未來的預測為一直線? 有沒有搞錯 ?

如果在時間序列數據中未檢測到趨勢或季節性，則會發生扁平線預測，並將歷史的所有起伏視為隨機雜訊。 雖然扁平線預測通常是未來將要發生的事情的最恰當表示，但 Stellwagen 認識到管理層可能會拒絕或需要解釋。 為了使管理層接受這樣的預測並提高他們對規劃的有用性，可以添加置信區間以顯示預期的波動範圍。

以備用零件(之後簡稱備件)預測為例（間歇性，極低的需求量），Stellwagen 展示了扁線預測如何顯示預期需求（並可用於預測備件銷售收入）。 置信區間上限可以用來確定保留在庫存中的備件數量。

僅基於品項的過去需求歷史生成預測的預測技術被稱為時間序列方法。通常情況下，時間序列方法將捕捉歷史中的結構 - 例如當前的銷售水平，趨勢和季節模式，並推斷它們。

如果數據沒有趨勢且不是季節性的，則時間序列方法通常會生成一個反映當前銷售水平的扁平線預測。由於往往是不太能可相信在未來有扁平線的情況，因此向管理層提供扁平線預測可能需要解釋未來情景與未來統計預測之間的區別。這篇文章解釋了這種區別，並討論了扁線預測何時適用和不適用。

考慮下面顯示的兩個數據集。下圖表示每月需要維護商用設備所需的昂貴備件組件。請注意，歷史需求由整數組成，並且在任何給定的月份中等於0,1,2,3或4個單位。下圖下面代表巴西1849-1920年間一個城市的年降雨量。請注意，歷史上每年降雨量在50至250厘米之間，降雨量每年都會有很大差異。

月需求

年度降雨

上面數據集都沒有趨勢。數據集都不是季節性的。因此，他們的預測並不是趨勢性的，也不是季節性的 - 它們是平坦的。這並不表示未來對備件裝配或降雨量的需求將持平 - 這些數量將在未來繼續波動 - 它只是表明這些數量將如何波動並不完全基於歷史數據。預期的波動範圍由置信區間界限表示。

讓我們仔細看看我們的備件組件。預測為每月0.9個單位，置信上限設為97.5％。請注意，未來的預測不是未來可能的情景 - 我們不會在未來12個月內每月銷售0.9個單位 - 我們很可能在任何情況下繼續銷售0,1,2,3或4個單位/每月。問題在於未來訂單的時間和規模在過去的歷史中是不可知的。那麼我們的預測告訴我們什麼，我們如何使用它？

在統計意義上，預測值是在未來期間的期望值。根據模型，這實際值可能高於或低於這一點期望值。如果我們試圖估算我們裝配備件的預期收入，這正是我們想要的。我們可以採取我們的預測，並乘以我們的平均售價來確定我們的預期收入。如果我們想知道有多少備件組件要保存在庫存中，我們使用我們的置信區間的上限。

請注意，儘管我們的數據變化很大，並且我們的預測是平穩的，但預測和置信區間的準確性仍然對我們的收入計劃和庫存政策產生重大影響。因此，即使預測是平坦的，也要產生最準確的預測，這很重要。