需求预测算法 – 算数平均法

需求预测算法中最直观、最简单的算法 – 算数平均法

一、概念

算数平均算法，顾名思义，就是使用历史数据集的算术平均值作为未来时期的预测值。它是一种时间序列预测方法，属于朴素预测法的范畴。

其核心思想是：过去所有时期的需求水平，代表了未来的典型需求水平。 它假设数据是相对平稳的，没有明显的趋势性或季节性。

二、算法公式

对于一个时间序列数据D1,D2,D3,…,Dn（Dt代表第t期的实际需求值），预测未来第n+1期（Fn+1），具体公式为：

Fn+1 = （D1 + D2+ D3 + … + Dn）/ n

简而言之，我们已经有了n期数据，去预测n+1期时，等于之前n期的算数平均数。

三、计算步骤

以一个简单例子来示例，假设某产品过去6个月的销量如下：

任务：预测202510月份的销量

步骤1：收集所有历史数据

数据如上表所示，分别是10,12,14,8,6,10

步骤2：计算算数平均数

即 F = （10+12+14+8+6+10）/ 6 = 10

步骤3：预测结果赋值

得出202510月需求预测值为10。

四、算法优缺点

优点

极其简单直观：概念易懂，计算简单，没有复杂的数学知识易于实现和解释：开发简单，业务人员也容易理解计算成本低：对于大量SKU的快速预测，计算快，成本低稳定：使用了所有数据的平均值，单个周期内的异常波动影响结果小

缺点

数据实时性差：所有历史数据的重要性都一样，在理论上来说，距离时间越长远的数据的影响应该低于最近数据的影响。无法捕捉趋势：当数据呈现上升和下降趋势时，算数平均法会严重落后于趋势，预测结果会持续偏低或者偏高。比如一个持续上升销量的产品，算数平均值的需求预测值会严重落后实际销量。无法处理季节性销量：对于有明显季节性波动的产品（就如冰激凌和取暖桌），算数平均数会抹平季节性特征，会导致预测值在不同季节偏高与偏低时长反应迟钝：当需求发生永久性变化时，（例如产品突然受市场欢迎），算法需要很长时间才能达到最新的销量水平

五、适用场景

鉴于上面的优缺点，算数平均法适用于以下情况：

需求非常稳定的产品，没有明显的上升/下降趋势、没有季节性、没有周期性。进行快速、粗略的估算，对预测精度要求不高的场景产品生命周期非常成熟，需求波动极小的产品

上述这三类场景也显示了，算数平均数在实际的预测场景中可能没有太多的使用场景，毕竟如果已经达成了上面的这些条件的话，其实人工判断即可，预测对于辅助人工决策的意义不大。

所以，它一般是作为一个其他算法的一个比较基准，比如在引入更复杂的预测模型（指数平滑法、ARIMA模型等）之前，可以先使用算数平均法快速建立一个基准线，其他的新模型的预测精度应该显著由于这个基准，才有预测的价值。