感谢各位读者厚爱，笔者的新书《供应链库存与计划管理》已经上架，并于本号设置内购。通过本公众号购买的读者，可以加入读者群交流，笔者将就书中内容知识，进行分享，讲解，不定期直播或录播。对疑问尽可能详细解答。
购书可点击以下（如书籍链接有问题可搜笔者闲鱼号 【林梦龙2024】 直接拍下即可或者私信联系笔者）
书籍目录可参考：
我的新书《供应链库存与计划管理：技术、方法与 Excel 应用》出版了
另外，由于一部分读者在笔者公布内购渠道前已经购买了，根据相应规则也可安排加入分享。
第一轮的分享课程开始陆续展开，参看：《供应链库存与计划管理》读者群分享课程内容
系列第一篇：时间序列预测法的循环渐进（一）
上一篇提到了简单的平均法。简单平均法就是认为过去的需求所遵循的规律延续到未来，而过去需求所产生的起伏，在于噪声，即随机因素，而未来不一定同样地发生这些随机因素。这些随机因素并不容易完全剔除出来或者它可能依然在未来发生，不过并非在相同的时间段上或者带来的影响都一样。
为此，简单平均法就是将这些随机因素而引起的起伏一并纳入，采取平均的方法，削峰填谷，并延续到未来的预测上。
预测中有是三个事实是离不开的，即预测总是错误的，汇总的预测会更准确以及距离现在更近的时间预测将会更准确。
最后一点的事实让简单平均法实现了一个提升。简单平均法对过去的所有数据都是一视同仁的，不管是过去的第12期期数，还是过去的第3期数据，它们所占的比重都相等。而对于预测而言，越接近现在的数据则越具备可信性。
简单平均法并不会舍弃某部分的历史数据，而这些“陈旧”数据对预测影响的比重和较新数据都是一样的。那么“陈旧”数据会影响到预测值，使预测值对现状不太敏感。，但是舍弃“陈旧“数据而只选取最新数据，固然可取，不过有时陈旧数据依然存在其应用价值，完全弃去又不全合适。那么移动平均法就是对于这点进行改进。
移动平均法适用于即期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动，是非常有用的。移动平均法根据预测时使用的各元素的权重不同，可以分为：简单移动平均和加权移动平均，以及指数移动平均。
移动平均法就是当出现实际值的时候，就把它作为新的观测值加入而舍弃最早的观测数据，从而让较新的数据在预测中起到重要的作用。
以下就是一个选择了3期和6期数据的移动平均的比较示例。
而加权移动平均就是更进一步地提升较新数据的重要性，对于不同时期的数据赋予不同的比重，比如采用三期数据的话，对应权重赋予为0.2，0.3和0.5。那么最新的数据获得比重越大，代表着它在预测中起到的作用就越大。
以下是加权移动平均法的示例
移动平均，不管是简单移动平均抑或是加权移动平均，继承了简单平均法的特点外，还考虑了历史数据的新与旧，对于预测的影响力不同，而更多地把较新的历史数据作为重要的计算依据加入到计算当中
移动平均法面临的问题是其实和简单平均法一样，就是应该选择多少期数据作为计算依据。
以上方法等均在笔者书籍有所介绍。
点个在看你最好看
