隨著技術、數據采集和處理技術的進步，大多數需求預測解決方案涉及的多數技術是現成的，這些解決方案作為一個部分嵌入到核心統計引擎中。然而，了解每個方法的優點和缺點是很重要。
一、各種時間序列的優缺點
移動平均法：
優點：
開發簡單、可以有效的預測趨勢與周期性，只需要少量數據，存儲需求小，易于系統化與自動化。
缺點：
不能很好的處理季節性。只能精確預測下一期需求。，剔除了可能比較重要的需求波動，傾向于平滑化預測結果。無法對合理時間段內的需求突變進行預測。不能利用解釋性變量進行需求塑造。
簡單指數平滑法：
優點:
開發簡單，善于預測趨勢與周期性，只需少量的數據，最小的存儲需求，對呈指數衰減的最近需求期賦予最大權重，能比移動平均法更好地反映需求波動，易于系統化和自動化。
缺點：
難以找到α的最優值（平滑權重），不能很好地處理季節性，只能精確預測下一期需求
無法對合理時間段內的需求突變進行預測，不能利用解釋性變量進行需求塑造。
Holt雙參數指數平滑法：
優點：
開發簡單，善于預測趨勢與周期性，只需少量數據，最小的存儲需求，使用雙權重方法，
通常優于移動平均法和簡單指數平滑法，易于系統化或自動化。
缺點：
難以找到平滑權重的最優值，不能很好地處理季節性，只能精確預測下一期需求，無法對合理時間段內的需求突變進行預測，對應需求變化調整緩慢，不能利用解釋性變量進行需求塑造。
Winter三參數指數平滑法：
優點：
善于預測趨勢與周期性和季節性，只需少量數據，使用三參數（趨勢與周期、季節性和不規則構成），應用最廣的數學方法，易于系統化和自動化。
缺點：
難以找到平滑權重的最優值，只能精確預測后面1～3期的需求，無法對合理時間段內的需求突變進行預測，對需求變化調整緩慢，不能利用解釋性變量進行需求塑造。
二、多元回歸分析的優缺點
優勢：
能對趨勢與周期、季節性以及其他對需求造成影響的因素（解釋變量）建模，能夠構建滯后效果，能夠涵蓋干預變量，能夠對需求信號進行感知，能夠通過模擬What-if分析塑造未來需求，對于短中長期需求預測總體上更準確。
劣勢：
需要更多數據和數據存儲能力，建模更復雜，兼需統計和業務知識，較難系統化或自動化。
三、自回歸綜合移動平均ARIMA(Autoregressiveintegrated moving average)
優勢：
能對趨勢與周期、季節性以及其他影響需求的因素（解釋變量）進行建模，模型傾向于在減少因果性（解釋性）變量的情況下還能保持較高的擬合MAPE值（平均絕對誤差百分率），能夠利用模擬what-if分析進行需求塑造，對長、中、短期需求預測準確度總體上更高。
劣勢：
對數據量和存儲要求更高，建模更復雜，需要統計和業務知識程度更高，很難系統化或自動化，因為其復雜性，是應用最少的方法。
四、加權綜合預測法的分析
當不確定哪種預測方法最準確時，可將不同預測方法進行加權合并，當不確定所預測情景會如何時，可將不同預測方法進行加權合并。
在一般情況下，加權綜合預測較構成綜合預測中任一種預測的準確性都要高。但是，綜合預測只在預測方法不止一種的情況下才可行，當需要借助主觀判斷且考慮情感因素時，權重設置優先于對預測結果的考察，因為人們更傾向于將所有權重賦予符合他們理念的預測之上。
五、結構判斷法（針對新產品預測）分析
新產品分改良型新產品和革命型新產品。企業推出的新產品80%-90%是改良型新產品。對改良型新產品采用結構判斷法的優勢可以通過歷史數據自動化處理并結合統計分析方法，來對人為主觀判斷法進行進一步的完善。
新產品預測結構判斷法，結構化分類模型，對屬性特征快速抽取相似的后選產品，從候選產品移除異常產品，形成替代產品組，再從替代產品組抽取統計模型特征預測新產品并補全時間相關問題。并為新產品活動實時提供可視化呈現，這有助于建模分析人員隨時掌握新產品行動的風險性、不確定性及可變性，并使得企業能夠在新產品推出不確定性基礎上做出較合理的決策。
當然，判斷總歸是新產品預測過程中的重要部分。但是，判斷是基于業務知識并有助于整個過程可跟蹤并盡可能的高效與客觀。
核心關注：拓步ERP系統平臺是覆蓋了眾多的業務領域、行業應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業務領域的管理，全面涵蓋了企業關注ERP管理系統的核心領域，是眾多中小企業信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網http://www.guhuozai8.cn/
本文標題：銷售預測各種統計算法優劣分析
相關文章
