對於有趨勢的季節需求，我們這里介紹一個常用的方法，准確度不是最高，但相對簡單易行。
我們先看一下季節性和周期性的區別。周期性是時間序列呈現出波浪形起伏，上下起伏，一般由商業和經濟活動引起。它不同於趨勢變 動，不是朝着單一方向的持續運動，而是漲落相間的交替波動；它也不同於季節變動，季節變動有比較固定的規律，而循環波動則無固定規律[1]。可以說，周期性和季節性都有波峰波谷，前者缺乏規律性，可預見性低；后者規律性強，容易預見。
提到季節性，人們想到的就是一年四季。這沒錯，不過季節性不一定非得要一年，一天、一周、一個月，甚至一個小時，一分鍾，都可以有季節性。比如你開個餐館，早飯、午飯和晚飯的需求量不同，對店面人工的需要早晨少，中午和晚上多，這是一天的季節性。同樣，作為餐館，周五、周六的生意一般最忙，而周二一般最清閑（這也在美國，很多餐館周二有特價的原因），這是一周的季節性。電商也類似，在一周里跟餐館的周期性正好相反：周末的時候，小姑娘們都出去逛街吃飯，沒多少人在網購；周二的時候，大家都窩在家里不出去，你會發現網購的量會更高——我在分析一個電商的業務時，看到類似的模式。
如果是單純的季節性，季度與季度之間沒有趨勢的話，我們可以求出每個季節跟平均值比較，用來預測下一年各季的需求。就如下面的例子中，上年四個季度的平均值已知（2500個），根據每個季度的需求，就可求出每個季度對應的季度系數。
季度 需求 季節性系數
春季 2000 2000/2500 = 0.8
夏季 3500 3500/2500 = 1.4
秋季 3000 3000/2500 = 1.2
冬季 1500 1500/2500 = 0.6
假定這個產品每年以30%的趨勢增長，那么下一年的總預測就是13000，每個季度的平均預測是13000/4=3250，相應地可以預測每個季度的需求：
季度 預測
春季 3250 * 0.8 = 2600
夏季 3250 * 1.4 = 4550
秋季 3250 * 1.2 = 3900
冬季 3250 * 0.6 = 1950
這其實也不難。有趣的是，讀因特爾前CEO格魯夫的書，其中提到，照相機用的膠卷就是這樣的季節性產品，即便在每年的需求量變化不大的情況下，在匈牙利的計划經濟時代，那些國營企業還是沒法生產出合適的量來（格魯夫是匈牙利裔）。計划經濟之“計划”性，可見一斑。
我們下面看一下季節性、趨勢並存的情況[2]。如圖 1，這個產品的銷量具有季節性，每四期是一個周期；同時，需求也呈現出趨勢。我們的任務是預測第13到16期的需求。這里的“期”可以理解為季度、月度、周、天等任何時間單元（案例中的期其實是季度）。
圖1：季節性和趨勢並存的時間序列
我們先求每一期的季節指數。如表 1，鑒於季節性每4期循環一次，我們把12期的數據分為三輪（可以理解為3年），求出每期的三輪平均值。每期的平均值與12期的總平均值相比，就得到該期的季節指數。比如第二期的平均值為176.7，12期的總平均為190.8，兩者相除，得到第二期的季節指數為0.93，意味着第二期是平均需求的93%（低於100%的話，可以理解為淡季；高於100%，可以理解為旺季）。
表1：季節指數的計算
接着我們求趨勢。在求趨勢前，我們先得去季節化，也就是每期的需求除以季節指數。如表 2，第④列就是假定沒有季節性時，每期的需求。圍繞第①和第④列的數據，我們來運行線性回歸（具體的做法后文會詳細談到），得出線性回歸方程為需求預測=152.44+5.91*期數。這里的5.91就是我們說的“趨勢”，也就是，每期比上期增加5.91個。這樣，我們就能夠求出不包含季節性的線性預測，見第⑤列。比如第13期的線性預測等於152.44+5.91*13=229.27，四舍五入為229。
最后一步呢，就是把季節指數反算進去，求得季節性調整后的預測，亦即我們最終需要的預測。這是拿線性預測（第⑤列）跟季節指數（第②列）相乘。比如第14期的最終預測就是235*0.93=218。
第①列的實際值和第⑥列的預測值相減，就得到第⑦列的預測誤差。圍繞該誤差，我們可以設置一定的安全庫存，來應對預測的不准確，也是需求的不確定性，計算的詳情見第二章“量化不確定性，設立安全庫存”部分。
表2：預測趨勢和季節性並存的情況
【實踐者問】這里介紹的季節性+趨勢的模型，跟霍爾特-溫特模型有什么區別？
【劉寶紅答】這里的模型簡單，但能夠優化的地方很有限，比如趨勢和季節性參數都沒法調整，所以模型比較“僵硬”，預測的准確度也受影響。在霍爾特-溫特模型中，我們可以調整三個平滑參數，提高模型的擬合度，也提高預測的准確度。
霍爾特-溫特模型就像個“三節棍”，靈活是靈活，但很難使——如果使得好，那可不得了。一般人還是用“兩節棍”或者簡單的棍子得了。
看到這里，有些人或許或問，現在的產品生命周期都這么短，哪能有兩年、三年、四年的需求歷史，讓我們來求這些季節指數、趨勢，預測未來的需求？從具體的成品來說，這或許沒錯；但對半成品、原材料、產能來說，卻未必。比如你是賣熱飲的，季節性非常明顯的產品（天氣冷了需求量大，熱了需求量小），熱飲的包裝就如快時尚，更新頻次相當高；但熱飲本身（半成品）和原材料的變化就沒那么大，生產線和工藝也是年復一年差不多，我們在半成品、原材料、產能層面還是可以做類似的預測，指導整個供應鏈更加有序地響應。
再比如在有些行業，壓貨行為非常普遍，人為制造了季節性。比如在圖 2中，某工業品企業的銷售習慣性地向渠道壓貨，1月份沒什么生意，2月份也沒多少，3月份是季末，考核時間到了，就拼命向渠道壓貨，需求大增；季度考核完了，4月份就沒多少生意，5月份稍微增長點，6月份是季末和半年考核，銷售沖量就更厲害。就這樣，三個月一個周期，業務上下起伏，多年來都如此。除了季節性，該企業的業務整體上一直在增長，是典型的季節性+趨勢。
圖2：銷售壓貨沖量，人為造成業務的周期性起伏
銷售的壓貨行為，后面有深刻的績效考核、組織行為和產品競爭力等原因，這里不細講[3]。作為供應鏈，我們除了抱怨，還可以用這里講的方法，預測銷售的壓貨行為，盡量來驅動供應鏈有序應對。當然，我說這些，並不是說“金有狼牙棒，宋有天靈蓋”，提倡供應鏈逆來順受：當產品的競爭力有限，績效考核短期難以改變的時候，相同的外界約束下，計划和供應鏈還是有可作為的；只要做了我們可作為的，我們就可以做得比以前好，比同行好，這就是競爭優勢。
我們再回到圖 1的例子。這是個完美的季節性帶趨勢的例子，我們可以相當准確地預測出來（從第⑦列的預測誤差即可看出）。實踐中，我們很少會有這樣的完美情況。我們的應對方案還是一樣：其一，盡量作准：尋找更合適的預測方法，比如霍爾特-溫特模型，通過優化各參數，來盡量提高預測准確度；其二，盡快糾偏：有了一點實際銷售數據，要盡早分析，與原來的預測比較，與歷史數據比較，再結合市場、銷售、產品管理等的職業判斷，盡快調整預測。這樣做，至少可以避免大錯特錯。
此外，不管是季節性，周期性，還是趨勢，都是相對特定的供應鏈響應周期、響應能力而言。當供應鏈的響應周期很短，響應能力無限的時候，對這些變動性的預測就不那么重要。比如這是個前置倉，或者門店，補貨周期就那么幾個小時或幾天，反映不出來多少季節性、趨勢，你也就用不着采取復雜的模型來預測——移動平均法，簡單指數平滑法，甚至賣一補一的“幼稚預測”，八成就能夠很好應對。但是，如果你要規划前置倉、門店的規模，決定是否擴容的話，那可是長周期行為，我們得預測未來幾個季度甚至幾年的需求，這時候，季節性、趨勢等更復雜的情形預測就更必要。產線的產能、供應商的產能、長周期物料的備料也是同理。