简单指数平滑法的优劣

简单指数平滑法其实是移动平均法的一种，是加权移动平均，而且权重以几何级数递减。指数平滑法有一系列的优点，这里主要总结为三个方面：简单、响应、可以持续优化。

先说简单。采用移动平均法，移动几期平均，就得保留几期的需求历史，但对简单指数平滑法来说，我们只需要保留两个数值：上次实际值、上次预测值。这在计算机应用尚不广泛、人类的计算能力尚有限的时候，尤其重要。有时候，我们不得不佩服那些早在半个多世纪前就能够找到如此简单而美妙方法的研究者，是他们真正让我们感叹数学之美。

再说响应。简单指数平滑法是一种加权移动平均法，需求历史越近，其权重越大（见图1-4）。这意味着对于新近发生的需求，简单指数平滑模型可以很快捡起，反映到下一步的预测中，在快速纠偏上做得更好。这对延续性强的业务环境很有帮助。比如促销活动不断，很多时候，前端在促销，后端根本不知道，但简单指数平滑模型已经从昨天的销量探知了，驱动明天多补货。对于爆款，简单指数平滑法一般会比移动平均法的预测效果更好。

在备品备件领域，特别是高值慢动的产品，需求很不频繁，一旦发生，往往意味着很多（小概率事件不容易发生，一旦发生则意味着不再是小概率事件）：是不是这批设备用到一定年限了，需要更换相应的备件，或者产线在做什么预防性维修等。简单指数平滑法能够更迅速地捡起这一信号，尽快调整预测，驱动供应链尽快响应。我以前在备件计划领域，用的是由沃顿商学院的教授和博士们开发的软件，其中预测模块用的就是简单指数平滑法。

最后说持续优化。移动平均法的优化比较复杂，要么得用不同期数的需求历史，要么得用加权平均；简单指数平滑法就简单多了，只要调整平滑系数一个参数即可。我们可以手动代入不同的值，也可以在Excel中用Solver来进行平滑系数的择优。

鉴于上述优点，我鼓励大家除采用移动平均法外，还可多尝试简单指数平滑法，特别是在B2C行业，改变需求的行为比较多、需求的关联性比较高的情况下。B2B行业的情况也有些类似。比如产线上的某个关键备件坏了，可能意味着其他设备上的该零件都接近生命周期末期，我们当然希望预测模型给予这个最近发生的需求更多权重，而不是跟过去两年的需求简单平均掉——指数平滑法是绝好的选择。

当然，优点这么多，简单指数平滑法的挑战也不少：

其一，简单指数平滑法虽然只有一个系数，但该平滑系数的优化不易。常见的误区是高估业务的变动性，取较大的平滑系数，灵敏度是足够了，但有可能过度反应，放大“杂音”，降低预测准确度。

其二，简单指数平滑法适合短期预测，比如适合预测下一期的补货。但如果预测的时段长了，虽然我们假定未来每期的需求都一样，都等于下一期的预测，但时间跨度越长，这个假定越难成立。

其三，跟移动平均法一样，简单指数平滑法是滞后的，一旦需求表现出趋势、季节性等，指数平滑法就一直处于“追赶”状态，我们得考虑更合适的指数平滑模型，比如霍尔特指数平滑（趋势）模型和霍尔特–温特（季节性加趋势）模型。