什么是需求预测？
需求预测，是指基于历史订单、出货或消耗数据，结合季节规律与外部因素，推算未来各周期产品需求量的分析过程。在制造企业里，它的输出直接决定排产节奏、原材料备货量与库存水位。
真正的难点不在算法，而在颗粒度。多数工厂手里只有月度汇总，可产线排班、物料齐套、班组调配全都是按周甚至按天走的。月度数字一摊到周，季节性和促销脉冲就被抹平了，计划部门只能靠经验补差额。把颗粒度做到周级，并且能拿历史区间回测验准，这件事的价值远大于换一个更花哨的模型。
本用例的能力可直接复用到制造业数据分析解决方案与供应链分析解决方案，两者共用同一套数据接入与建模底座。
这个用例解决什么问题
不是给计划员一个数字，而是给他一条能追溯、能复算、能每周自动刷新的预测链路。
需求预测：五类方法的适用边界
选型前先回答两个问题：数据里有没有明显的季节周期，以及有没有促销、价格、天气这类外部变量要一起喂进去。下表按这两列来分。
| 方法 | 处理季节性 | 可引入外部变量 | 典型适用场景 |
|---|---|---|---|
| 移动平均 / 指数平滑 | 弱 | 否 | 需求平稳、只求快速基线，作为对照组 |
| ARIMA | 否 | 否 | 有趋势但无明显周期的单一序列 |
| SARIMA | 强 | 否 | 周期规律稳定的制造与零售需求，本用例采用 |
| SARIMAX | 强 | 是 | 促销、价格、原材料行情等外部因素影响显著 |
| 机器学习 / 深度学习回归 | 依赖特征 | 是 | SKU 数量多、非线性强，且有足够样本量与算力 |
从 SARIMA 起步是务实的选择：它把季节周期作为显式参数，结果能讲清楚，比黑箱模型更容易在产销协同会上被接受。等基线跑稳、误差有了参照系，再考虑引入外部变量或换更复杂的模型。相关算法节点可查看统计分析与机器学习功能页。
需求预测：从历史订单到滚动预测的四步流程
下图是完整工作流的结构：左侧一路数据进来，中段分成回测与前瞻两条并行支线，右侧汇成一张带误差指标的对照图。
1. 数据接入与产品选择
读取历年订单或出货明细，按品类筛选出要预测的产品线。换一个品类只需改这一步的选择项，下游全部自动重跑。
2. 按周聚合与时序探索
把明细汇总成周需求量，先看趋势与季节性再动手建模：周期是 52 周还是 13 周、有没有明显的年度增长、异常周是促销还是停线，这些判断决定了模型参数怎么设。
3. 双支线并行建模
回测支线用 2020-2023 训练、预测 2024 的 52 周，用来验准；前瞻支线用完整五年数据训练，直接推出 2025-2026 的 104 周。两条线共用同一套预处理结果，口径一致。
4. 合并、评分与交付
预测值与真实值对齐后计算误差指标并绘制对照曲线。选定模型后，可把整条链路设为每周自动刷新的定时任务，或包装成数据应用交给计划员自助使用。
