Naive 預測模型在所有情況下都適合預設的模型嗎?

Naive 模型的精神在於它可以輕鬆計算出來，只需最少的工作量和數據操作，因此無需昂貴的計算機或軟件或人員配置就能以幾乎沒有成本的方式生成預測。如果我們的系統和流程平均無法預測比 naive 模型好，那麼為什麼還要這樣麻煩呢？為什麼不停止做我們正在做的事情並使用  naive 模型來進行預測？

在現有預測流程沒有增加任何對預測有價值的訊息情況下，naive 模型(隨機漫步)可能不是合適的“預設”模型。naive 預測模型，它的預測在每一個新的實際值期間都會發生根本性變化，從而導致組織規劃過程的不穩定。例如，雖然一年的銷售結束在強勁最後一周，但 naive 模型預計明年每週會有1,000個單位，此時供應鏈將不得不加速。但是，如果我們只在新的一年的第一周實際只銷售100台，我們會在今年剩下的時間裡將預測更改為每週100台，並使供應鏈回降。這種上下波動可能發生在每個新實際值一但產生的時期。

供應鏈計劃人員無法在這種動盪不定的預測環境中運作，最終會以他們預期的一年“平均”值為代價來緩和自己的行為。因此，當預測過程沒有增加價值時，不是預設就用 naive 模型來進行預測，而是使用另一個簡化模型來緩解這種波動（例如移動平均，季節性隨機漫步或簡單指數平滑模型來預測）。只要確保這個預設模型的性能比現有流程更好，並且希望比 naive 模型(隨機漫步)更好！

作為實際考慮， 這個預設模型應包含在 FVA 階梯報告中，因此可以監控它的性能。在不太可能發生的情況下，它的表現比 naive 模型(隨機漫步)更糟糕，只要它不會顯著惡化，它具有為下游計劃流程提供穩定性的優勢。