在經歷與很多客戶的溝通后，發現一個比較有趣的現象，就是對統計技術的認可度的差異。一類公司認為一個需求預測管理體系的主要價值就是統計模型，因此，他們不停問你有什么他們行業適用的模型或公式，并很快要求用他們的歷史數據驗證模型的準確性—盲測。而另一類公司認為，統計模型沒有什么價值，他們之前也在使用EXCEL，或者在SAP APO里做過，統計預測不準確，也不知用了什么模型，完全黑盒，系統只是告訴你這是Best Fit，無從調整，最后只能放棄。這兩種態度折射出了不同的管理理念。

前者認為預測歸根結底是技術，所以模型是最重要的。實際上全世界的模型從原理上大體差異不大，因為統計技術是公理，不是那個公司的發明或可以壟斷的，只是在應用方式上略有差異，比如如何修正歷史數據，長周期預測如何自動調整偏差，以及如何組合應用等，當然近幾年出現了大數據技術，但是其對數據本身要求極高。但是不管何種統計技術，如果有一種最佳模型可以解決所有問題，那這個事情成為數學問題了。如果只是個數學問題，那一切就簡單了，找幾個數學博士不是問題。

而后者往往基于以前的應用經驗鄙視統計技術，認為市場，特別是中國市場是不能靠理性預估的。他們的觀點基于市場的無法分析性，但實際上如果否定市場的可預測性和引導性，則否定了市場部存在的價值。因為在市場看來，不僅可預測，而且還可以引導。其實再動蕩的市場也不是完全無規律的，極端如同中國的股票市場，大家還是在積極的做各種分析和展望，并且每次都是據情據理，深入透徹，屢敗屢戰，永不言棄。如果公司也能拿出股評家的激情去預估公司的未來市場，其可靠性一定大大超過對于股市的預測。

在實際業務中我們都知道，如果不了解渠道庫存，不了解促銷政策，不了解市場環境變化等，無論何種統計技術，預測都將是一場賭博。因此，后者的觀點相對于前者更加全面，因為他們認可需求預測主要是管出來的，不是算出來的。

即使技術占有一定比重，統計技術也只是預測技術的十分之一

我們整體認為需求預測管理中其管理的比重遠大于技術，但是也有一定的行業差異，比如偏向利用終端數據進行預測的零售行業其技術比重要遠高于其他行業。但是所需應用的預測技術中統計技術又只是其中一個部分。在實務操作中，對于需求預測經理而言最重要的挑戰是如何選擇合適的統計技術， 因為現在有各種成熟的需求預測系統來減輕需求預測人員在實際操作中的數據處理壓力，所以我們將著重在于如何基于統計技術的應用場景選擇合適的統計技術，而并不著重在對技術本身進行講解。我們只要會開車，不需要了解車是如何造出來的。如果對技術本身有興趣者，市場上有很多專業書籍可以學習。今天我們要和大家概要分享的預測技術，不僅僅是統計技術，還有其他各種預測技術：

1. 商業環境分析技術（Business Environmental Analysis）：建立外部環境變化對業務影響度的相關性分析機制。

2. 歷史修正技術（Data Cleansing）：將異常因素對歷史銷售所產生的影響（離群值）進行剝離。

3. 趨勢衰減技術（Trend Damping）：在使用趨勢類統計技術進行中長期預測時，對趨勢幅度進行合理修正，使其更加接近真實的業務環境。

4. 分解和聚合技術（Aggregation and Disaggregatoion）：需求預測管理中最重要的技術，用于支持多維度和多層次數據之間的自動協同。分解法主要分為同期法和環比法，而聚合主要基于層級樹自動生成。

5. 組合預測技術（Weighted Forecasting）：該技術主要用于支持基于多角色的協同，通常的協同是定性協同，而組合預測技術可以達成定量協同。

6. 分類技術（Segmenting Technology）：選擇統計技術之前，首先要對產品進行分類，因為實際業務中，我們不可能也不應該按每個SKU來運行統計預測。因此，合理的分類非常重要。

7. 統計預測技術(Statistic Forecasting)：統計預測是在大量統計資料的基礎上，運用社會、經濟、環境統計和數理統計方法研究事物發展變化趨勢和方向的預測方法。

8. 滾動預測技術（Rolling Forecasting）：在實際業務中，公司的預測是按預定義的期間粒度進行滾動的，并連續生成N個未來期間的預測。

9. 模型優選和預警技術（Best Fit & Warning）：基于對統計偏差的綜合評估，幫助使用者自動選擇最佳模型一種偏差分析技術，同時該技術也適用于對模型適用性的預警。

10. 預測策略定義（Forecasting Strategy）：最后這個技術幫助大家在實際業務中，如面對上千的產品和上千客戶時，如何綜合利用上述9種技術形成最佳預測策略。