式汉理工大学《供应链管理》课程案例武汉理工大学物流工程学院案例：国内某空调生产企业销售预测体系构建预测是根据对事物历史发展状况的统计分析，推测事物未来的发展趋势。对于生产制造型企业而言，销售预测不仅是企业制定生产计划的基础，也是企业制定采购计划和库存管理策略的重要参考依据。因此，做好销售预测对于企业的经营与发展具有重要的现实意义。作者负责参与了国内某空调生产企业供应链管理咨询项目的研究，在此结合实证分析就空调生产企业销售预测体系和方法进行探讨。1、销售预测的定位与现实问题经过我们的实际调研，发现很多企业首先对销售预测的定位在认识上还存在一定的偏差。一方面表现为销售预测“无用论”，即企业在制定年度经营计划时并没有一套比较科学完善的销售预测体系作为支撑，而仅仅是利用决策者的主观判断确定的经验值。另一方面表现为销售预测“方能论”，即完全以量化预测模型的预测运算结果作为决策结果，过于依赖销售预测的结果，而缺乏理性的思考与分析，误以为预测精度高便万事无忧了。这两种表现形式是销售预测管理过程中的两个极端。而事实上，销售预测仅仅是依据历史销售数据和其他影响销售的因素进行统计分析后得出的结果，预测结果不可能百分之百地准确，它只能对经营管理者的经营决策起到辅助性的参考作用。所以，销售预测固然重要，但又不能生搬硬套，缺乏生产经营的灵活性。另外，从销售预测体系方面看来，“自上而下”的销售预测体系能够有机地利用更多的数据资源，从整体上把握企业的生产经营方向。但是，为了提高销售预测的精确度和预测工作的顺利开展，需要管理部门和销售部门进行大量的谈判、协调，耗费的时间和成本相对较多。而且，销售预测不能与紧贴终端销售市场，销售预测精度当然也就难以提高。所以这种方法并不可取。而“自下而上”的销售预测体系通过基层销售数据的收集和销售人员的参与，能够提高销售预测的准确度，产生更为切实可行的销售计划。这也是目前生产企业一般采用的销售预测体系。但同时，也应该注意到普遍存在的影响企业销售预测体系实施的相关操作问题：（1）销售人员可能有意低估或高估他们的销售额。当预测销售额成为一种任务定额时或者当销售人员想通过打破预测销售额充当英雄好汉时他可能会低估销售。当销售人员想取悦其销售经理或想保住工作或维持一种不现实的热情时，他就会高估预测销售额。同样，如果销售人员不理解如何进行预测或没有适当的预测工具，高估或低估销售的情况也会发生。（2）销售人员常常抵制销售预测与计划。因为许多企业将销售预测作为制定销售人员销售任务定额和绩效考核的主要依据，并将销售人员完成计划任务程度与其收益挂钩，从而增加了销-
《供应链管理》课程案例 武汉理工大学物流工程学院 1 案例：国内某空调生产企业销售预测体系构建 预测是根据对事物历史发展状况的统计分析，推测事物未来的发展趋势。对于生产制造型 企业而言，销售预测不仅是企业制定生产计划的基础，也是企业制定采购计划和库存管理策略的 重要参考依据。因此，做好销售预测对于企业的经营与发展具有重要的现实意义。作者负责参与 了国内某空调生产企业供应链管理咨询项目的研究，在此结合实证分析就空调生产企业销售预测 体系和方法进行探讨。 1、销售预测的定位与现实问题 经过我们的实际调研，发现很多企业首先对销售预测的定位在认识上还存在一定的偏差。 一方面表现为销售预测“无用论”，即企业在制定年度经营计划时并没有一套比较科学完善的销 售预测体系作为支撑，而仅仅是利用决策者的主观判断确定的经验值。另一方面表现为销售预测 “万能论”，即完全以量化预测模型的预测运算结果作为决策结果，过于依赖销售预测的结果， 而缺乏理性的思考与分析，误以为预测精度高便万事无忧了。这两种表现形式是销售预测管理过 程中的两个极端。而事实上，销售预测仅仅是依据历史销售数据和其他影响销售的因素进行统计 分析后得出的结果，预测结果不可能百分之百地准确，它只能对经营管理者的经营决策起到辅助 性的参考作用。所以，销售预测固然重要，但又不能生搬硬套，缺乏生产经营的灵活性。 另外，从销售预测体系方面看来，“自上而下”的销售预测体系能够有机地利用更多的数据 资源，从整体上把握企业的生产经营方向。但是，为了提高销售预测的精确度和预测工作的顺利 开展，需要管理部门和销售部门进行大量的谈判、协调，耗费的时间和成本相对较多。而且，销 售预测不能与紧贴终端销售市场，销售预测精度当然也就难以提高。所以这种方法并不可取。而 “自下而上”的销售预测体系通过基层销售数据的收集和销售人员的参与，能够提高销售预测的 准确度，产生更为切实可行的销售计划。这也是目前生产企业一般采用的销售预测体系。但同时， 也应该注意到普遍存在的影响企业销售预测体系实施的相关操作问题： （1）销售人员可能有意低估或高估他们的销售额。当预测销售额成为一种任务定额时或者 当销售人员想通过打破预测销售额充当英雄好汉时他可能会低估销售。当销售人员想取悦其销售 经理或想保住工作或维持一种不现实的热情时，他就会高估预测销售额。同样，如果销售人员不 理解如何进行预测或没有适当的预测工具，高估或低估销售的情况也会发生。 （2）销售人员常常抵制销售预测与计划。因为许多企业将销售预测作为制定销售人员销售 任务定额和绩效考核的主要依据，并将销售人员完成计划任务程度与其收益挂钩，从而增加了销
武汉理工大学《供应链管理》课程案例武汉理工大学物流工程学院售人员的收益风险。（3）需要销售人员对销售预测方法体系有比较全面的认识和了解，要学会掌握和运用销售预测的基本方法工具。（4）许多销售经理由于存在对销售预测的认识偏差，担心销售预测误差可能会反映出其能力有限或工作业绩较差，从而使得企业的销售预测工作难以推行实施。这些具体操作方面存在的问题，不是销售预测本身的问题。企业只能通过重组业务流程，制定相关的激励约束机制、政策，不断完善培训机制和绩效评价体系等措施来使问题得到解决。2、空调生产企业销售预测体系对于空调生产企业来说，销售预测是企业制定冷冻年度（每一年度的9月份～下一年度的8月份称为空调行业的一个冷冻年度）经营计划的重要依据，预测结果的准确与否对公司意义重大。因此，在分析目前销售预测体系存在的问题之后，我们考虑到空调行业季节性强的特点，着眼于以供应链管理的理念为基础，建立了如图1所示的多层次集成销售预测体系。空调生产企业多层次集成销售预测体系74+企业空调总量空调总量分规格销分部门分规格销售预测量售预测量销售预测量+++年度采购计划年度经营计划库存策略年度生产计划战术层作业层战略层图1空调生产企业多层次集成销售预测体系在多层次集成销售预测体系中，总量预测、分规格预测、分部门分规格预测针对的是不同的应用层面。但需要注意的是，为了维护预测的总体有效性，要确保三者在预测值总量上的一致性，即各层面的预测值之和要相等，且都应该等于销售总量预测值。销售总量预测是决策层制定年度经营计划的重要依据。企业战略层根据总量预测的结果（月度销量预测和年度总量预测），结合市场发展状况来确定企业年度经营任务。然后根据企业产能约束和资金等方面的约束，制定产销平衡计划，最终确定每月的总生产计划。由于空调品种繁多，仅仅对销售总量进行预测对于具体的生产计划安排来说意义并不大。因此，要将空调进行分类（如表1，在此不考虑窗机，对空调产品按照类型、规格和功率三个层次结构进行分类），然后依据历史销售数据进行分规格销售预测，以此作为指导生产计划和采购计划的依据。特别是对于当前压缩机市场处于卖方市场的情况下，空调总量分规格预测对于确定压缩机的年度采购计划是至关重要的。2
《供应链管理》课程案例 武汉理工大学物流工程学院 2 售人员的收益风险。 （3）需要销售人员对销售预测方法体系有比较全面的认识和了解，要学会掌握和运用销售 预测的基本方法工具。 （4）许多销售经理由于存在对销售预测的认识偏差，担心销售预测误差可能会反映出其能 力有限或工作业绩较差，从而使得企业的销售预测工作难以推行实施。 这些具体操作方面存在的问题，不是销售预测本身的问题。企业只能通过重组业务流程， 制定相关的激励约束机制、政策，不断完善培训机制和绩效评价体系等措施来使问题得到解决。 2、空调生产企业销售预测体系 对于空调生产企业来说，销售预测是企业制定冷冻年度（每一年度的 9 月份～下一年度的 8 月份称为空调行业的一个冷冻年度）经营计划的重要依据，预测结果的准确与否对公司意义重大。 因此，在分析目前销售预测体系存在的问题之后，我们考虑到空调行业季节性强的特点，着眼于 以供应链管理的理念为基础，建立了如图 1 所示的多层次集成销售预测体系。 分部门分规格 销售预测量 年度采购计划 年度生产计划 年度经营计划 空调总量分规格销 售预测量 企业空调总量 销售预测量 库存策略 战略层 战术层 作业层 空调生产企业多层次集成销售预测体系 图 1 空调生产企业多层次集成销售预测体系 在多层次集成销售预测体系中，总量预测、分规格预测、分部门分规格预测针对的是不同 的应用层面。但需要注意的是，为了维护预测的总体有效性，要确保三者在预测值总量上的一致 性，即各层面的预测值之和要相等，且都应该等于销售总量预测值。 销售总量预测是决策层制定年度经营计划的重要依据。企业战略层根据总量预测的结果（月 度销量预测和年度总量预测），结合市场发展状况来确定企业年度经营任务。然后根据企业产能 约束和资金等方面的约束，制定产销平衡计划，最终确定每月的总生产计划。 由于空调品种繁多，仅仅对销售总量进行预测对于具体的生产计划安排来说意义并不大。 因此，要将空调进行分类（如表 1，在此不考虑窗机，对空调产品按照类型、规格和功率三个层 次结构进行分类），然后依据历史销售数据进行分规格销售预测，以此作为指导生产计划和采购 计划的依据。特别是对于当前压缩机市场处于卖方市场的情况下，空调总量分规格预测对于确定 压缩机的年度采购计划是至关重要的
武汉理工大学《供应链管理》课程案例武汉理工大学物流工程学院表1空调产品分类表柜机单冷小2P、2P、小3P、3P、5P冷暖小2P、2P、3P、5P电辅小2P、2P、小3P、3P、5P分体机单冷小1P、1P、小1.5P、1.5P、小2P、2P、小3P冷暖小1P、1P、小1.5P、1.5P、小2P、2P、小3P分部门分规格销售预测，是由各地区销售部门根据本地区市场状况和历史销售计划任务完成情况，做出主观预测，并输入到预测系统模块中，系统自动返回综合预测值。生产企业销售部门据此可以结合企业年度生产经营计划和区域市场实际情况，对上述系统自动返回的综合预测值加以修正，从而制定地区销售部门的销售任务计划。这样有利于物流部门科学合理地进行库存管理决策和制定合理的补货策略。此外，在很大程度上还可以克服自前销售部门刻意回避销售任务或人为制定超高销售目标的弊端。同时，分部门分规格销售预测还能够作为生产企业考核地区销售部门业绩的一个重要依据。3、销售预测方法的选择目前，国内很多企业在进行销售预测时，使用的基本上都是单一预测模型的独立预测方法。特别是对于空调行业，季节性强，影响空调销售的主要因素比较明显，采用最多的就是经典时间序列分解法。在此，我们建议在采用时间序列分解法、回归分析法和主观预测法等多种方法进行预测的基础上，对各种方法进行权重的动态分配，实施综合预测。如图2。我们对上述提到的国内某空调生产企业的研究实践也表明，综合预测能在很大程度上提高预测的精度。行业销售历史数据、企业销售历史数据、气温数据、销售政策、竞争对手状况等数据资料其他预测方法回归分析主观预测时间序列预测★★+企业月度企业月度/企业月度/企业月度旬预测值旬预测值旬预测值旬预测值误差分析误差分析误差分析误差分析综合预测权重分配月/旬综合预测值图2综合销售预测方法体系3.1经典时间序列分解法经典时间序列分解法的指导思想是，历史上的销量模式可以分解为四组成份：趋势成份、季节成份、周期成份和随机成份。若以T表示趋势水平，S表示季节影响指数，C表示周期影3
《供应链管理》课程案例 武汉理工大学物流工程学院 3 表 1 空调产品分类表 类 型 规 格 功 率 柜 机 单冷 小 2P、2P、小 3P、3P、5P 冷暖 小 2P、2P、3P、5P 电辅 小 2P、2P、小 3P、3P、5P 分体机 单冷 小 1P、1P、小 1.5P、1.5P、小 2P、2P、小 3P 冷暖 小 1P、1P、小 1.5P、1.5P、小 2P、2P、小 3P 分部门分规格销售预测，是由各地区销售部门根据本地区市场状况和历史销售计划任务完 成情况，做出主观预测，并输入到预测系统模块中，系统自动返回综合预测值。生产企业销售部 门据此可以结合企业年度生产经营计划和区域市场实际情况，对上述系统自动返回的综合预测值 加以修正，从而制定地区销售部门的销售任务计划。这样有利于物流部门科学合理地进行库存管 理决策和制定合理的补货策略。此外，在很大程度上还可以克服目前销售部门刻意回避销售任务 或人为制定超高销售目标的弊端。同时，分部门分规格销售预测还能够作为生产企业考核地区销 售部门业绩的一个重要依据。 3、销售预测方法的选择 目前，国内很多企业在进行销售预测时，使用的基本上都是单一预测模型的独立预测方法。 特别是对于空调行业，季节性强，影响空调销售的主要因素比较明显，采用最多的就是经典时间 序列分解法。在此，我们建议在采用时间序列分解法、回归分析法和主观预测法等多种方法进行 预测的基础上，对各种方法进行权重的动态分配，实施综合预测。如图 2。我们对上述提到的国 内某空调生产企业的研究实践也表明，综合预测能在很大程度上提高预测的精度。 主观预测 企业月度/ 旬预测值 企业月度/ 旬预测值 企业月度/ 旬预测值 时间序列预测 回归分析 误差分析 误差分析 误差分析 综合预测权重分配 月/旬综合预测值 行业销售历史数据、企业销售历史数据、气温数据、销售政策、竞 争对手状况等数据资料 其他预测方法 企业月度/ 旬预测值 误差分析 图 2 综合销售预测方法体系 3.1 经典时间序列分解法 经典时间序列分解法的指导思想是，历史上的销量模式可以分解为四组成份：趋势成份、 季节成份、周期成份和随机成份。若以 T 表示趋势水平， S 表示季节影响指数， C 表示周期影
武式汉理工大学《供应链管理》课程案例武汉理工大学物流工程学院响指数，R表示随机成分影响的残差指数。则有销量预测模型：F=T×S×C×R。但是实践中，好的模型的R一般等于1.0，而且在很多情况下很难将周期性变化从随机波动中分离出来，通常令C=1.0。所以，实际的预测模型常被简化为仅包括趋势和季节性因素，即：F=T×S。在利用经典时间序列分解法进行空调行业冷冻年度销售预测时，对历史数据的选取需要注意的是，由于每年春节所在月份空调销售量波动较大，而且春节所在月又不固定，如果不加处理势必会影响最终的预测结果。特别是计算季节指数时需要考虑如何灵活处理这方面的数据。我们在为国内某空调生产企业进行销售预测时所采用的是“先剔后补”的方法，首先剔除历时数据中春节所在月份的数据，在冷冻年度（除去春节所在月）的时间序列分解预测完成之后，依据一定的比例预测春节月份销售量。经检验，这样处理后的预测效果比较显著。3.2多重回归分析法根据现象之间的相关关系，建立多个自变量的回归模型，当变量间的结构关系在未来没有大的变动时，以自变量的预测值求得预测对象的未来值，这种方法即为多重回归分析。采用多重回归分析法进行预测时，首先需要对影响空调产品销售的主要因素（如行业发展情况、温度、人均收入、房地产等）进行分析，通过建立回归模型，对每个参数进行F检验和t检验的统计分析找出与空调产品销售量存在显著相关性的影响因素，最终确定空调产品销售量和这些影响因素之间的量化函数关系。3.3主观预测法主观预测法就是由企业的总负责人把与市场有关或熟悉市场情况的各部门负责人员（包括主管供销、生产、财务、产品开发与研究等人员）和中层管理部门的负责人（包括计划科、销售科、财务科、采购供应科等部门的管理决策人员）召集起来，让他们对未来的市场发展形势或某一重大市场问题发表意见，做出判断。然后，将各种意见汇总起来，进行分析研究和综合处理最后得出主观的销量预测结果。3.4综合预测综合预测的关键在于对各种单一方法进行权重分配，分配的原则和指导思想就是“误差决定权重”。先分别对每种预测方法的预测结果进行误差分析，根据每种方法平均误差大小确定其在下一期销量综合预测中所占的权重。平均误差越大，权重越小，即如果某种方法上几期预测平均误差较大，那么综合预测中应该使该方法对预测结果的影响程度越小，所以对其分配较小的权重。当然，每次对下一期的综合预测，对每种方法的权重分配应该是动态的，而不是静态固定的。平均误差的确定可以取历史各期预测误差的平均值，也可以取近几期预测误差的平均值。然后以各种单一方法的预测结果和相应的权重进行加权，即可得到预测期销量的综合预测值4
《供应链管理》课程案例 武汉理工大学物流工程学院 4 响指数， R 表示随机成分影响的残差指数。则有销量预测模型： F T S C R 。但是实践中， 好的模型的 R 一般等于 1.0，而且在很多情况下很难将周期性变化从随机波动中分离出来，通常 令 C 1.0。所以，实际的预测模型常被简化为仅包括趋势和季节性因素，即： F T S 。 在利用经典时间序列分解法进行空调行业冷冻年度销售预测时，对历史数据的选取需要注 意的是，由于每年春节所在月份空调销售量波动较大，而且春节所在月又不固定，如果不加处理 势必会影响最终的预测结果。特别是计算季节指数时需要考虑如何灵活处理这方面的数据。我们 在为国内某空调生产企业进行销售预测时所采用的是“先剔后补”的方法，首先剔除历时数据中 春节所在月份的数据，在冷冻年度（除去春节所在月）的时间序列分解预测完成之后，依据一定 的比例预测春节月份销售量。经检验，这样处理后的预测效果比较显著。 3.2 多重回归分析法 根据现象之间的相关关系，建立多个自变量的回归模型，当变量间的结构关系在未来没有 大的变动时，以自变量的预测值求得预测对象的未来值，这种方法即为多重回归分析。采用多重 回归分析法进行预测时，首先需要对影响空调产品销售的主要因素（如行业发展情况、温度、人 均收入、房地产等）进行分析，通过建立回归模型，对每个参数进行 F 检验和 t 检验的统计分析， 找出与空调产品销售量存在显著相关性的影响因素，最终确定空调产品销售量和这些影响因素之 间的量化函数关系。 3.3 主观预测法 主观预测法就是由企业的总负责人把与市场有关或熟悉市场情况的各部门负责人员（包括 主管供销、生产、财务、产品开发与研究等人员）和中层管理部门的负责人（包括计划科、销售 科、财务科、采购供应科等部门的管理决策人员）召集起来，让他们对未来的市场发展形势或某 一重大市场问题发表意见，做出判断。然后，将各种意见汇总起来，进行分析研究和综合处理， 最后得出主观的销量预测结果。 3.4 综合预测 综合预测的关键在于对各种单一方法进行权重分配，分配的原则和指导思想就是“误差决 定权重”。先分别对每种预测方法的预测结果进行误差分析，根据每种方法平均误差大小确定其 在下一期销量综合预测中所占的权重。平均误差越大，权重越小，即如果某种方法上几期预测平 均误差较大，那么综合预测中应该使该方法对预测结果的影响程度越小，所以对其分配较小的权 重。当然，每次对下一期的综合预测，对每种方法的权重分配应该是动态的，而不是静态固定的。 平均误差的确定可以取历史各期预测误差的平均值，也可以取近几期预测误差的平均值。然后， 以各种单一方法的预测结果和相应的权重进行加权，即可得到预测期销量的综合预测值
武汉理工大学《供应链管理》课程案例武汉理工大学物流工程学院这里取历史各期预测误差的平均值为例，简述具体的权重分配方法和综合预测过程：设F，表示第j种方法的第i期的销量预测值，Y，表示第i期的实际销量，以E表示第j种[Fj-Y,方法的第i期的预测误差，则：E元=Y.同时，以ME，表示第j种方法的平均预测误差；SE表示各方法的总平均预测误差；IPE，表ZE:SESE=ME, , ME, =示第j种方法占总平均预测误差的倒数。则有：IPE，ME;1JIPE;则第j种方法在综合预测中的权重为：，=IPE,j第i+1期的销量综合预测值可以表示为：Fi+=Zの,×Fπ。4、计算实例为了说明上述销售预测方法的效果，特别是综合预测方法在企业中的实际运用。以上文提到的国内某空调生产企业为例，进行实例演算（在此仅对企业销售总量进行预测）。4.1历史数据准备现有该企业2002年9月～2004年7月近两个冷冻年度的历史销售数据（如表2）。考虑到模型精度检验和误差分析的需要，我们选取了2002年9月～2004年4月的数据进行建模（在建模过程中，春节所在月份采用如前所述的“先剔后补”的方法。另外，剔除一些受销售政策因素影响较大的“奇异点”数据）。剩下的历史数据用于检验模型预测精度，进行误差分析。表22002年9月～2004年7月历史销售数据序号时间序号时间实际销量实际销量1112002年9月4,3892003年9月20,9422122002年10月11,9742003年10月18,7063132002年11月2003年11月34,95814,26141414,55046,7552002年12月2003年12月5春节2004年1月先剔后补2003年1月11,169春节152003年2月先剔后补2004年2月34,56461640,4412003年3月2004年3月68,4617172003年4月60,8832004年4月83,04982003年5月44,139检2004年5月109,6909验2003年6月72,8012004年6月140,600数102003年7月76,0222004年7月113,497据未知2003年8月奇异点2004年8月5
《供应链管理》课程案例 武汉理工大学物流工程学院 5 这里取历史各期预测误差的平均值为例，简述具体的权重分配方法和综合预测过程： 设 Fji 表示第 j 种方法的第 i 期的销量预测值， Yi 表示第 i 期的实际销量，以 E ji 表示第 j 种 方法的第 i 期的预测误差，则： i ji i ji Y F Y E ； 同时，以 ME j 表示第 j 种方法的平均预测误差； SE 表示各方法的总平均预测误差； j IPE 表 示第 j 种方法占总平均预测误差的倒数。则有： j j ME SE IPE ， j SE ME j ， i E ME j ji j 。 则第 j 种方法在综合预测中的权重为： j j j j IPE IPE 。 第 i 1 期的销量综合预测值可以表示为： j Fi 1 j Fji 。 4、计算实例 为了说明上述销售预测方法的效果，特别是综合预测方法在企业中的实际运用。以上文提 到的国内某空调生产企业为例，进行实例演算（在此仅对企业销售总量进行预测）。 4.1 历史数据准备 现有该企业 2002 年 9 月～2004 年 7 月近两个冷冻年度的历史销售数据（如表 2）。考虑到 模型精度检验和误差分析的需要，我们选取了 2002 年 9 月～2004 年 4 月的数据进行建模（在建 模过程中，春节所在月份采用如前所述的“先剔后补”的方法。另外，剔除一些受销售政策因素 影响较大的“奇异点”数据）。剩下的历史数据用于检验模型预测精度，进行误差分析。 表 2 2002 年 9 月～2004 年 7 月历史销售数据 序号 时 间 实际销量 序号 时 间 实际销量 1 2002 年 9 月 4,389 11 2003 年 9 月 20,942 2 2002年10月 11,974 12 2003 年 10 月 18,706 3 2002年11月 14,261 13 2003 年 11 月 34,958 4 2002年12月 14,550 14 2003 年 12 月 46,755 5 2003 年 1 月 11,169 春节 2004 年 1 月 先剔后补 春节 2003 年 2 月 先剔后补 15 2004 年 2 月 34,564 6 2003 年 3 月 40,441 16 2004 年 3 月 68,461 7 2003 年 4 月 60,883 17 2004 年 4 月 83,049 8 2003 年 5 月 44,139 检 验 数 据 2004 年 5 月 109,690 9 2003 年 6 月 72,801 2004 年 6 月 140,600 10 2003 年 7 月 76,022 2004 年 7 月 113,497 2003 年 8 月 奇异点 2004 年 8 月 未知