计划背景
需求预测是采购计划的上游，预测错了，后面所有计算都只是在放大误差。拉链的需求有两个显著特征：一是跟随服装上市节奏，春夏与秋冬两季的订单高峰分明；二是规格长尾，颜色、长度、齿型、拉头的组合可以形成数千个编码，其中大量编码年度需求只有几百条。用一套方法预测全部编码，既不经济也不准确。
另一个容易被忽略的事实是，预测的目的不是猜准单个编码，而是让采购在正确的时间拥有正确的资源。对长尾编码，追求准确率没有意义，设定合理的备货与响应策略更有价值；对高价值、长交期的规格，准确率才真正影响成本。YCC 东龙拉链在与服装客户对接时，通常先区分这两类需求，再决定投入多少预测精力。
编制方法
建议采用三层预测架构，越往下越依赖人工判断，越往上越依赖统计方法。
- 总量层：按季度预测整体需求量，用时间序列与季节系数，服务产能与预算规划。
- 规格族层：按齿型、材质、用途分组预测，用指数平滑加季节因子，服务框架协议与备料。
- 编码层：只对高价值或长交期的编码做统计预测，其余用比例分摊加人工修正。
预测流程上，建议每月固定一次：先由系统跑出统计基线，再由销售补充客户项目信息，最后由计划做一致性检查。统计基线保证不遗漏趋势，人工信息补上促销、换季与新客户，二者缺一不可。
| 层级 | 方法 | 更新频率 | 主要用途 |
|---|---|---|---|
| 总量 | 季节分解 | 季度 | 产能与预算 |
| 规格族 | 指数平滑加季节因子 | 月度 | 备料与协议 |
| 编码 | 移动平均加人工修正 | 月度 | 下单与排产 |
关键公式或模型
指数平滑的通用形式为：F(t+1) = α × A(t) +（1 − α）× F(t)，其中 A 为实际值，F 为预测值，α 为平滑系数，取值越大越敏感。
含季节因子的预测可写成：预测值 = 趋势值 × 季节指数。季节指数按历史同期均值除以全期均值计算，并做归一化处理，使全年指数之和等于季节数。
预测准确率常用平均绝对百分比误差衡量：MAPE = 平均（|实际 − 预测| ÷ 实际）× 100%。对需求极小的编码，建议改用加权绝对误差，避免分母过小导致指标失真。
执行与调整
预测必须有校准机制，否则会长期停留在同一偏差方向。
- 偏差跟踪：按规格族统计预测偏差的方向与幅度，连续三个月同向偏差即触发模型参数复核。
- 异常剔除：把一次性大单、样品单与退货单独标记，不参与模型训练。
- 共识机制：销售、计划、采购对同一份预测签字，避免事后互相归因。
- 冻结窗口：临近执行的四周内不再修改预测，只做例外审批。
对拉链这类受服装款式影响大的品类，还应把客户的新品计划纳入输入。客户的上市时间、首单比例与翻单节奏，往往比历史销量更能解释未来需求。
落地检查表
预测评审建议固定三问：统计基线从哪里来、人工调整的依据是什么、偏差由谁跟踪。三问都能答出，预测才算真正完成，而不是填完一张表。
| 层级 | 基线方法 | 调整依据 | 跟踪人 |
|---|---|---|---|
| 总量 | 季节分解 | 行业与客户计划 | 计划 |
| 规格族 | 指数平滑 | 项目与促销 | 销售 |
| 编码 | 移动平均 | 客户确认量 | 计划 |
常见问题
问题一，追求单一准确率数字。不同层级应有不同目标，编码层准确率天然较低，不应与总量层用同一标准考核。问题二，预测由一个人拍。缺少销售输入与统计基线，容易变成经验主义。问题三，预测与计划混为一谈。预测是概率判断，计划是承诺，两者必须分开文档管理。问题四，模型过度复杂。对长尾编码，简单的移动平均加人工修正往往比复杂模型更稳健。