在讨论预测的技法之前，懂得预测的一般特征是重要的。最重要的特征可简述

        如下：
            １、预测将是错的

            ２、预测附上对误差的估计是最有用的

            ３、对于较大的物品组合，预测更准确些

            ４、对于较短的时间，预测更准确些

            当前合理的方法承认预测总是有误差的，而且虽然有许多工具可以改善预测的

        艺术，应用这些工具需投入的金钱与努力迅速达到报酬递减点。超过了这一点，对

        预测误差采取灵活态度将比试图改善预测要有利得多。最好的办法是去开发一个正

        式的预测计划与一种发现与度量预测误差的体制，然后快速地反应去校正这些误差。

        本章将详述这种办法。可以使用根据以往的实际与预测数据的对比或根据有识人士

        的意见作出的误差估计去制订应急计划。这些办法将使为响应预测误差而采取的校

        正行动加速并更为有效。每一预测应包含一个对预测误差的估计──该预测可能错

        到什么程度的表达式。这一估计可用预测的百分数（正或负）或作为最大值与最小

        值之间的一个范围。如第５章所述，在建立订货点时，有必要知道在提前期间估计

        的平均使用量以及最大的预期使用量这二者。后者，当然，是提前期间该需求预测

        的准确度的一个函数。预测误差的估计提供设置确定何时要采取行动（诸如重新计

        算ＥＯＱ或改变某一部门的生产率）的决策规则的基础。当实际需求落在预测范围

        之外时，可能有非随机性的影响存在因而采取行动是必要的。

        虽然进入市场的新产品最难预测，但在新产品预测中使用预测误差的估计往往

        比其它情况更为有利。新产品可能同在大类产品中已相当稳定的东西相当地相似。

        这种情况下，由于销售部门有销售类似物品的一些经验，市场营销部门有过去预测

        类似产品的经验，预期的预测误差可能是低的。另一方面，对市场上全新的一个产

        品，由于公司没有经验，预测可能失误到３００％之多。本书后面将详述在生产与

        库存控制中作出决策时预测误差的使用。
       
            一个基本的统计事实是即使总体作为整体具有非常稳定的特征，总体中每一个

        体的行为却是随机的。例如，要预测个别人的预期寿命是极为困难的，但保险公司

        能以高准确度预测大群个人的平均预期寿命。同理，虽然对个别物品的预测要受高

        度误差的支配，但对大系列制造产品作出相当高准确度的预测却是可能的。
       
            ┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┓
            ┃            第        三         季         度            ┃
            ┣━━━━━━━━━┳━━━━┳━━━━┳━━━━┳━━━━┫
            ┃    物      品    ┃预   测*┃ 实  际 ┃ 差  额 ┃差 额 ％┃     
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#7147 - 灯        ┃  47,600┃  42,784┃  - 4816┃  - 10.1┃
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#8014 - 钳子      ┃  12,800┃   9,125┃  - 3675┃  - 28.7┃
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#8663 - 锉刀      ┃   1,505┃   1,157┃  -  348┃  - 23.1┃
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#8726 - 纤维切断机┃  22,500┃  28,392┃  + 5892┃  + 26.1┃
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#8933 - 螺刀      ┃  10,100┃  11,394┃  + 1834┃  + 18.1┃
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#9250 - 剪切机    ┃  17,450┃  14,860┃  - 2590┃  - 14.8┃
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#9261 - 剪刀      ┃  28,500┃  27,733┃  -  767┃  -  2.7┃
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#9337 - 耙        ┃  68,000┃  68,105┃  +  105┃  +  0.2┃
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#9604 - 锄        ┃  27,200┃  17,566┃  - 9644┃  - 35.4┃
            ┣━━━━━━━━━╋━━━━╋━━━━╋━━━━╋━━━━┫
            ┃#9638 - 铲        ┃   3,320┃   4,638┃  + 1318┃  + 39.8┃
            ┣━━━━━━━━━┻━━━━┻━━━━┻━━━━┻━━━━┫
            ┃                     物 品 的 平 均 预 测 误 差     = 19.9┃
            ┣━━━━━━━━━┳━━━━┳━━━━┳━━━━┳━━━━┫
            ┃ 全  组  总  计   ┃ 238,975┃ 226,284┃- 12,691┃  -  5.3┃
            ┗━━━━━━━━━┻━━━━┻━━━━┻━━━━┻━━━━┛
              *  第二季度末的预测
                     图４－３    个别物品与全组物品的预测误差
       
            图４－３所示为对一组１０个物品的基本观察数据。对每一物品作出了该年度

        第三季度的预测。到该季度末，实际销售量与预测值作比较，可看出误差的百分数。

        对个别物品的预测，其平均误差为１９．９％，范围为高３５％到低４０％。但全

        组产品的预测误差只有５．３％，虽然其中只有两个物品的预测误差是这样小。

            图４－４所示为某一物品在一长期间中预测需求与实际需求的比较。该物品原

        来预测每周销量９００件，此预测值用了５０周没有修改，累计预测需求等于该预

        测值乘以周数，而累计实际需求是５０周内实际需求的总和。随着预测的延伸，累

        计预测误差呈增加趋势。例如，第二周未，偏离预测的数量是２００，等于周预测
       
       
               ┏━━━━━━━━━━━━━━━━━━━━━━━━━━┓
               ┃                   ＃９    物      品               ┃
               ┃                预    测  ＝ 每  周  ９００件       ┃
               ┣━━━┳━━━━┳━━━━┳━━━━┳━━━━━━━┫
               ┃周  次┃累计预测┃累计实际┃偏离预测┃ 偏离值表达为 ┃
               ┃      ┃  需求  ┃  需求  ┃的近似值┃周预测值的倍数┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃   ２ ┃   1800 ┃   2004 ┃    200 ┃     0.2      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃   ５ ┃   4500 ┃   5230 ┃    700 ┃     0.8      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃ １０ ┃   9000 ┃  10224 ┃   1200 ┃     1.3      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃ １５ ┃  13500 ┃  15465 ┃   2000 ┃     2.2      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃ ２０ ┃  18000 ┃  19912 ┃   1900 ┃     2.1      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃ ２５ ┃  22500 ┃  24472 ┃   2000 ┃     2.2      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃ ３０ ┃  27000 ┃  28712 ┃   1700 ┃     1.9      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃ ３５ ┃  31500 ┃  33312 ┃   1800 ┃     2.0      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃ ４０ ┃  36000 ┃  39120 ┃   3100 ┃     3.5      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃ ４５ ┃  40500 ┃  46785 ┃   6300 ┃     6.9      ┃
               ┣━━━╋━━━━╋━━━━╋━━━━╋━━━━━━━┫
               ┃ ５０ ┃  45000 ┃  54242 ┃   9200 ┃    10.2      ┃
               ┗━━━┻━━━━┻━━━━┻━━━━┻━━━━━━━┛
                          图４－４    预测视界上的预测误差
       
        值的０．２倍，而到了第３５周未，累计误差已达１８００件──约相当于２周的

        供应量。到第５０周未，累计误差约为１０周的供应量。一般，随着预测视界长度

        的增加，预测误差将趋于增大。

            随着预测者对于预测艺术知道得越来越多，一个好的预测系统将总是处于一种

        流动状态。该预测者可能开发新的技法，并希望用实际的公司数据去检验它。如果

        预测人要确定一种新的预测技法是否有效，他无需等待销售量的实现。他可以假设

        这预测是１年或２年前作出的，而用实际发生的数字去检验这种预测方法。

            图４－５所示为一简单例子。此例中，根据去年以前５年的销售量的平均值作

        出了每一季度销售指数。这一计算中不包括去年的实际销售量。这些数据要留作检
       
              ┏━━━━━━━━━━━━━━━━━━━━━━━━━━┓
              ┃         季  度  销  售  百  分  数  的  估  计     ┃
              ┣━━━━━━━━━━━━━━━┳━━━━━━━━━━┫
              ┃估计的季度销售百分数（根据去年┃去年实际的季度销售百┃
              ┃以前五年的实际销售量的平均值）┃分数                ┃
              ┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
              ┃      第一季度        ２１％  ┃    ２０．５０％    ┃
              ┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
              ┃      第二季度        ２９％  ┃    ３０．３０％    ┃
              ┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
              ┃      第三季度        ２９％  ┃    ２８．９０％    ┃
              ┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
              ┃      第四季度        ２１％  ┃    ２０．３０％    ┃
              ┣━━━━━━━━━━━━━━━╋━━━━━━━━━━┫
              ┃      总    计      １００％  ┃  １００．００％    ┃
              ┗━━━━━━━━━━━━━━━┻━━━━━━━━━━┛
                            图４－５    预测技法的检验
       
        验预测技法之用。这一非常简单的检验指出，对于去年，这一确定季度销售百分数

        的预测技法可算是相当准确的。如果检验年度是用于建立预测值的五年中一年，此

        技法将不是有效的，因为这些指数很可能同用来产生它们的历史数据很相关。检验

        的重要好处是预测人可以通过仿真他的预测技法去犯廉价的错误。如果一个预测系

        统被检验表明是好的，则在实用时它也可能将是好的。在重点预测法（１０）中，

        有一计算程序使用多种预选的预测模型来做这样一种仿真，并使用其中表现最好的

        一个模型于最近的数据去推测将来的需求。