部，诸如价格变化、促销、提高质量、更加及时的交货、
更短的制造时间等等因素将有什么影响？
２、外部的：在公司外部，竞争者、一般经济、政府法律等等将如何影响它们？
统计的预测只是起点，一种以前后一贯的、有秩序的方法与在合理的计算机时
间内去处理大量项目的方法。靠人对之作跟踪评审正常地是主日程计划工作的重要
部份，详见第７章。
时常有人问，谁应该去作预测？通常的回答是，市场营销或销售。从刚刚讨论
过的对内外因素的影响的评价来看，却可见预测是一集体协作活动。物料控制、数
据处理与市场分析人员将选择若干预测技法并生成“初步”预测。然后，它们将由
市场营销、销售、制造、工程与其它能有助于评价这些其它因素的影响的人们来评
审。
判断预测
这里要弄清的最重要论点是判断预测与统计预测（广义的统计）这两种预测方
法是一道使用的。判断预测，有时叫做预报，它包括：根据对业务有实感的个人的
专家意见而作的预言；调查销售人员以确定在即将来临的预测期间他们认为或已被
告知的其帐户将接到订货的产品数量；还有市场调查，其中一位对话人走出去到市
场上，也许还带着产品的样品，或直接找潜在的客户对话或找同客户有密切接触的
零售商或批发商对话。
对预测的判断方法中有许多缺点。虽然许多主管人员懂得市场并且具有预见未
来发展的能力，但不能简单地假设由于一个人具有主管人的地位就自然会是一名好
的销售预测人。销售人员按其本性是不倾向于解析思维而趋向于根据最近的趋势要
末乐观，要末悲观。销售人员可能认为调查的结果将用来提高他们的定额，于是他
们将给出悲观的估计。想从销售人员那里得出客观的预测是非常困难的。许多公司
已丢弃了这种办法。
市场调查──无论用信件、电话或个人对话──都是收集信息的昂贵手段，而
且其可靠性取决于以一个小样本来代表整个市场有多大的准确性。在有些情况下，
调查被证明是不可靠的，因为人们的言行并不一致。销售消费产品的公司时常采用
试验市场的方法，即选择国中被认为具有代表性的一个小区，并仅仅在这一区域内
销售他们的产品以确定公众的反应。这是一种相当昂贵的方法，它在许多情况下被
证明是有成效的。作为预测整个市场的一种手段，其成就取决于市场营销人员选好
一个具有代表性的样本地区的能力。
也许判断预测法最大的问题在于人类受新近事件的影响强烈。判断预测正常地
趋向于对最近的情况作出过头的反应。单凭判断而不使用其它工具的预测人可能犯
下非常严重的错误。以后面的图４－９中所示的一条１２年的实际销售趋势曲线为
例，在第五年末作判断预测的个人，看到接连三年的弱增长之后，不大可能认识其
长期趋势，因而很可能作出太低的预测。判断预测的一个严重的实际限制是一名个
人只能作出较少数的预测，而大多数公司有成百种的物品必须处理。
预测全新技术或类似个人计算机、空间考察与光纤等新产品的影响与结果是非
常困难的任务。使用台尔菲法，在提出正确的问题方面（倘若不是说得到答案的话）
已得到一些成就。一组“专家”，熟悉该技术应用领域的人们，被询问一系列的问
题，每个人给出他个人的估计。然后将结果交给所有成员评审，并进行第二轮的预
测。该过程持续进行若干轮，直到无一小组成员修改数字为止。于是用户应用此结
果作为看起来是合适的预报。
不管如何主观预测还是可贵的。它们是能够使人类的判断对预测问题有影响的
唯一手段。然而很少公司单独使用判断预测，因为它们是昂贵的，倾向于对新近事
件作出过度反应而且限于只能对少数物品作预测。
统计预测
另一种基本的预测方法──统计技法的使用──可包括使用一产品自身的需求
史去确定未来销售的预测（使用内生因素，诸如平均值或历史趋势），或根据多元
相关分析（使用外生因素，诸如车辆运输量、ＧＮＰ、新住宅建筑动工数、汽油消
耗量与其它有关活动）去预测并非同这些活动直接关联的产品的销售。
趋势外推是众所周知的最简单的预测技法之一。有了这条长期趋势线可以
帮助预测人稳定他的预测而不致对短期事件作出过度的反应。建立趋势线有比目视
法准确得多的方法；在大多数统计学的标准教科书中叙述的最小二乘法便是预测者
行业的一个重要工具。本章后面要详述的移动平均法可用来产生该序列的长期趋势
并将此趋势外推到未来。季节性模式，当年复一年始终如一时，可用实际月销售量
与平均月销售量之比来表示。
在趋势与季节性分量被除去之后，剩下的就是随机性。没有办法可以预测随机
性，但随机性的范围可表达为一个误差百分数，使得预测需求的极大值与极小值可
以从预测平均值来确定。倘若此随机因素是大的，则生产计划与个别产品的重订货
点，譬如说，将必须包括大的安全存货。反之，倘若过去所经历的随机性是小的，
则该预测被预期为比较准确的，所以有较小的库存储备也许就足够了。
总业务量的预测
要使详细的产品或产品组合的预测有用，首先必须有对公司总业务量的预测。
这类预测对制订生产计划也是需要的。做这类预测有许多方法，其中包括一些非常
有用的技法。它是以使用一领先序列为基础的。在此例中，对过去需求的分析表明
新住宅建筑动工数领先于Ａ公司产品销售量约３个月。在有些行业中这样一种关系
是存在的。重要的是要确定存在着一种始终如一的可靠关系，而不只是暂时的重合，
并且要连续地跟踪这种关系以发现变化。当这类关系可用时，就能作出相当准确的
预测。诸如新住宅建筑动工数等活动的信息被定期地公布在行业的杂志中。政府机
构（如劳动统计局）与私营研究机构（如国家经济研究所）定期地公布许多经济序
列的数据，它们可成为预测各种工业产品的基础。
即使找不到一个领先序列，也往往可使用一个相关序列，其运动与某公司的销
售量在时间上是重合的或甚至是滞后的，来预测该公司的销售量，因为这些序列的
许多其它比较复杂的预测是由政府或私营研究机构做出的。汽车替换零件行业中的
一家小公司恐怕不能化多大力量去作预测，但可以利用较大公司作出的预测或实际
销售数据。不能说只因为预测是由大公司或专门的政府经济学家作出的，所以它就
必定是准确的。这类预测的使用者应该有准备去发现明显的错误并迅速地发起行动
以响应变化着的需求。
用于预测的一种更加复杂的数学技法要求在若干外生要素与一家公司的销售之
间建立起相关关系，这叫做多元相关法。这类分析的结果是一个公式，它对该预测
的开发中所包括的各种因素给以不同的相对权数。图４－１１所示为一简化的例，
┏━━━━━┳━━━━━━━━━━━┳━━━┳━━━┓
┃ 要 素┃ 目 前 活 动 率 ┃权 数*┃指 数┃
┣━━━━━╋━━━━━━━━━━━╋━━━╋━━━┫
┃零售销售量┃ ￥（10亿／月）┃ ┃ ┃
┃钢锭生产 ┃ 2700（顿／周） ┃┃ ┃
┃车辆运输量┃ 62(千辆／日） ┃ ┃ ┃
┣━━━━━┻━━━━━━━━━━━┻━━━┻━━━┫
┃ 新指数＝１．１４ ┃
┃ ┃
┃ * 由多元相关法生成 ┃
┗━━━━━━━━━━━━━━━━━━━━━━━━━┛
图４－１１ 包装材料的外生预测
说明根据包括材料同零售销售量、钢锭生产、车辆运输量等外生因素的多元相关关
系所作出预测。原始数据来自许多商业出版物的周刊或月刊，权数由这些数据用多
元相关法算出。将每一要素的目前活动率乘上相应的权数，然后求各要素的指数之
和，可得新总指数为１．１４，指明此公司的产品预测现在将比预测的基期提高
１４％。多元相关法超出了本书的范围，可详见统计分析的高等教科书。有计算机
程序可快速而准确地处理多元相关问题──在未来这类预测将毫无疑问被更加广泛
地用来估计总的市场需求。各家公司仍将必须估计他们自己的市场份额并将总需求
分解为大类产品的需求。
销售人员的估计在作出总业务量预测中肯定是有一席之地的。如果配合上一个
统计预测为基础，它可以是极其可贵的。例如，可用统计技法去建立一份预测，指
明一家公司的产品其总的市场潜力明年应增长１０％。然后就可以对销售人员进行
民意测验以确定公司的市场份额是否将保持不变。由于熟知竞争气候，销售人员比
公司中其它人有更多发言权来说，从统计预测所指明的总趋势来看，市场渗透究竟
将会上升还是下降。
大类产品的预测
总的业务量预测做出之后，必须把它分解为更细的产品分组预测。这些产品组
必须对市场营销与制造都有重要意义。例如，一家农机制造商可按金额作出其总业
务量的预测，把它关联到政府对可自由支配的农场收入的估计。该总金额将进一步
分解为每一类产品（诸如拖拉机、康拜因或打包机）按农产品大类（即麦、谷、大
豆等等）的金额。这可以使用根据过去经验的一个百分数，再用销售部门或市场营
销部门关于某一具体市场中某一特定产品大类的需求趋势的知识去修正它。有一些
指示器是直接联系于某一特定产品的，诸如小麦的耕种面积或对大豆的津贴的改变。
下一步是把已知的季节性指数应用于特定的产品大类，特别是在诸如农机行业
中。图４－１２所示为每个月的季节性指数，表示为康拜因年销售量的一个百分数。
在这一假设的情况中，分析了５年的历史数据，月销售量表示为年度总量的一个百
┏━━━┳━━━━┳━━━━┳━━━━┳━━━━┳━━━━┳━━━━┓
┃ 月份 ┃ 第一年 ┃ 第二年 ┃ 第三年 ┃ 第四年 ┃ 第五年 ┃ 平均％ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 一月 ┃ ％┃ ％┃ ％┃ ％┃ ％┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 二月 ┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 三月 ┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 四月 ┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 五月 ┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 六月 ┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 七月 ┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 八月 ┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 九月 ┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃ 十月 ┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃十一月┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃十二月┃ ┃ ┃ ┃ ┃ ┃ ┃
┣━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
┃总 计┃ ┃ ┃ ┃ ┃ ┃ ┃
┗━━━┻━━━━┻━━━━┻━━━━┻━━━━┻━━━━┻━━━━┛
图４－１２ 康拜因季节性指数的产生
分数。使用５年的数据计算出每个月的平均百分数。一名好的预测人会再要１￣２
年的数据，用它们来做一次仿真以检验季节性百分数的有效性。使用这一大类产品
的年度销售预测，图４－１２中的每月平均百分数可用来作出一份月预测。把这一
预测结果表达为制造上有意义的语言（例如用工时）可能遇到的一个主要问题是因
为有可能一种特定类型的农机是在一家制造厂生产而第二种类型是在另一家制造厂
生产的。此外，如果大小不同型的这类农机在生产工时上的要求差异很大，则每家
工厂将区分大型农机与小型农机。预测人应知道这些细节以便使产生的数据对制造
人员有用。
产品分组预测是用来制订能力计划的，不应用来安排型别的组合。它们是用来
确定对每一种主要生产设施的工人与机器能力的需求的。产品分组预测的重要目的
是去建立生产水平。这一应用利用成组预测精于个别物品预测的原理。
第９章讨论生产水平的计划与控制以及使用预测误差的度量去建立何时改变生
产水平的决策规则。这恐怕是预测的最重要用途与制造控制的主要功能。如果不能
有效地计划与控制好生产水平，就不可能提供良好的服务并保持库存处于平衡。
物品预测
确定订货点、订货量与主生产日程要用到物品预测。物品预测最好使用简单的、
根据该物品自身的需求历史的内生统计技法。每一类产品中各个别物品预测之和应
等于为计划生产水平而准备好的分组预测。通常这需要经过调整才能使二者相等
（理由见本章后面）。
成功地使用统计预测的关键是选择适用于被测物品所经历过的需求模式的技法。
这些模式可分为四大类，如图４－１３所示。
┏━━━━┳━┳━┳━┳━┳━┳━┳━┳━┳━┳━┳━━┳━━┓
┃ ┃一┃二┃三┃四┃五┃六┃七┃八┃九┃十┃十一┃十二┃
┃ ┃月┃月┃月┃月┃月┃月┃月┃月┃月┃月┃ 月 ┃ 月 ┃
┣━━━━╋━╋━╋━╋━╋━╋━╋━╋━╋━╋━╋━━╋━━┫
┃水平的 ┃45┃55┃35┃55┃60┃40┃65┃50┃45┃60┃ 40 ┃ 50 ┃
┣━━━━╋━╋━╋━╋━╋━╋━╋━╋━╋━╋━╋━━╋━━┫
┃间歇的 ┃ 6┃ 0┃ 5┃ 0┃ 0┃ 7┃ 3┃ 0┃ 1┃ 4┃ 0 ┃ 2 ┃
┣━━━━╋━╋━╋━╋━╋━╋━╋━╋━╋━╋━╋━━╋━━┫
┃趋势性的┃10┃15┃20┃15┃20┃30┃25┃25┃30┃35┃ 30 ┃ 40 ┃
┣━━━━╋━╋━╋━╋━╋━╋━╋━╋━╋━╋━╋━━╋━━┫
┃季节性的┃65┃60┃50┃40┃25┃30┃35┃50┃60┃70┃ 75 ┃ 70 ┃
┗━━━━┻━┻━┻━┻━┻━┻━┻━┻━┻━┻━┻━━┻━━┛
图４－１３ 需求模式
水平的需求代表具有稳定需求的成熟产品。间歇的需求代表处于其生命周期的很早
或很晚期的低需求量物品与大多数的维修零件。趋势性需求显示较为稳定的增长或
下降而季节性物品每一日历年度要经历高峰与低谷。此外，还有一些特殊的需求情
况，诸如正规的周期性需求与长于一年的周期性需求，
预测技法
平均值：平均值提供一种很有用的技法。有两类是预测中常用的；移动平均值
与加权平均值。移动平均值可在任意个数据期间之上计算出来，期间的个数越多，
平均值越稳定但产生的预测越不灵敏。更新平均值的法则是
Ｄ１＋Ｄ２＋Ｄ３＋...＋Ｄn＋Ｄn+1－Ｄ１
Ｆ＝───────────────────── （４－１）
ｎ
其中：Ｄ＝每一期间的实际需求
Ｎ＝平均值中期间的个数
Ｆ＝预测值
此式通过加上一个最近的实际需求值同时减去最早的一个从而提出一个新的预
测值。该新的平均值被设想为未来的预测，这未来有多远要看预测人是否相信它是
合理或必要的。
图４－１４所示为使用此技法于图４－１３中水平的与间歇的需求模式的情况。
注意由于预测值要受加进的需求与减去的需求之间的差值的影响，所以它是变动的。
移动平均法计算简单，但它要求存贮大量数据（每一期间的需求）。减少期间数是
容易的，但增多期间数要难得多，因为必须找到历史数字。显然此技法不适用于趋
势性或季节性的模式，因为它设想一切未来期间都用同一预测值。
┏━━━━━┳━━━━━┳━━━━━┳━━━━━┓
┃ 一月 ┃ 二月 ┃ 三月 ┃ 四月 ┃
┣━━┳━━╋━━┳━━╋━━┳━━╋━━┳━━┫
┃预测┃实际┃预测┃实际┃预测┃实际┃预测┃ ┃
┏━━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━┫
┃水平的┃50 ┃60 ┃51 ┃35 ┃50 ┃55 ┃51 ┃ ┃
┣━━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━╋━━┫
┃间歇的┃ ┃ 0 ┃ ┃ 0 ┃ ┃ 6 ┃ ┃ ┃
┗━━━┻━━┻━━┻━━┻━━┻━━┻━━┻━━┻━━┛
图４－１４ １２个月的移动平均预测
图４－１５说明如何用加权平均值来预测物品需求。在此特例中，早先所做的
一个周预测（叫老预测）指出销售量将为每周１００件；第一周的实际销售量后来
达７０件。若使用简单的算术平均，新预测将为８５件。这其实是给老预测与最近
一周的销售以同等的权数（５０％＝０．５），大多数人会认为这样计算是不够妥
当的。
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ 第 一 周 ┃
┣━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┫
┃ 权 数 权 数 ┃
┃老预测＝１００（每周平均）× ０．５ ＝５０ × ０．９＝９０ ┃
┃销售量＝ ７０（最近一周）× ０．５ ＝３５ × ０．１＝ ７ ┃
┃新预测＝ ８５ ９７ ┃
┣━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┫
┃ 第 二 周 ┃
┣━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┫
┃老预测＝ ９７* × ０．９＝８７ ┃
┃销售量＝１０５ × ０．１＝１１ ┃
┃新预测＝ ９８ ┃
┣━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┫
┃通用公式： ┃
┃ 新预测＝α×销售量＝（１－α）老预测 （４－２）┃
┃ α是权系数的名称 ┃
┃* 它是上一周的新预测值 ┃
┗━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┛
图４－１５ 加权平均预测
使用加权平均法，可以（如例中所示）给老预测９０％的权，而给最近的实际
值１０％的权，这样算出的新预测值将为９７。如此，则由于销售量的下降预测值
只略有下降。大多数人将同意类似这样的算法要更加合理一些。注意两个权数相加
必须恒等于１。
图４－１５还说明第二周的预测值如何用加权法计算出来，老预测值现在是
９７件，而第二周的实际销售量是１０５件，所以新预测值是９８件，比上周略有
上升。这一技法叫做指数平滑法，它是根据的工作（１）。 它提供一种
常规地更新预测值的例行方法。用计算机，一个简单程序可在很短时间内在常规基
础上为几千种物品做出预测。图４－１５中的指数平滑方程（４－２）叫一价平滑
议程；还有比它更高阶的指数平滑公式，它可以包括对趋势性与季节性变化所作的
校正。为简化计算，一阶平滑方程可重新排列如下：
新预测值＝老预测值＋α（销售量－老预测） （４－３）
这种形式只做一次乘法。使用图４－１５中第二周的数据（如何确定α将在以后讨
论）
新预测值＝９７＋０．１（１０５－９７）＝９８
图４－１３中两个项目的预测用此法与用移动平均法基本上是一样的。
公式（４－２）与（４－３）都属于一阶指数平滑公式。当应付相当稳定的项
目时它们工作得很好，而且它们将相当容易地检出趋势，虽然当有显著趋势存在时
该预测将滞后于实际需求。然而，在确信存在这种趋势的场合（例如，当引进一新
产品时），可使用二阶平滑法。在二阶平滑法中，预测由Ａ与Ｂ两部份组成：
Ａ新＝老预测＋α（销售量－老预测） （４－４）
Ｂ新＝Ｂ老 ＋α（Ａ新 －Ｂ老） （４－５）
第一部份Ａ新是简单一阶平滑。第二部份Ｂ新提供一个为一种趋势校正预测的
因素，以消去一阶平滑的滞后效应。换句话说，Ａ新比以销售订单为基础的实际需
求模式要滞后。Ｂ预测把Ａ当作实际需求使用，它将滞后于Ａ预测一个相似量。校
正方法是将一阶预测Ａ新加上一个等于Ａ新与Ｂ新之差的校正量：
新预测＝Ａ新＋（Ａ新－Ｂ新）
＝２Ａ新－Ｂ新 （４－６）
将些技法应用于图４－１３中趋势性需求模式要求有Ａ老与Ｂ老的数字。可使
用任何合理的数据；取决于所使用的α值，在若干个期间之后，坏的猜测对计算的
影响将变得不显著。目视该数据指出取Ａ老＝３５与Ｂ老＝３２看来是合理的，而
且用α＝０．２是相当普通的。一月份的实际销售量是４５件，则二月份的预测是：
Ａ＝３５＋０．２（４５－３５）＝３７
Ｂ＝３２＋０．２（３７－３２）＝３３
新预测＝（２×３７）－３３＝４１
要不要做二阶平滑的决定可通过取几个项目的实际数据并仿真其结果来确认。
一般，实际工作者发现一阶平滑对大多数项目给出的结果是相当令人满意的──尤
其是对短期预测。在需求很低或在某些预测期间没有需求的场合，指数平滑技法是
不成功的。对图４－１３中间歇性模式的数据作一阶或二阶平滑的快速检测说明这
些技法用在错误的数据类型上其效果有多差。
假设仿真表明指数平滑法将给出令人满意的结果，则问题就在于要确定恰当的
权系数（α）。在图４－１５中，取低的α值０．１的结果是老预测成为新预测的
控制因素，实际销售量的影响很小，变化的趋势将因而不能被很快地检出。如果取
高α值，譬如说０．３，则预测将尖锐地反应销售中的变化，而且事实上倘若在需
求中有相当大的随机波动时，预测将是高度不稳定的。任何α因素值都要在太呆与
太飘之间求折衷。对一组给定的数据选择恰当的α值可通过仿真，仿真将显示多大
的α因素将工作，只要未来的需求模式不变的话。通常为了得到快速地移动并让实
际经验去显示需要有一不同的α因素的例外情况，使用范围在０．１到０．２之间
的α因素就相当可以了。
在一家公司已经使用了几个星期的移动平均值并希望代之以指数平滑法以获得
可存贮较少数据与对变化更具弹性的好处的场合，可使用公式（４－７）去确定α
因素，使它能给出近似地相当于以前使用过的平均值的期间数的结果：
２
α＝───── （４－７）
n＋１
例如，倘若以前所用的预测是一个１２个期间的移动平均值，则α因素将取
２
α＝─────＝０．１５
１２＋１
使用此式，可以看出０．２的α因素近似地相当于一个９个期间的移动平均值，
而０．１的α因素则近似地相当于一个１９个期间的移动平均值。在这些期间之后，
不好的起始值对使用指数平滑法的任何影响都将消失。
季节性预测：老练的数学家们看来抵挡不住试图以复杂的曲线去拟合季节性数
据的诱惑。这种努力不仅主要地是不必要的，它不会产生如图４－１２中所示用期
间基指数法所取得的那样好的效果。倘若季节性模式是重复性的，此法将同其它方
法一样地好，而倘若模式是偏斜与参差不齐的，则此法将比其它方法更好些。
使用图４－１３中季节性模式的数据，各月的指数如图４－１６所示。每一指
数就是该月的实际需求与该年月平均值的比值。产生这些指数的好办法要求使用若
干年份的数据，如图４－１２所示。这些指数是在更新预测时用来使数据季节化与
去季节化的。
月 份 需 求 基 指 数
──────────────────────────
一 ６５ １．２
二 ６０ １．１
三 ５０ １．０
四 ４０ ０．８
五 ２５ ０．５
六 ３０ ０．６
七 ３５ ０．７
八 ５０ １．０
九 ６０ １．１
十 ７０ １．３
十一 ７５ １．４
十二 ７０ １．３
──────────────────────────
总计 ６３０
平均 ５２．５
──────────────────────────
图４－１６ 季节性指数
做季节性预测要求有某种推测一个新的月平均数字的方法。可以用本章已讨论
过的任何一种方法。在使用实际需求之前，不论用什么技法，首先要把实际数据除
以指数使它正则化为一个平均月份。在平均月份的预测被更新之后，将新预测乘以
各月份的指数使它季节化。
特殊预测
为促销与新产品做预测比为稳定物品做预测要困难得多。由于很少新产品是真
正地原始的，这种预测往往可根据一相似产品的已往经验。例如，电视机制造商可
使用２４"黑白机与２１"彩色机的经验去估计新品２４"彩电的销售。 制造不同于
市场上现有的任何产品的新品时，公司恐怕得使用某种类型的市场调查。许多制造
女式服装或食品的公司，由于个人的偏好与消费者的接收性极难预报，通常使用市
场调查或试销以便在大规模投产该物品之前先确定产品的可接收性。
重复进行促销能得出对预测它们所引起的需求有用的数据。使用Ｓ曲线要求仔
细、及时地跟踪销售的实现过程，而且工厂及其供应商对预测的总需求中的变化要
有快速的反应。
像季节性基指数一样，Ｓ曲线法的成功取决于相继而行的促销有着十分相似的
特征。管理上一个棘手的问题是要在其结果具有良好重复性（因而具有较好的计划
上的潜力）的一系列相似促销与可能产生高得多的销售但也带来显著的生产问题的
根本性改变之间作出选择。
对于新产品与促销产品，预测误差的估计是十分重要的。应当让公司的管理层
知道按预测去安排计划的后果，譬如说预测是１０万件，但实际销售可能只有２万
件或高达５０万件之多。如果作预测时就相信销售中可能有这样大的波动范围，对
高价物品的明智计划将使过量库存的风险降到最低限度，而机床设计与长提前期组
件的精明处理将使生产能够快速地响应需求的增长。除非做出努力去估计预测误差，
否则这样观实的计划是不可能的。
为促销物品与新产品预测需求还必须考虑填满渠道的模式。当一项新计划或新
产品被发布而且受到销售人员的热烈响应时，大多数销售人员将能召唤他们和客户
并在电话上说服他们至少购买一个象征性的数量。以后几天，在他们的常规销售通
话中，他们的热情将销售出更多的该新产品。在工厂里，将收到订单的一次原始的
巨浪，随后是订单的稳定流入──所有这些只不过反映分销商、批发商或存储该产
品的其它各类客户的需求。大多数产品要经过分销商才到达最终用户，所以很少数
订单代表真正的消费者的需求。货架一旦存满，需求会有一个下降直到真正的消费
者销售量出现──而这些销售量确定实际需求将有多大。了解这一填满渠道的模式
将防止预测人对销售人员的原始热情所造成的巨浪，对存货订单被完成后的销售下
降以及最后对原始的消费者反应等作出过度的反应。沉着加上有知将有助于预测人
去恰当地解释新产品的销售。
预测为什么失败
预测为何产生出不成功的结果，原因并不神秘，有六种：
１、预测不是集体的努力；而评价使将来不同于过去的内外诸因素的工作要求
有各职能部门人员的参与。没有“专家”能胜任这项工作。
２、发生幻想破灭；对准确度不现实的希望引起拒绝使用预测与不会使用预测；
奇怪的是，人们坚持这种不切实际的希望而重复这种恶性循环。
３、发生“自己动手”的变态心理；显然“他们的预测”是错误的，所以我们
必须自己来做。我们昨天做得不太好，但明天的预测会更好的。
４、人们有不同的需要；销售人员需要伸展开的去满足挑战性的预测，管理者
的财务计划必须是保守的而制造必须具有现实主义态度。
５、无人照管；每个人都希望预测将是对的，知道它将会错，而且忘记了它，
因而丧失了去找出它可能如何错以及何时它显然需要修订的机会。
６、不必要的项目被包含在内；企图为描述产品的物料清单中的组件或为由选
件组成的产品去作需求预测是浪费时间。
许多产品为其用户提供若干选件──汽车、机床、计算机、无线电、自行车以
及家用电器只是少数例子。图４－２１显示无线电产品中可供的选件。任何人都懂
┏━━━━━━━━━┓
┃音频／调频／立体声┃
┃ 无线电 ┃
┗━━━━┳━━━━┛
┃
┏━━━━━━━━┳━━━━┻━━━━┳━━━━━━┓
┏━━┻━━━┓ ┏━┻━┓ ┏━┻━┓ ┏━┻━┓
┏┫频率有关组件┃ ┏┫电 源┃ ┏┫底 架┃ ┏┫天 线┃
┃┗━━━━━━┛ ┃┗━━━┛ ┃┗━━━┛ ┃┗━━━┛
┣ 音 频 ┣ １２伏直流 ┣ 汽车用 ┣ 自 带
┃ ┃ ┃ ┃
┣ 调 频 ┗ １１５伏交流 ┣ 可携式 ┗ 外 部
┃ ┃
┣ 音频／调频 ┗ 落地式
┃
┗ 音频／调频／立体声
图４－２１ 选件的预测
得企图去预报任一期间中对这些选件的每一种具体组合有多少客户订货是枉费心机
的，但许多人看不出有什么替代的办法。然而，完全可以──事实上更好──去预
测每一期间内无线电的需求总数以及其中每种选件所占的百分数。从这些数据，可
以准备出用于制造计划的有效的主日程计划。在最终装配开始之前，不需知道哪些
选件必须组成任何一架无线电；在许多情况下，未收到客户订单之前是不发生这样
的问题的。这样来设计产品可使预测问题变易，便于计划与控制而且可以简化制造。
这一主题将在第二册中同主日程计划与物料清单的结构问题一道详述。
需求的源
在本章前面粗略地提到过需求的流或源。前面讨论过的都是用来预测客户需求
的技法。这一需求可分为三组：一组直接发生在工厂或邻近的主要仓库；一组发生
在国内其它地方的分支仓库；一组发生在国外。出口问题超出了本书的范围。在市
场要求、时机安排与产品种类方面出口需求与国内需求有许多差别，所以必须对这
两种需求分别地作出预测。
分支仓库的客户需求基本上与主设施相同，当然，不同的是它的数量通常较小。
前面讲过，数量很小的、间歇性需求的物品很难预测。这类物品应不应在分支仓库
中存储也是一个好的问题。如果必须存储，最好去预测系统总的需求，安排补货订
单去处理它，然后将每批的一部份分配给每一分支仓库以便向所有仓库提供平衡的
库存。分配这类物品的技法详见附录Ⅶ。
厂际需求不应作预测；它应从用户厂的制造计划计算出来。主日程计划，在本
书第７章与第二册的第２章将彻底讨论，必须包括供货厂与用户厂双方对足够的物
料供应与均衡负荷的需要的考虑。其技法见第５与第７章。
分支仓库之间的物资转移应当看作是要去避免的问题，而不是要去计划的问题。
虽然它们是处理意料之外的或罕见的大量需求或供应中断等情况的有效方法，这种
订单的高额搬运与发货费用使它们成为最后的一招，而不是正常作业的一部份。预
测、存货与满足各类客户对各类物料的需求的主导策略应当如原理１４所述。
原理１４．不到尽可能最后时刻，不要把存货物品委置于任一具体的地点。
