如果只用一句话回答：别先问哪个模型最先进，先拿你自己的历史销售数据做回测，选那个在你的业务结构里误差最低、并且在市场变化时“错得起”的方法。
具体怎么做？先把历史数据切成真实可用的时间顺序，固定每月重估规则，再用同一个误差尺子比较多个方法。下面我拿蔚来 44 个月公开交付数据，完整做一次。
2019 年，蔚来一度走到退市边缘，李斌被叫作“当年最惨的人”。但六年后的 2025 年，公司交付了 32.6 万台，已经是当年的十五倍还多。
这条被骂着往上翻倍的曲线，正好可以用来检验十种预测方法。
我拿蔚来 44 个月的公开交付数据，把十种预测方法挨个回测一遍：哪种在什么场景下准，误差怎么算，什么时候全都会失灵。
规矩：每月重估，谁也不许偷看
预测的真本事，不在解释昨天，在站在今天猜明天。
事后看，人人都是诸葛亮。
所以规矩定死。2023 到 2024 两年，当历史教科书。
从 2025 年 1 月起，每个月的最后一天，十位选手各自只用手头的数，报出下个月的数。
还有一条，跟现实对齐：每月实际数一出来，允许回头重调参数——真实世界里，计划员每个月都会拿新数据把模型重新校一遍。有参数的重估参数，没参数的按定义出招。
下个月一到，对答案，记分。连考 20 个月。
谁也不许偷看未来——包括我。
出场名单：十位选手
公式在图上，脾气在公式里。
总成绩
20 场全算，一场不落。尺子是平均百分比误差：MAPE＝(1/20)·Σ|F(t)−y(t)|÷y(t)，每个月偏离实际百分之几，20 个月平均。
榜首不是单干户：季节比率加霍尔特-温特斯，五五平均，16.3%。
最强单模型是季节比率，19.0%，零参数。
它强在季节：别的选手的季节，是从历史里拟合出来的形状；它的季节，是去年十二个月真实跑出来的形状。2 月的坑有多深，它不用猜，去年挖过。
但也别把它供起来。2023 年 2 月，环比涨了四成三——那年 1 月是补贴退坡加春节的双重谷底。季节是统计出来的倾向，不是物理定律。
LAD 回归 19.6%，霍尔特-温特斯 19.8%，回归因果 19.9%——第二到第四挤在半个点里。
最笨的移动平均 28.7%，跟冠军差 12.4 个点。按月均三万台算，每个月差出三千六百台的判断。选错方法不是风格问题，是钱的问题。
赢家和输家的道理
先说组合为什么赢。季节比率的长处是真实的季节，短处是把增速当成三个月不变；霍尔特-温特斯每月重估，跟得住变化，短处是季节靠拟合。两家的短处不重叠，五五平均，各自的错抵掉一截。
但组合不是平均就有用。四家全平均的组合预测，22.0%，中间偏下——最强的和最差的一勺烩，强者的优势也被稀释了。
组合的诀窍就一条：找互补的，别凑一堆。
再说重估。霍尔特-温特斯不重估是 22.9%，重估后 19.8%——它的参数描述的是现在的水平、现在的趋势、现在的季节，市场变了，参数就该跟着走。
可重估不是万能药。给季节比率也装上自动选窗口，它就开始追涨杀跌：最近谁准就抄谁，19.0% 掉到 23.3%。
它的“近三月增速”是方法定义，不是旋钮。有些东西，就该拧死。
错得起
回到 2019 年。给蔚来判死刑的人，模型其实不差：亏损、股价、交付量，样样有据。
他们输在假设——明年像今年。
可生意的世界里，“不像”才是常态。上新品、换政策、出对手，这条曲线六年翻十五倍，靠的全是模型看不见的东西。2025 年 11 月，李斌自己都说，补贴退坡的影响“是行业未预料到的”——公司都料不到的拐点，模型更不可能。
所以别把那 16.3% 当模型的失败。它不是极限，是这条曲线的变数本身——你可以逼近它，消灭不了它。
真正的分水岭，不在猜得准不准，在错了怎么办。
要区间，别要单点：“下个月 3 万台”是承诺，“2.6 到 3.5 万”才是工具。留安全库存接住波动，留柔性产能当后手。把“会错”设计进流程的人，误差是成本；不设计的人，误差是事故。
猜得准是运气，错得起是本事。
做了二十多年供应链，我见过的赢家，没一个是猜得最准的，全是错得最便宜的。
回到问题：基于历史销售数据做预测，步骤是什么？
不是把历史数据一股脑丢进模型，而是：先把回测规则定成真实工作；每月重估，不许偷看未来；用同一个 MAPE 比较单模型；组合只选互补的；最后承认结构性突变预测不了，用区间、库存和柔性产能兜底。
历史数据能告诉你“过去什么有效”，不能替你保证“未来一定重复”。所以它要做的事，是让你少犯错、错得起，而不是假装不会错。