指數平滑法在上世紀50年代發展成熟，在實踐中應用很廣。百度百科上甚至說，“所有預測方法中，指數平滑是用得最多的一種”2。就我個人的經驗而言，在北美、歐洲的供應鏈領域，指數平滑已經是很常用3——跟來自這些地區的外資企業提起，熟悉指數平滑法的人挺多；但跟本土企業提起，熟悉的人就相對少多了。

對于時間序列的三種情況（隨機，趨勢，季節性），指數平滑法都有相應的方法來預測：簡單指數平滑法應對相對平穩的情況，霍爾特雙參數法應對趨勢，霍爾特—溫特模型應對季節性加趨勢。在闡述中，簡單指數平滑法往往也叫指數平滑法，我們這里談的就是簡單指數平滑法。

與移動平均法一樣，簡單指數平滑法用來預測下一步，把下一步的預測當做未來各期的預測，因此最適用于沒有明顯的趨勢、周期性的平緩情形。讓我們用x代表實際需求，f代表預測。那么，xt就是第t期的實際需求，ft+1就是下一期的預測，其中一部分來自上期實際值，剩余部分來自上期預測值，也就是說，是上期實際值與預測值的加權平均（公式1）。用另一種形式表述，就是下期的預測是在上期預測的基礎上，根據誤差做出一定的調整（公式2）。兩種表述，區別只是形式上的，而實質內容是一樣的。

ft+1=αxt + (1-α) ft （公式1）

ft+1= ft+ α (xt – ft) （公式2）

0 ≤ α ≤ 1

通過調整平滑系數α，就可以調整上期實際與預測值的權重：α越大，上期實際值的權重越大，上期預測值的權重越小，預測模型表現地越靈敏，越能盡快反映實際變化，當然也越受隨機因素影響，帶給供應鏈的波動也越大；α越小，上期實際值的權重越小，上期預測值的權重越大，越多的變動被當做“雜音”過濾掉，預測也表現得越平穩，給供應鏈的運營成本越低，但風險是沒法及時響應市場的需求變化。

經常有人問，這指數平滑法聽上去很玄妙，其中的“指數”是怎么來的？“平滑”又是如何平滑的？讓我們把上面公式1中的基本公式展開來闡述。我知道，你不喜歡這些公式，我也不喜歡。但是，為了表明我們比別人知道地多，有時候還不得不做一些簡單的推導——請相信，這是本書唯一的一點公式推導，你也不用記住詳細的公式。

如圖 1，讓我們把公式1層層展開，你會發現，需求歷史是按照（1-α）的等比級數綜合到預測中。比如第t期的權重是α（1-α）0，t-1期的是α（1-α）1，t-2期的是α（1-α）2，依次類推。因為1-α的值介于0和1之間，所以次數越高，需求歷史的權重就越小，以幾何數級衰減，這就是指數平滑法中“指數”的來歷。

從圖 1也能看出，指數平滑系數α越大，需求歷史的權重衰減地越快，也意味著最新需求歷史的權重越大，預測模型也就越響應。相反，α越小，需求歷史的權重相對衰減越慢，最新需求歷史所占權重也相對越小，預測模型也就越穩定。

這也讓指數平滑法比移動平均法更加靈活：（1）通過選擇不同的平滑系數，指數平滑法可以更好地匹配業務的變化；（2）加權式平滑，需求歷史越近，權重越大，讓指數平滑法能更快地響應需求變化。

在當今影響需求的方法越來越多，需求變動越發頻繁的情況下，指數平滑法的這些優點能給我們很多幫助，讓我們能夠盡快快速響應。比如門店或渠道在做促銷，前置庫位的需求突然增加；新產品導入，帶動關聯產品的需求；氣溫升高，帶動相應產品的需求，都可以通過指數平滑法盡快發現，及時驅動總倉補貨。

圖 1：指數平滑法中，需求歷史的權重按照指數級別衰減

簡單指數平滑法其實是移動平均法的一種，是加權移動平均，而且權重以幾何級數遞減。指數平滑法有一系列的優點，這里主要總結為三個方面：簡單，響應，可以持續優化。

先說簡單。對移動平均法來說，移動幾期平均，就得保留多少期的需求歷史；但對簡單指數平滑法來說，我們只需要保留兩個數值：上次實際值、上次預測值。這在計算機應用尚不廣泛，人類的計算能力尚有限的時候，尤其重要。有時候，你不得不佩服，這些半個多世紀前的研究者們，能夠找出這么簡單而美妙的方法來，真的數學美。

再說響應。簡單指數平滑法是一種加權移動平均法，需求歷史越新，其權重越大（參見圖 8），這意味著對于新近發生的，模型可以很快撿起，反映到下一步的預測中，在快速糾偏上做得更好。這對于延續性強的業務環境很有幫助。比如促銷、活動不斷，很多時候前端在促銷，后端根本不知道，但簡單指數平滑模型已經從昨天的銷量探知了，驅動明天多補貨。對于爆款，簡單指數平滑法一般比移動平均法的預測效果會更好。

在備品備件領域，特別是高值慢動的產品，需求很不頻繁，但一旦發生，往往意味著很多（小概率事件不容易發生，一旦發生則意味著不再是小概率事件）：是不是這批設備用到一定年限了，需要更換相應的備件，或者產線在做什么預防性維修等。簡單指數平滑法能夠更好地迅速撿起這一信號，盡快調整預測，驅動供應鏈盡快響應。我以前在備件計劃領域，用的軟件是由沃頓商學院的教授和博士們開發，其中預測模塊用的就是簡單指數平滑法。

最后說持續優化。移動平均法的優化比較復雜，要么得用不同期數的需求歷史，要么得用加權平均；簡單指數平滑法就簡單多了，只要調整平滑系數一個參數即可。我們可以手動代入不同的值，也可以在excel中用solver來幫助平滑系數的擇優。

鑒于這些優點，我鼓勵大家在移動平均法外，多嘗試簡單指數平滑法，特別是在b2c行業，改變需求的行為比較多，需求的關聯性比較高的情況下。有些b2b情況也類似。比如產線上的某個關鍵備件壞了，可能意味著其他設備上的該零件都接近生命周期末期，我們當然希望預測模型給這個最近發生的需求更多權重，而不是跟過去兩年的需求簡單平均掉——指數平滑法是絕好的選擇。

當然，優點這么多，簡單指數平滑法的挑戰也不少。

其一是簡單指數平滑法雖然只有一個系數，但該平滑系數的優化不易。相比移動平均法，指數平滑法更加“精致”，而這所有的“精致”，都是通過微調平滑系數這一個參數來實現，而且以抽象的指數方式衰減（而不是我們容易理解的線性方式）。就如越是精密的儀器，參數調整就越重要一樣，選擇合適的平滑系數對指數平滑法至關重要而，我們在后面還會講到。

其二是簡單指數平滑法適合于短期預測，比如預測下一期的補貨挺好，但要預測時段長了，雖然我們假定未來每期的需求都一樣，都等于下一期的預測，但時間跨度越長，這個假定越難成立。

其三，跟移動平均法一樣，簡單指數平滑法是滯后的，一旦需求表現出趨勢、季節性等，指數平滑法就一直處于“追趕”狀態，我們得考慮更合適的指數平滑模型，比如霍爾特（趨勢）和霍爾特-溫特（季節性加趨勢）模型。

此外，指數平滑法的名稱聽上去有點高大尚，高冷玄妙，容易嚇退“追求者”。其實這只是心理障礙，一旦突破，就沒有問題了——到現在為止，你已經讀完了指數平滑法上技術含量最高的部分，相信已經發現，指數平滑法其實也沒什難的，關鍵是要嘗試用起來，邊用邊改進。

更多供應鏈管理原創文章，請關注微信公眾號：供應鏈管理專欄

---

1 移動平均法（moving average，ma） 指數平滑法（exponential smoothing，es），csdn博客，作者tz_zs，https://blog.csdn.net/tz_zs/article/details/78341306。

2 百度百科，“指數平滑法”詞條。

3 forecasting methods and applications一書中，有一份比較老的調研，上世紀80年代做的，其中提到，在客觀的預測模型中，移動平均是企業最熟悉的方法，指數平滑法也位列前三（第518頁）。