Python | 需求预测模型

news2025/7/18 17:58:20

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

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。

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"：

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。