1415
2023-12-20
物资需求预测是指根据设备本身结构或历史数据，通过科学方法做出的推测和判断，是供应链的重要一环，主要为供应链下游，如预生产、补货、库存管理、供应链运营等环节服务。按场景划分，物资需求预测一般分为事件驱动型与周期驱动型，这两种类型并不是完全孤立的，现实场景中通常两种都存在，只是其中一种占主导位置。
物资需求预测作为供应链管理全过程的发起点，承载着整个需求计划管理环节乃至整个供应链全链条协同是否高效准确的任务，对物资供应、基建、生产等专业的规划及建设起重要作用。然而，物资需求预测不准确将会直接导致两个重点问题，一是预测大于需求，存在供应商投诉风险；二是需求大于预测，存在供应商不供货（如遇到原材料上涨情况）风险。
01
物资需求预测有哪些优化空间？
不同于传统物流企业或供应链领域管理实践，电力物资采购与供应，受制于其行业特点与物资供应特性，目前物资（主要为配网物资，下同）需求预测统计、汇总工作更多地依靠相关人员经验及历史信息进行推断、统计。而且不同类别的电力物资的消耗规律性有所差异，需求发生具有离散性和间歇性特点，历史数据存在片断化及碎片化现象，导致目前的物资需求预测准确度较低。
目前，包括电网公司在内的多数企业，已经开展了不少需求预测领域的研究与实践，部分研究成果也已纳入企业供应链数字化转型任务。但由于电力物资供应链周期性明显、物资品类差异大，导致总体需求预测准确率较低，引发整个需求计划管理模块“需求预测——需求计划——采购计划”三个环节的脱节现象。例如，同一个业务链的工作，由于管理要求的不同，产生了计划早于预测、预测不服务于计划（应付指标考核）、机器预测准确率不如人为经验等问题。
图1 当前物资需求预测环节存在的问题
02
常见的物资需求预测方法/模型有哪些？
原则上，需求预测应作为供应链决策的基础。从预测对象角度出发，需求预测可划分为两大类：
1
第一类是独立需求预测，它不考虑需求预测对整个供应链环节的影响，只研究已知需求的分布但分布的参数未知、不平稳需求的时间序列预测、带有促销或淡旺季的阶段性需求预测等，通常可用贝叶斯、神经网络算法或其他方法对需求分布的参数进行估计。
2
第二类是供应链中的需求预测，它对生成的随机时间序列需求进行预测，这样可以在生成的不平稳或显著季节性等各种需求模式下对预测模型进行仿真分析，通常采用ARIMA（包括SARIMA/ARMA）回归、灰度模型等进行设计。
由于电力物资供应大多呈现出适用第二类方法的特性（配网物资需求不明确，年初概算只有金额，没有具体品类；配网投资计划下达、配网物资供应呈现阶段性、符合典型的时间序列样貌），因此目前市面绝大多数电力企业的需求预测，均选用如上所述的技术路线进行单一模型建模。同时，因为配网投资计划、配网典型设备材料清册的规范性问题（模型入参数据不准或不完善），导致模型设计伊始，就存在“测不准”的先天不足。
物流头部企业（京东、顺丰、菜鸟）的需求预测，是基于订单信息（事件驱动型）的基础数据建模，而电网的需求预测更接近制造业的生产模式，但因为“订单”无法在需求制定前形成（配网类项目可能在年初都没法生成，并且变更可能性大），因此他们（物流头部企业）的模型不适合电网企业。并且，为电网做需求预测的厂商，多采用单一模型建模方式，且在模型训练阶段，由于对电力物资的特殊性认识不足（投资计划有大量的政策导向、需要识别与剔除异常项等），导致实施效果均未达到立项要求，初步研判，并非技术门槛高，而是基础数据与建模策略选择的问题。
由于物资的种类和特点不一，且各类历史采购数据需先评估数据样本的准确性和相关性，此外还需考虑未来的“不确定性”，因此单一的预测模型难以适用于多种品类的电力物资。本文综合分析研究认为，物资需求预测研究的关键因素与难点应包括：
历史数据是否具备数据挖掘规模的特性，如真实性、完备性、时效性；
预测方法与物资需求特点是否一致，预测误差的控制，预测模型适用范围、可操作性及灵活性；
预测模型变量（自变量和因变量，如投资计划、生产计划、储备计划 、物资种类、数量等）的确定，如何将实际采购、生产、服务、财务、库存等因素与需求预测结合起来；
预测业务流程的有效管控，如对管理职责进行分工，明确使用、审核、申报职能权限，保证需求预测业务流和信息流的畅通。
03
如何确定合适的模型技术选型路线？
综上所述，基于单一模型的局限性与模型入参条件的限制，我们选择了第三类路线，即对实际的需求数据和需求背景进行分析，针对海量品类，通过敏感因素分析识别出模型关键影响变量后，再根据分析结果选择适当的预测方法，最后通过复合建模与验证进行预测。复合建模路线采用ARIMA+灰度模型复合校验，确保了模型结果适配需求量（采购量）差异较大的不同品类物资。
同时，由于电力物资品类具有每年存在物料调整替换、同品类内的部分物料使用场景相同、同一种物料不会出现在不同品类中等特点。因此，为适应品类的变动性、品类内往期物料的可替代关系及方便场景的使用，需求预测模型还分为如下两个部分：品类金额预测、同功能物料集采购数量预测。
品类采购金额预测。抽取历年品类内的物料的领用金额数据、投资计划数据，分别构建ARIMA、SVR、灰度模型（GM），预测未来一段时间内的需求金额。具体建模思路分为三步：品类物料集处理、品类金额预测模型建立和场景应用。
同功能物料集采购数量预测。首先通过数据分析结合人工的方式，对物料进行归类，同功能可相互替代的物料归为一类，形成同功能物料集；然后对物料集进行数据加工和指标设计，构建同功能物料集数量预测模型，为品类拆包物料数量提供建议。
图3 同功能物料集采购数量预测模型建模路线
04
如何验证/优化模型准确率？
一方面，通过构建复合模型对每年采购的物资进行预测和验证，并在系统记录各模型对物资预测的历史准确率，系统自动选取平均准确率最高的模型对当年物资进行预测，并在系统运行阶段不断训练提升准确率；另一方面，推送近年物资采购数量、均值、趋势等统计量作为辅助；再者，固化模型特征到系统，需求单位可补充特征数据以提高模型准确率或填报模型须增加的物资相应特征。
05
模型结果如何应用？
1.用于采购批次自动编排
需求预测结果作为年度采购量的评估标准，辅以采购量阈值，按品类自动归集成不同物资类型的年度采购批次（框架）任务安排，解决以往采购批次安排多为管理任务下达，缺乏数据支撑的痼疾。
2.用于补仓采购计划生成
需求预测结果与仓库库存数据基于WMS平台融合，通过蚁群算法等方式，真正实现智能供需匹配，形成合理的补仓采购计划。
3.用于配网物料清单（设备材料清册）梳理
基于BOM思路，通过需求预测模型，配合配网项目标准设计与典型造价工作，辅助典型配网项目的物料清单梳理工作，真正实现未来物资需求的自动导入与归集，释放数据要素价值。
06
模型能带来哪些成效？
管理上，通过需求预测模型打通“预测-计划-采购”协同链，实现需求计划自动生成，为市县等基层物资部门、项目部门减轻工作负担，为物资管理部门提供需求计划辅助决策参考。
成本上，通过数据服务平台集成需求预测相关功能，将物资预测工作前移。利用科学算法，提供具有参考价值的预测数据，以便需求计划管理人员开展物资需求预测与需求计划填报工作，实时查看物资采购过程与预测之间的数据关系，实现过程提醒及监控作用。
核心产品
技术服务
电力
金融
制造
政府
通用
粤公网安备44011602000517号