在經(jīng)歷與很多客戶的溝通后，發(fā)現(xiàn)一個比較有趣的現(xiàn)象，就是對統(tǒng)計技術(shù)的認(rèn)可度的差異。一類公司認(rèn)為一個需求預(yù)測管理體系的主要價值就是統(tǒng)計模型，因此，他們不停問你有什么他們行業(yè)適用的模型或公式，并很快要求用他們的歷史數(shù)據(jù)驗(yàn)證模型的準(zhǔn)確性—盲測。而另一類公司認(rèn)為，統(tǒng)計模型沒有什么價值，他們之前也在使用EXCEL，或者在SAP APO里做過，統(tǒng)計預(yù)測不準(zhǔn)確，也不知用了什么模型，完全黑盒，系統(tǒng)只是告訴你這是Best Fit，無從調(diào)整，最后只能放棄。這兩種態(tài)度折射出了不同的管理理念。

前者認(rèn)為預(yù)測歸根結(jié)底是技術(shù)，所以模型是最重要的。實(shí)際上全世界的模型從原理上大體差異不大，因?yàn)榻y(tǒng)計技術(shù)是公理，不是那個公司的發(fā)明或可以壟斷的，只是在應(yīng)用方式上略有差異，比如如何修正歷史數(shù)據(jù)，長周期預(yù)測如何自動調(diào)整偏差，以及如何組合應(yīng)用等，當(dāng)然近幾年出現(xiàn)了大數(shù)據(jù)技術(shù)，但是其對數(shù)據(jù)本身要求極高。但是不管何種統(tǒng)計技術(shù)，如果有一種最佳模型可以解決所有問題，那這個事情成為數(shù)學(xué)問題了。如果只是個數(shù)學(xué)問題，那一切就簡單了，找?guī)讉€數(shù)學(xué)博士不是問題。

而后者往往基于以前的應(yīng)用經(jīng)驗(yàn)鄙視統(tǒng)計技術(shù)，認(rèn)為市場，特別是中國市場是不能靠理性預(yù)估的。他們的觀點(diǎn)基于市場的無法分析性，但實(shí)際上如果否定市場的可預(yù)測性和引導(dǎo)性，則否定了市場部存在的價值。因?yàn)樵谑袌隹磥恚粌H可預(yù)測，而且還可以引導(dǎo)。其實(shí)再動蕩的市場也不是完全無規(guī)律的，極端如同中國的股票市場，大家還是在積極的做各種分析和展望，并且每次都是據(jù)情據(jù)理，深入透徹，屢敗屢戰(zhàn)，永不言棄。如果公司也能拿出股評家的激情去預(yù)估公司的未來市場，其可靠性一定大大超過對于股市的預(yù)測。

在實(shí)際業(yè)務(wù)中我們都知道，如果不了解渠道庫存，不了解促銷政策，不了解市場環(huán)境變化等，無論何種統(tǒng)計技術(shù)，預(yù)測都將是一場賭博。因此，后者的觀點(diǎn)相對于前者更加全面，因?yàn)樗麄冋J(rèn)可需求預(yù)測主要是管出來的，不是算出來的。

即使技術(shù)占有一定比重，統(tǒng)計技術(shù)也只是預(yù)測技術(shù)的十分之一

我們整體認(rèn)為需求預(yù)測管理中其管理的比重遠(yuǎn)大于技術(shù)，但是也有一定的行業(yè)差異，比如偏向利用終端數(shù)據(jù)進(jìn)行預(yù)測的零售行業(yè)其技術(shù)比重要遠(yuǎn)高于其他行業(yè)。但是所需應(yīng)用的預(yù)測技術(shù)中統(tǒng)計技術(shù)又只是其中一個部分。在實(shí)務(wù)操作中，對于需求預(yù)測經(jīng)理而言最重要的挑戰(zhàn)是如何選擇合適的統(tǒng)計技術(shù)， 因?yàn)楝F(xiàn)在有各種成熟的需求預(yù)測系統(tǒng)來減輕需求預(yù)測人員在實(shí)際操作中的數(shù)據(jù)處理壓力，所以我們將著重在于如何基于統(tǒng)計技術(shù)的應(yīng)用場景選擇合適的統(tǒng)計技術(shù)，而并不著重在對技術(shù)本身進(jìn)行講解。我們只要會開車，不需要了解車是如何造出來的。如果對技術(shù)本身有興趣者，市場上有很多專業(yè)書籍可以學(xué)習(xí)。今天我們要和大家概要分享的預(yù)測技術(shù)，不僅僅是統(tǒng)計技術(shù)，還有其他各種預(yù)測技術(shù)：

1. 商業(yè)環(huán)境分析技術(shù)（Business Environmental Analysis）：建立外部環(huán)境變化對業(yè)務(wù)影響度的相關(guān)性分析機(jī)制。

2. 歷史修正技術(shù)（Data Cleansing）：將異常因素對歷史銷售所產(chǎn)生的影響（離群值）進(jìn)行剝離。

3. 趨勢衰減技術(shù)（Trend Damping）：在使用趨勢類統(tǒng)計技術(shù)進(jìn)行中長期預(yù)測時，對趨勢幅度進(jìn)行合理修正，使其更加接近真實(shí)的業(yè)務(wù)環(huán)境。

4. 分解和聚合技術(shù)（Aggregation and Disaggregatoion）：需求預(yù)測管理中最重要的技術(shù)，用于支持多維度和多層次數(shù)據(jù)之間的自動協(xié)同。分解法主要分為同期法和環(huán)比法，而聚合主要基于層級樹自動生成。

5. 組合預(yù)測技術(shù)（Weighted Forecasting）：該技術(shù)主要用于支持基于多角色的協(xié)同，通常的協(xié)同是定性協(xié)同，而組合預(yù)測技術(shù)可以達(dá)成定量協(xié)同。

6. 分類技術(shù)（Segmenting Technology）：選擇統(tǒng)計技術(shù)之前，首先要對產(chǎn)品進(jìn)行分類，因?yàn)閷?shí)際業(yè)務(wù)中，我們不可能也不應(yīng)該按每個SKU來運(yùn)行統(tǒng)計預(yù)測。因此，合理的分類非常重要。

7. 統(tǒng)計預(yù)測技術(shù)(Statistic Forecasting)：統(tǒng)計預(yù)測是在大量統(tǒng)計資料的基礎(chǔ)上，運(yùn)用社會、經(jīng)濟(jì)、環(huán)境統(tǒng)計和數(shù)理統(tǒng)計方法研究事物發(fā)展變化趨勢和方向的預(yù)測方法。

8. 滾動預(yù)測技術(shù)（Rolling Forecasting）：在實(shí)際業(yè)務(wù)中，公司的預(yù)測是按預(yù)定義的期間粒度進(jìn)行滾動的，并連續(xù)生成N個未來期間的預(yù)測。

9. 模型優(yōu)選和預(yù)警技術(shù)（Best Fit & Warning）：基于對統(tǒng)計偏差的綜合評估，幫助使用者自動選擇最佳模型一種偏差分析技術(shù)，同時該技術(shù)也適用于對模型適用性的預(yù)警。

10. 預(yù)測策略定義（Forecasting Strategy）：最后這個技術(shù)幫助大家在實(shí)際業(yè)務(wù)中，如面對上千的產(chǎn)品和上千客戶時，如何綜合利用上述9種技術(shù)形成最佳預(yù)測策略。