Python | 需求预测模型【待续】

目录

需求预测

1.方法选择

2.颗粒度选择

3.在医药行业的应用

预测模型

1.模型对比

2.Prophet

3.Holt-Winters

---

需求预测

1.方法选择

方法	适用范围	分类
移动平均法	中小企业、SKU较少的卖家	低成本预测方案
Excel趋势线预测	中小企业、SKU较少的卖家	低成本预测方案
季节性系数法	中小企业、SKU较少的卖家	低成本预测方案
机器学习模型(XGBoost/LSTM神经网络)	大型企业、SKU>1万、需求波动大的行业(如3C/快消)	高阶预测模型
动态贝叶斯网络	大型企业、SKU>1万、需求波动大的行业(如3C/快消)	高阶预测模型
协同预测(CPFR)	大型企业、SKU>1万、需求波动大的行业(如3C/快消)	高阶预测模型

2.颗粒度选择

维度	SKU级预测	大类级预测	整体级预测
数据特征	数据稀疏（尤其长尾SKU）	数据较平稳	高度聚合，趋势明显
典型误差率	30%-50%（长尾品更高）	15%-25%	5%-10%
决策应用	采购订单/仓库补货	产能规划/原料采购	财务预算/战略规划
计算成本	高（需分布式计算）	中	低
灵活性	可捕捉单品波动	无法识别黑马单品	完全忽略结构变化

→实际不是颗粒度越细 预测就越准。

颗粒度选择策略：用最粗的颗粒度实现业务目标，仅在关键品项细化。

• 战略层用整体预测 → 把握方向
• 战术层用大类预测 → 优化资源
• 执行层对头部SKU精细化 → 降本增效

3.在医药行业的应用

医药特性：

需求特性	OTC	RX	生物制剂(含疫苗)
1	零售渠道主导(药店/电商占比高)	受带量采购政策直接影响	强突发性(如疫情爆发)
2	受广告投放和促销活动影响显著	医院库存主导(占销量70%以上)	超短效期
3	季节性波动明显(如感冒药冬季需求+200%)	医生处方习惯决定销量	接种率依赖政府计划

药品分类预测需遵循 "三层递进原则"：

1. 强制分层：生物制剂/RX必须独立预测（人命关天+政策敏感）
2. 推荐分层：OTC/中药/保健品按渠道特性细分（成本收益平衡）
3. 可选合并：低值耗材等长尾品类（避免过度细化）

预测模型

特性	Holt-Winters	Prophet
适用场景	单一、稳定季节性数据	复杂多季节性、含外部事件数据
数据需求	完整历史数据，明确周期	支持缺失值、异常点，灵活处理多源数据
灵活性	低（固定季节周期）	高（支持自定义季节性和节假日）
计算复杂度	简单（参数少）	较高（需拟合非线性趋势）
异常值处理	敏感，需人工干预	自动检测和调整
可解释性	高（直接分解趋势/季节）	中（依赖可视化解释）

1.模型对比

模型基础与结构：

Holt-Winters	Prophet
基于三重指数平滑（Triple Exponential Smoothing），直接建模时间序列的趋势、季节性和水平。	基于加法模型，将时间序列分解为趋势、季节性、节假日效应和外部变量（可选）。
仅支持单一季节性（如月/季度/年）。	支持多个季节性（如年、周、日的季节性）。
模型结构相对简单，参数少（平滑系数 α, β, γ）。	模型结构更复杂，包含变点检测、可配置的趋势增长（线性/逻辑）和傅里叶级数季节性。

季节性与节假日处理：

Holt-Winters	Prophet
季节性需手动指定周期（如 seasonal_periods=12），仅支持加法或乘法模型。	使用傅里叶级数自动拟合季节性，支持多周期（如同时拟合周+年周期）。
不支持节假日或事件的显式建模。	内置对节假日/特殊事件的支持，可自定义影响范围和强度。

自动化与易用性：

Holt-Winters	Prophet
参数需要手动调优（如平滑系数），对统计知识要求较高。	高度自动化，提供默认参数，适合非专业用户。
需自行处理缺失值和异常值。	自动处理缺失值，鲁棒性更强，支持异常值检测。

趋势建模：

Holt-Winters	Prophet
趋势为线性（可扩展为阻尼趋势）。	支持分段线性趋势或逻辑增长趋势，自动检测变点（Trend Changepoints）。
无法捕捉趋势变化（如市场突变）。	可识别历史数据中的趋势转折点，适应长期趋势变化。

 适用场景：

Holt-Winters	Prophet
适合简单季节性数据（如月度销量、能源消耗）。	适合复杂商业数据（如含节假日促销的零售数据、多周期影响的用户活跃度）。
数据需完整，无大量缺失值或异常。	对缺失值、异常值容忍度高，适合非平稳、有噪声的数据。

 二三方医药物流对比

物流模式	推荐模型	核心原因
二方物流（2PL）	Holt-Winters	数据简单稳定，需低成本、高可解释性方案，人工干预可行。
三方物流（3PL）	Prophet	需求动态性强，需灵活整合多源数据与外部事件，自动化处理异常。

对比维度	二方物流（2PL）	三方物流（3PL）
适用模型	Holt-Winters	Prophet
核心场景	单一业务源（如药企自有仓库），需求稳定、周期性明确（如季节性药品）。	多客户、多品类混合需求（如疫苗、慢性病药），需灵活响应外部事件（促销、政策调整）。
数据特征	- 数据规范、完整 - 周期性强（月/季度） - 历史数据充足	- 数据多源、异构 - 需求波动频繁 可能含缺失值或异常点
季节性处理	固定周期（如12个月），仅支持单一季节性	支持多季节周期（周、月、年）和节假日自定义
异常值鲁棒性	敏感，需人工干预修正异常数据	自动检测并平滑异常点，支持外部事件标记（如疫情突发需求）
外部变量支持	不支持，仅依赖历史时序数据	支持加入外部变量（如促销活动、温度波动、政策生效日期）
实施复杂度	- 参数少、调优简单 - 适合IT资源有限的团队	- 需配置季节性和节假日参数 - 依赖数据清洗与特征工程
典型用例	连锁药店感冒药库存预测（稳定季节性）	疫苗配送中心多客户需求预测（整合促销日历与突发订单）

输出与诊断：

Holt-Winters	Prophet
提供模型系数（α, β, γ）和统计指标（AIC/BIC）。	提供趋势、季节性和节假日的可视化分解图，直观展示各组分影响。
预测结果较难解释。	预测结果可解释性强，支持交互式图表分析。

2.Prophet

Prophet在医药物流中适用于需求预测、库存优化等场景，尤其在处理季节性和节假日效应时表现突出。但其在复杂外部因素和实时性要求高的场景需结合其他技术。实际应用中建议：

1. 优先验证历史数据的季节性模式；
2. 与业务部门合作定义关键事件变量；
3. 针对冷链等特殊需求进行模型后处理。

算法本质：
Prophet使用结构化时间序列模型（趋势+季节+节假日），通过梯度下降优化参数，属于监督学习框架。

功能特性：
支持自动化特征工程（如傅里叶项、事件标记）、超参数调优（如季节性强度的MCMC采样），与XGBoost/LSTM同为数据驱动的预测工具。

应用场景(医药物流)：

局限性：

3.Holt-Winters