延伸阅读：为什么要做计划，本文是最好的回答，没有之一
延伸阅读：库存计划如何应对永远错误的销售预测
延伸阅读：我们为什么要坚持做预测
延伸阅读：预测计划：运筹帷幄，决胜于千里之外
延伸阅读：谁家销售需预测，谁家预测初需人？
延伸阅读：为何所谓正确的预测几乎不可能存在？
延伸阅读：每天只需工作2小时供应链人士是如何炼成的？
很多S&OP的会议开到后面的结论就是四个大字：计划不准。
在运营的世界里，我们对预测有一种非常矛盾的心态，讲到预测我们都会颇有嘲讽的引用“预测总是不准的嘛”，又在内心希望有一个神奇的技术能够帮助我们提高预测准确性。
而预测本身确实非常难。阿西莫夫在他的著名科幻小说《银河帝国：基地》系列里，就创造一个预测理论叫心理学史，能够预测到银河帝国的走势，并以此作为依据指导了一个拯救战略。即便是强大的心理学史做出的判断和战略，同样在执行过程中不断受到偏差的挑战。
科幻里面作者都不敢就预测这件事情瞎吹牛，现实世界更加惨不忍睹，去年的美国大选几乎打了大部分统计学家的脸。次贷危机证明我们可以在一件事情的预测上从头错到尾。我最近在看一本非常棒的书：《the
signal and the noice: why so many predictions fail but somedon’t》,
作者Nate Silver, 因为创办了https://fivethirtyeight.com,
并在12年的美国大选中全部预测正确而一炮打响。如果我记得没错的话，538在去年的美国大选应该也是栽了。
那我们谈预测还有什么意义？
因为商业活动根本就脱离不了预测；在不确定的世界中寻找确定性，是我们做好运营的基础；预测有错，不代表完全不对；将对的部分用在适用的部分，是我们应该去追求的东西。预测虽难，我们乐在其中。
预测三定律
我们先从最经典的预测三定律讲起：
预测永远是不准的；
越远的预测越不准；
越细分的预测越不准。
如果你去念美国库存管理协会的CPIM认证，我记得关于预测开篇就是讲的这个。我们简单解释一下。
预测永远是不准的 - 这个很好理解，越是精确的预测，准确的可能性越低，如果是预测一个区间范围，那么正确的可能性还比较大。经常能看见在财经媒体上有股评师预测精确的点位，不得不佩服他们的勇气。
越远的预测越不准 - 就跟天气预报一样，明天的天气预报正确的概率比较大，而一周后就难说了。
越细分的预测越不准– 针对某一个大类产品的预测的精确度会高于细分的产品，比如说超市里全部酸奶的销售量预测，就比某一个品牌的某一种酸奶产品的预测要容易的多。同样的，整个上海市酸奶的销售量预测，也要比某一个门店的销售量预测要精确的多。
预测的量化工具——exponential smoothing到底是什么鬼
我之前管理商务运营的时候，我们当时用了Oracle的Demantra做销售预测，其中很多算法的根源就是exponential smoothing，在我们的主计划看来，就是用来平滑需求曲线，好像也不是很准啊。
这个exponential smoothing是时间序列（time series）分析的一种。所谓的量化分析工具，主要是用历史数据来对未来进行预测，而不同的量化工具的区别就在于如何使用历史数据。
最极端的一种办法，就是完全按照上一个时间单元的实际情况来预测下个时间单元。这就意味着完全忽略历史数据。对应的结果是，预测对实际需求变化的相应会非常快，上个月销售的增减会立刻提现在这个月的预测里。
另外一个极端，就是moving average，取一段时间的移动平均值，也就是均线法。这种做法，在移动平均的范围内，所有周期的数据都等价的，一个周期内的变化会被平均掉，所以对新变化的响应会慢很多。
exponential smoothing是在这两个极端的中间。给历史数据一个小一点的权重，给最新周期的数据一个大一点的权重，让预测的数据能够对现实的变化有一定的响应，又不会过度跟随。
所以没错，exponential smoothing确实是一个需求平滑的工具。
在应用上，针对不同的需求曲线，有不同的exponential smoothing的理论算法：
- 水平曲线
- 趋势曲线
- 季节性曲线
- 季节性+趋势性曲线
- 乘数曲线
- 衰减曲线等等
这些不同的需求模块组合起来，会成为非常复杂的算法，比如Box-Jenkins算法，有兴趣的可以去维基百科一下。
预测完了就了事？
非常有意思的一个现象是，大部分的公司都在讲需求不准，但是大部分的公司都不跟踪他们的预测偏差到底有多大。
在the signal and the noise书里，Silver讲了一个社会学家Tetlock做的一个社会学实验：对美国电视里政治脱口秀里嘉宾们做的各种预测进行统计，在一个一千个的样本中，嘉宾们的预测准确性在49%-52%之间。
我们以前跟踪预测准确性，就是看一个百分比，比如70%，总经理表示非常不满意，85%总经理表示很满意。
但是预测偏差有更大的用处，想一想吧，用来算安全库存的偏差值，到底是需求的偏差值呢，还是预测的偏差值呢？
在下一篇里，我们来讲讲不同的产品，应该用什么样的预测方法。在下下篇里，我们进一步聊一下做出准确的预测要什么样的前提。
