需求预测首先是管理，其次才是技术
在经历与很多客户的沟通后，发现一个比较有趣的现象，就是对统计技术的认可度的差异。一类公司认为一个需求预测管理体系的主要价值就是统计模型，因此，他们不停问你有什么他们行业适用的模型或公式，并很快要求用他们的历史数据验证模型的准确性—盲测。而另一类公司认为，模型没有什么价值，他们之前也在使用EXCEL，或者在SAP APO里做过，统计预测不准确，也不知用了什么模型，完全黑盒，系统只是告诉你这是Best Fit，无从调整，最后只能放弃。这两种态度折射出了不同的管理理念。
前者认为预测归根结底是技术，所以模型是最重要的。实际上全世界的模型从原理上大体差异不大，因为统计技术是公理，不是那个公司的发明或可以垄断的，只是在应用方式上略有差异，比如如何修正历史数据，长周期预测如何自动调整偏差，以及如何组合应用等。如果有一种最佳模型可以解决所有问题，那这个事情成为数学问题了。如果只是个数学问题，那一切就简单了，找几个数学博士不是问题。
而后者往往基于以前的应用经验鄙视统计技术，认为市场，特别是中国市场是不能靠理性预估的。他们的观点基于市场的无法分析性，但实际上如果否定市场的可预测性和引导性，则否定了市场部存在的价值。因为在市场看来，不仅可预测，而且还可以引导。其实再动荡的市场也不是完全无规律的，极端如同中国的股票市场，大家还是在积极的做各种分析和展望，并且每次都是据情据理，深入透彻，屡败屡战，永不言弃。如果公司也能拿出股评家的激情去预估公司的未来市场，其可靠性一定大大超过对于股市的预测。
其实，后者的观点相对于前者更加全面，因为他们认可需求预测主要是管出来的，不是算出来的。统计技术只是预测管理的工具之一。
需求预测更多是管理，而不是技术。并且所需应用的技术中统计技术又只是其中一个部分。在实务操作中，对于需求预测经理而言最重要的挑战是如何选择合适的统计技术， 因为现在有各种成熟的需求预测系统来减轻需求预测人员在实际操作中的数据处理压力，所以我们在后续的阐述中将着重在如何基于统计技术的应用场景选择合适的统计技术，而并不着重在对技术本身进行讲解。我们只要会开车，不需要了解车是如何造出来的。如果对技术本身有兴趣者，市场上有很多专业书籍可以学习。接下来，我们要和大家分享的预测技术，不仅仅是统计技术，还有其他各种预测技术：
1. 商业环境分析技术（Business Environmental Analysis）：建立外部环境变化对业务影响度的相关性分析机制。
2. 历史修正技术（Data Cleansing）：将异常因素对历史销售所产生的影响（离群值）进行剥离。
3. 趋势衰减技术（Trend Damping）：在使用趋势类统计技术进行中长期预测时，对趋势幅度进行合理修正，使其更加接近真实的业务环境。
4. 分解和聚合技术（Aggregation and Disaggregatoion）：需求预测管理中最重要的技术，用于支持多维度和多层次数据之间的自动协同。分解法主要分为同期法和环比法，而聚合主要基于层级树自动生成。
5. 组合预测技术（Weighted Forecasting）：该技术主要用于支持基于多角色的协同，我们通常的协同是定性协同，而组合预测技术可以达成定量协同。
6. 分类技术（Segmenting Technology）：选择统计技术之前，首先要对产品进行分类，因为实际业务中，我们不可能也不应该按每个SKU来运行统计预测。因此，合理的分类非常重要。
7. 统计预测技术(Statistic Forecasting)：统计预测是在大量统计资料的基础上，运用社会、经济、环境统计和数理统计方法研究事物发展变化趋势和方向的预测方法。
8. 滚动预测技术（Rolling Forecasting）：在实际业务中，公司的预测是按预定义的期间粒度进行滚动的，并连续生成N个未来期间的预测。
9. 模型优选和预警技术（Best Fit & Warning）：基于对统计偏差的综合评估，帮助使用者自动选择最佳模型一种偏差分析技术，同时该技术也适用于对模型适用性的预警。
10. 预测策略定义（Forecasting Strategy）：最后这个技术帮助大家在实际业务中，如面对上千的产品和上千客户时，如何综合利用上述9种技术形成最佳预测策略。
后文将分十个部分阐述上述预测技术及其应用场景，敬请期待。