计划预测 分类中的最新日记

一线销售,能做好预测吗?

| 暂无评论

在很多企业,一线销售提需求是个普遍的现象。理由看上去也很充分:他们最接近客户,最可能知道客户要什么。其实,除非是客户定制化的需求,一线销售在做需求预测上挑战多多。

案例企业有着强大的粉丝团体,一直走的是粉丝经济,虽然在向品牌经济过渡,但粉丝经济还是营收的重要构成。为了最大化粉丝收益,案例企业就不断推出新品,基本上是每周都有新品上市。该企业走的是中高端、差异化路线,快时尚,品种多,批量小,首批推出一般也就几百到几千件。多种少量让预测更难做,要么过剩,要么短缺,在案例企业得到充分体现。

ZARA与"自来水模式"的预测机制

| 暂无评论

我经常问职业人,有谁预测过自家的用水量?大家都说没有:做预测的是水务局,他们预测整个城市的用水量,确保水厂有足够的水,大家用时打开水龙头就行了。大家也从没见过水务局深入到千家万户,让每家每户"提需求",谁预测谁有水,谁不预测就没水。那我们为什么有那么多的公司,一而再地要求一线销售、直接用户提需求(做预测)呢?

新品计划的准确度低,关键是伴随着更多的需求历史,要及时滚动更新,同时平衡库存风险断货风险运营成本

计划中的"经验主义"与"教条主义"

| 暂无评论

在《读者》上看到王蒙的一句话,很有感触:"凡人容易滑向经验主义,圣人容易走向教条主义"。经验主义是感性的,局部的;教条是理性的,有一定的普适性。圣人之所以是圣人,是因为他们经多识广,"数据"充分,总结提炼出了规律性的东西。《读者》上还有一篇文章,说普通人的盲区是"过于依赖自己的直觉",专家的盲区则是"过于相信自己的理性和经验"(《到底谁不靠谱》,作者人神共奋,《读者》2019年第4期),跟王蒙之言有异曲同工之妙。

计划由人做,人是有偏见的

| 暂无评论

计划由人做,人是有缺陷的,表现为各种偏见。不管是获取信息、处理信息,还是在输出信息、反馈判断结果的时候,人们都可能有意无意地掺入自己的偏见。这是人的天性,作为管理者,我们得正视并寻求解决方案。这里我们主要想讲三种偏见,以及如何应对。

时间序列的预测:指数平滑法

| 暂无评论

在预测时间序列上,指数平滑法是另一类常用的方法。该方法最先由布朗提出,他认为时间序列的态势具有稳定性或规则性,所以可被合理地顺势推延;最近发生的,在某种程度上会持续到最近的未来,所以历史信息越新,其所占权重也越大[1]。指数平滑法其实是一种特殊的移动平均法,是一种加权移动平均,特点是权重按照几何数级递减,越老的数据权重越小。

我接触过几个软件公司,都是开发计划软件的。他们有的基于数理统计,提供多种预测模型以供择优选用;有的基于人工智能,通过机器学习,为需求预测和库存计划提供独特的解决方案。这些软件都远非完美,不过整体而言,要比一帮计划员拍脑袋、各行其是强。但是,很多企业就是不愿采用,或者即便实施了计划软件,实际工作中还是在Excel中手工做计划。

层层提需求,为何准确度低

| 暂无评论

在需求预测上,层层报批是种很常见的做法。

不要在存量预测上麻烦销售

| 暂无评论

需求可以分解成两部分:存量和增量。简单地说,存量就是经常性的业务。比如你开了个小饭馆,每天中午大概有50人来吃饭,这就是存量。存量一般是有规律可循的,能够通过数据分析获取。增量是变化的部分,比如附近的公司办活动,要多订30份盒饭。增量是在存量基础上的变化,因为发生了显著改变需求的事情。"从数据开始"指的是存量,"由判断结束"指的是增量,两者叠加,构成整体预测。

线上线下多渠道:如何获取销售判断

| 暂无评论

案例企业的需求相当复杂,主要分三大块:大客户,渠道客户,零星散户。大客户和渠道走的是传统的线下业务,是典型的B2B;零星散户走的是线上电商业务,通过App下订单,虽然是小商户,却跟典型的B2C业务很像。线上、线下业务并存,大客户、渠道和散户对需求的影响方式也各不相同:大客户的需求变动主要是客户驱动,比如客户自己的促销、活动等;渠道和零星散户则主要由案例企业自己驱动,比如渠道政策、线上活动等。

预测判断力是可以培养的

| 暂无评论

你不需要是个计划专家,才能做预测。预测的能力不是天生的,人人都可以练就。

从数据里学什么:以发货记录为例

| 暂无评论

一谈起数据分析,人们经常抱怨的是没数据。就如一位职业经理人说的,公司多年来快速发展,到千亿规模了,还是靠"肩扛手拉",从Excel到Excel,没有系统的历史数据积淀,也没有数据模型,怎么办?

在库存计划领域,除了安全库存,经常打交道的还有再订货点(或者就叫订货点)。其逻辑是一旦库存降到预设的水位(再订货点,ROP),就启动订货机制,驱动供应链补充一定数量的货(订货量,ROQ);在货来到之前,库存继续下降,直到订的货到达,拉高库存的水位,然后开始下一个循环,如图1[1]。再订货点法在企业里使用很广,它的几个参数,在此稍作解释。

数据分析:计划工作的起点

| 暂无评论

有位职业经理人跟我说,公司除了在行业数据研究领域有专业的分析人员外,其余的计划人员都没有数理统计的背景,言下之意是数据分析能力很薄弱。这是个千亿级的企业,计划员工多年来靠传帮带的方式培养,以数据搜集、汇总为主,在需求预测上严重依赖销售、产品和高管的判断。

时间序列的预测:移动平均法

| 暂无评论

移动平均法是用一组最近的历史需求,来预测未来一期或多期的需求。这是时间序列最常用的方法之一。当每期的历史需求权重一样的时候,我们就叫简单移动平均(一般简称为移动平均);当权重不同的时候,我们就叫加权移动平均。在加权移动平均中,需求历史越近,权重一般越大,也就是说更重视最新的信息,但所有的权重加起来等于1。

销售目标当需求预测,你的麻烦就大了

| 暂无评论

在《信号与噪声》一书中,特纳·希尔佛阐述道,预测之所以重要,是因为它连接着主观世界与客观现实。在企业里,哪个职能代表主观世界?销售----销售天生是乐天派,总是生活在希望中。哪个职能代表客观现实?供应链----供应链天生更加现实,因为他们知道,把现金变成库存容易,把库存变回为现金可就难了。而这主观与客观呢,就体现在销售预测、需求预测上。

需求预测:供应链博弈的一大焦点

| 暂无评论

我们经常说,供应链要么是订单驱动(拉),要么是预测驱动(推)。其实不管是推还是拉,从供应链的角度来看,最终都是预测驱动,因为一个人的订单注定是另一个人的预测。比如小姑娘在网上买衣服,她得给商家下订单,是基于她预测未来会穿这衣服。不过到她的衣橱里看看,有多少件衣服买来后就再也没碰过?很简单,小姑娘的预测失败了呗。

为什么能预测:延续性和相关性

| 暂无评论

我们之所以能够预测,是基于(1)时间序列的延续性(也叫连贯性);(2)变量之间的相关性(也叫类推性)。计划者的任务,一方面是分析历史数据,总结这样的延续性、相关性,然后是应用这样的关联性,对未来做出预判,指导供应链执行来提前准备。

貌似没做到,实则没想到

| 暂无评论

这些年来,我每年拜访、服务几十家本土企业,他们的年度营收上至千亿,下至几千万、刚过亿,规模大不相同,问题却惊人地相似:供应链的成本做不低,交付做不快,库存水平居高不下。这些问题,表面上看是供应链的执行不到位;但仔细探究,根源却都离不开计划,比如需求预测变动频繁,紧急需求频发,给供应链没有足够的响应时间等。

需求预测:分门别类,区别对待

| 暂无评论

有个养殖企业,营收在几百亿的级别,长期以来是需求拉动:养殖场有需求,就提交库管,驱动采购来满足。需求拉动的问题有二:其一,给供应链的响应时间太少,经常成为紧急需求,导致加急赶工运营成本高,内部用户体验也差;其二,需求零散,难以聚合,缺乏规模效应,导致采购价格偏高----即便签订总量合同,拿得更好的价格,但因为需求是零散的,批次多,跨度长,供应商最终也往往要求随行就市,实际收取更高的价格。

趋势的预测:霍尔特指数平滑法

| 暂无评论

对需求预测来说,上世纪50、60年代可以说是人才辈出。这里我想特别介绍一下美国的HMMS研究团队。这个团队的名称来自四位研究者姓氏的第一个字母,当时他们都在卡内基工学院(后来与梅隆学院合并,成为今天蜚声海外的卡内基梅隆大学),旨在是寻找更好的决策机制,以帮助工业界更好地应对种种库存、生产和计划问题。这些问题在宏观层面导致经济危机,在微观层面让企业经常处于应急状态----要么是赶工加急,要么是产能闲置和库存积压。

就"从数据开始"而言,颗粒度越大,需求的聚合效应越明显,数理统计的可靠性就越大,预测的准确度也越高。但对"由判断结束"来说,颗粒度与准确度的关系就相对复杂。

谁在做需求预测:兼谈计划的进化史

| 暂无评论

公司小的时候由老板兼职,有点规模后由销售、生产、采购等相邻职能兼职,上了规模后就得有专职的需求计划职能。

建立滚动的预测更新机制

| 暂无评论

对于小的需求变动,供应链有一定的纠偏和容错能力。比如预测相对偏低的话,可由安全库存、安全产能来应对;预测适当偏高的话,可以延迟供应商给我们的交付,或者手头库存暂时高一段时间。但这是有前提的:我们得尽快调整预测,否则长期累积下来,小洞变大洞就难补了。

有时候,不预测就是最好的预测

| 暂无评论

就如有的人非但帮不了忙,反而帮倒忙一样,并不是所有的预测方法都增加价值。有时候,人类一思考,上帝就发笑,作为还不如不作为,预测还不如不预测。比如在颗粒度很小的地方做预测,或者由销售、用户拍脑袋做预测,预测准确度太低,往往还不如不预测,直接用上期的实际值当做下次的预测("幼稚预测"),亦即常见的"卖一补一"。

我们接下来讨论,未来多长时间内的需求预测可以调整,执行端必须得满足。这就涉及到计划的冻结期半冻结期自由期,如图 1:

"长尾"产品:库存计划的终极挑战

| 暂无评论

一提起"长尾",人们容易觉得比较独特,容易联想起小众来。其实,大众是由小众组成的。要知道,需求越是细分,或者说越是在供应链的末端,就越呈现小众化。或者说,只要是足够细分,或者说供应链足够末梢,我们面临的注定就是"长尾"需求。我们说的供应链的末端,或者说最后一公里,放在库存计划上,就是如何应对此类"长尾"需求。

如何确定合适的服务水平?

| 暂无评论

我在企业培训、咨询时,经常问他们服务水平目标是什么,从销售到供应链,大家经常是大张嘴,一笔糊涂账。

从计划的"七分管理"到"三分技术"

| 暂无评论

2018年,《供应链的三道防线:需求预测、库存计划、供应链执行》出版以来,反响很好,在京东上很快就上升到供应链销量榜的第二位(第一位还是我的红皮书《采购与供应链管理:一个实践者的角度》)。

需求计划的绩效如何考核

| 暂无评论

一旦提起需求计划的绩效,一般人就会联想到预测的准确度。这没错,但不全面。所谓绩效,真正重要的是指跟客户、股东利益直接相关的东西。我不是说预测准确度不重要----预测准确度当然重要,因为会影响到客户和股东利益,但客户跟你做生意,股东买你的股票,有多少是因为你的预测准确度高?所以,对需求计划的绩效评估,要超越预测准确度本身,从客户和股东的视角来看待。

为什么销售不对库存负责?

| 暂无评论

在很多公司,供应链苦于销售对库存不负责任。表面上看是销售不愿承担责任,根源其实是需求计划没有闭环的结果。

【案例】滚动计划要从新品开发开始

| 暂无评论

这个案例聚焦产品上新前,即在新品开发过程中,伴随着越来越多的信息,如何建立定期更新预测的机制,指导供应链更精准地响应。

SKU泛滥,需求预测怎么做

| 暂无评论

SKU是英语里Stock Keeping Unit的缩写,直译过来是存货单元。举个例子。女孩子去买衣服,找到喜欢的款式,喜欢的颜色,还得找到自己的尺码----款式+颜色+尺码就是这里说的SKU。SKU是我们识别产品所必须的,也是商场进出存的最小单元。同样的款式、同样的颜色,中号跟小号是不同的SKU,所以需要两个不同的SKU编码来识别。

为什么没法回避需求预测?

| 暂无评论

安全库存的设置:库存计划的看家本领

| 暂无评论

如果说计划是供应链领域专业度最高的职能的话,那么库存计划就是计划职能专业度最高的。而安全库存的设置呢,则是库存计划中技术含量最高的一块。

对于长周期物料,我们之所以专门探讨其需求预测,是因为它们对供应链的影响最为深远。对于供应链来说,一个行业之所以难以对付,关键就在于那些长周期物料,比如芯片,比如显示屏,比如定制化程度高的关键零部件。

VMI和寄售没关系

| 暂无评论

与VMI常常一起出现的还有寄售。很多人搞不清两者的关系。其实,它们两者没关系:VMI说的是库存的管理责任,寄售说的是库存的所有权。在实践中,你可以用VMI而不用寄售,可以用寄售而不用VMI。当然两者并用的情况也很常见,以至于业界一旦提到VMI,首先想到的是库存也归供应商持有(寄售);而很多企业采用VMI的初衷呢,也是为了把库存压力转移给供应商。也就是说,很多人心目中的VMI其实是VMI加寄售。

季节性强,一锤子买卖如何预测?

| 暂无评论

季节性强,生命周期短,比如女孩子们穿的漂亮衣服,需求的不可预见性高,预测多了,呆滞风险大增;预测少了,补货周期又长,补货几无可能。这就相当于一锤子买卖,我们这里探讨一下该怎么预测。

VMI是对供应链三道防线的终极挑战

| 暂无评论

一个苏州的公司问,我们让供应商建了VMI,但短料、呆滞频发,怎么办?我的答复是供应链的三道防线。他们问,三道防线中没有一个字是谈到VMI的,为什么能解决我们的问题?答曰:预测准确度低,第一道防线建不好,VMI要么是断货,要么是呆滞;库存计划不到位,第二道防线没建好,VMI的最低、最高库存不合理,问题当然是一大堆;需求预测和库存计划的不足,最后都得供应商的执行来弥补,这是供应链的第三道防线,要求我们选好、管好供应商,对我们的寻源和供应绩效管理提出更高的挑战。

计划职能的绩效如何考核?

| 暂无评论

对于执行职能来说,计划就是计划,好像是个单一职能;但对于计划职能来说,计划还会细分,从需求计划到库存计划到生产计划,从中心仓到前置库位的计划,从新产品到成熟产品的计划,在具体的职责上的侧重点都有所区别。不过就绩效考核而言,这些计划职能却有很多共性,主要表现在服务水平库存周转呆滞库存等三方面。

【案例】库存四分法,原材料为例

| 暂无评论

四分法给我们结构化的方法,来展现库存风险,以控制整体库存。这里我们以原材料为对象,介绍这一方法的具体应用。

VMI:如何计划,如何管理?

| 暂无评论

VMI是供应商管理库存的缩写,英语的全称是Vendor Managed Inventory,最早在零售行业出现(传统上,那个行业习惯于把供应商称为Vendor,更正式的叫法是Supplier),由沃尔玛和宝洁于上世纪80年代率先导入。我们这里把VMI当做一个专题讨论,主要是因为这些年来VMI应用广泛,但由于计划和管理不善,VMI又造成了诸多问题,不光是给供应商造成损失,也严重影响到采购方。

渠道压货,人为加剧需求的不确定性

| 暂无评论

在有些行业,压货行为非常普遍,人为加剧了需求的变动性。

新品计划由谁做?

| 暂无评论

一提到新品计划,很多人的第一反应就是可计划性太低,这就自然而然地把它推到销售、产品端,由那些职能兼职,变成拍脑袋为主了。其实不然,就如我们前面详细阐述过的,即便是用专家判断法做新品的初始预测,也得严格遵守"从数据开始,由判断结束"的计划流程,数据分析至始至终贯穿期间,主导整个专家判断流程。

过激反应,短缺最后总是以过剩收尾

| 暂无评论

前面多次讲过,行业性短缺状态下,过激反应,大幅拔高安全库存和需求预测,不但解决不了短缺问题,反而造成后续的过剩问题,应了"所有的短缺,最后都是以过剩结束"。特别是集体决策下,人们倾向于承担更大的风险,往往超出企业的承受力度;同样是"集体"决策,库存的责任不明确,补救措施就不及时,把本来可以减轻的风险没有减轻。

案例企业有着强大的粉丝团体,一直走的是粉丝经济,虽然在向品牌经济过渡,但粉丝经济还是营收的重要构成。为了最大化粉丝收益,案例企业就不断推出新品,基本上是每周都有新品上市。该企业走的是中高端、差异化路线,快时尚,品种多,批量小,首批推出一般也就几百到几千件。多种少量让预测更难做,要么过剩,要么短缺,在案例企业得到充分体现。

【小贴士】经验主义与教条主义

| 暂无评论

在《读者》上看到王蒙的一句话,很有感触:"凡人容易滑向经验主义,圣人容易走向教条主义"。经验主义是感性的,局部的;教条是理性的,有一定的普适性。圣人之所以是圣人,是因为他们经多识广,"数据"充分,总结提炼出了规律性的东西。《读者》上还有一篇文章,说普通人的盲区是"过于依赖自己的直觉",专家的盲区则是"过于相信自己的理性和经验",跟王蒙之言有异曲同工之妙。

【案例】分解需求,对接合适的判断者

| 暂无评论

案例企业的需求相当复杂,主要分三大块:大客户,渠道客户,零星散户。大客户和渠道走的是传统的线下业务,是典型的B2B;零星散户走的是线上电商业务,通过App下订单,虽然是小商户,却跟典型的B2C业务很像。线上、线下业务并存,大客户、渠道和散户对需求的影响方式也各不相同:大客户的需求变动主要是客户驱动,比如客户自己的促销、活动等;渠道和零星散户则主要由案例企业自己驱动,比如渠道政策、线上活动等。

有个工业品公司,项目型需求较多,一贯靠一线销售提需求。让每个销售预测自己跟踪的项目,预测的颗粒度小,预测准确度不高,呆滞库存是个大挑战。于是该企业就开始考核预测的准确度:你预测了几个,就得用掉几个。销售跟库存挂上钩了,就迟迟不肯提需求,直到需求快落地时,数量的准确度没什么问题了,但给供应链却没有时间来响应。

预测的灵敏度和准确度

| 暂无评论
预测中,预测的灵敏度(响应度)和准确度经常相抵触:灵敏度高了,准确度就下降;准确度高了,灵敏度不一定高。

推拉结合:在合适的颗粒度做预测

| 暂无评论

人们经常说,他们的供应链是推式的,由预测驱动;或者拉式的,由订单驱动。其实,供应链没有100%的推,否则库存风险太大,股东受不了;也没有100%的拉,否则交付太慢,客户体验太差。每条供应链都是推拉结合的:先根据需求预测推到一定地步,以获取规模效益、降低成本、提高响应速度;再由客户订单拉动,以满足差异化的需求,并降低库存风险。

新品的滚动计划:平衡时效性和准确度

| 暂无评论
新品计划的准确度低,关键是伴随着更多的需求历史,要及时滚动更新,同时平衡库存风险断货风险运营成本

改变组织行为,控制多余库存

| 暂无评论

根据风险的高低,我们把多余库存分为两部分:如果能在一定时间内消耗掉,风险较低,就叫过剩库存;一定期限内预计消耗不掉,风险较高,就叫风险库存。多余库存的驱动因素是组织行为,比如预测失败,订单取消,最小起订量,策略备货,设计变更等。

库存运动没法降库存

| 暂无评论

供应链上的各种问题,都会或多或少在库存上体现出来。比如信息沟通不充分,需求的不确定性增加,导致安全库存上升;执行能力差,供应的不确定性增加,也导致安全库存上升;设计变更多,设计变更管理粗放,设计造成的过期库存多;质量差,次品多,劣质库存就多,而且得多备库存来应对质量问题;质量差,回款周期就长,应收账款就多----应收账款和应付账款也是库存,不过是以另一种方式出现;生产周期长,周转库存自然就高;运输慢,在途库存就高;预测、计划不到位,要么造成短缺,要么造成过剩,都是库存问题。

时间序列的预测:指数平滑法

| 暂无评论

在预测时间序列上,指数平滑法是另一类常用的方法。该方法最先由布朗提出,他认为时间序列的态势具有稳定性或规则性,所以可被合理地顺势推延;最近发生的,在某种程度上会持续到最近的未来,所以历史信息越新,其所占权重也越大[1]。指数平滑法其实是一种特殊的移动平均法,是一种加权移动平均,特点是权重按照几何数级递减,越老的数据权重越小。

计划职能的不作为同样可恨

| 暂无评论

强势职能,比如销售和研发的不作为,人们容易看到,也经常口诛笔伐;但是弱势职能,比如计划和供应链的不作为,却因为被其"受害者"的角色所掩护,往往不容易发现,也就更不容易纠正。

十几年前,我在北美读商学院,一位教授说,(以前在美国),如果一个人做不了设计、干不了销售,也做不来财务、人事、生产、仓储、物流,那就让他做采购;如果连钱都不会花,那就实在抱歉了,只有卷铺盖走人。这是美国几十年前的情况,随着全球采购和外包战略的盛行,采购的地位大幅提升,不再如此。但在一些粗放经营的本土企业,采购的地位还很低,是典型的"小采购"。我一直以为采购是一个人在这些公司的最后一站,直到2015年初。

按日,按周还是按月汇总需求历史?

| 暂无评论

在计算安全库存的时候,当需求相对平稳的时候,我们一般用过去一段时间的平均需求当做预测,计算这段需求历史的标准差,来量化需求的不确定性。这里有两个问题要考虑:其一,样本的数量,即用多少个数据点来计算;其二,数据汇总的颗粒度,比如按日,还是按周或按月汇总。

需求预测不能等同于销售目标

| 暂无评论

在《信号与噪声》一书中,特纳·希尔佛阐述道,预测之所以重要,是因为它连接着主观世界与客观现实(如图 1)。在企业里,哪个职能代表主观世界?销售----销售天生是乐天派,总是生活在希望中。哪个职能代表客观现实?供应链----供应链天生更加现实,因为他们知道,把现金变成库存容易,把库存变回为现金可就难了。而这主观与客观呢,就体现在销售预测、需求预测上。

魔鬼藏在细节中:需求历史数据的清理

| 暂无评论

有个代理商,库存和交付一直是个问题:短缺时有发生,而手头的整体库存却居高不下。他们想从需求预测和库存计划着手,对付这个问题。他们的计划主管首先导出几个产品的历史销量,做了折线图想从中发现规律,却看不出什么门道。问我该怎么办,我就把数据要过来----谈到具体的计划问题,不看数据就无异于瞎谈。

接触过几个软件公司,都是开发计划软件的,主要是需求预测、库存计划。他们有的基于数理统计,提供多种预测模型以供择优选用;有的基于人工智能,通过机器学习,为需求预测和库存计划提供独特的解决方案。整体而言,这些软件要比一帮计划员拍脑袋、各行其是强。但是,很多企业就是不愿采用,或者即便实施了计划软件,实际工作中还是在Excel中手工做计划。
我想主要有几个原因。

预测判断力是可以培养的

| 暂无评论

你不需要是个计划专家,才能做预测。预测的能力不是天生的,人人都可以练就。

为什么销售不愿分享信息

| 暂无评论

需求预测要"从数据开始,由判断结束"----销售是判断的主力军,计划按照销售提供的信息来判断,调整需求预测。我们经常听到计划在抱怨,说销售不愿提供信息。有几个常见的原因,这里讲三个,并探讨计划如何能帮助改变这些。

在库存计划领域,除了安全库存,经常打交道的还有再订货点(或者就叫订货点)。其逻辑是一旦库存降到预设的水位(再订货点,ROP),就启动订货机制,驱动供应链补充一定数量的货(订货量,ROQ);在货来到之前,库存继续下降,直到订的货到达,拉高库存的水位,然后开始下一个循环,如图1[1]。再订货点法在企业里使用很广,它的几个参数,在此稍作解释。
 

【案例】为什么需求评审不是解决方案

| 暂无评论

有个企业的需求计划由各大区提交,在总部汇总,预测准确度历来不高,造成供应链的很多库存问题。供应链部门就建立了需求评审制度,让总部的营销、市场、财务和供应链等部门评审需求预测。但销售不满意,认为评审增加了一环,阻隔了销售与生产的有效对接。案例企业的供应链就问我,需求评审流程该如何设置。

时间序列可以分解为三种成分:水平部分(平均值),趋势部分(上升或下降),季节性部分(周期性的重复),剩余的就是随机变动,即前三者都没法解释的"杂音"。我们常见的时间序列,根据复杂度的不同,一般上述三种成分中的一种、两种或三种组合而成。当然,你也可以把水平部分当成趋势的特例,或者趋势的一部分。那么,时间序列就可简化为两部分:趋势和季节性,以及两者之外的随机变动。下面这个例子就是这样分解的[1]

高库存、高服务水平是怎么来的?

| 暂无评论

在库存计划和服务水平上,企业可以分为三类:最差的企业是库存一大堆,但客户要的没有,服务水平很低;最好的企业是库存最低,但客户服务水平最高。这好理解:最好的企业计划做得好,知道计划客户要的东西,所以客户服务水平高;知道不计划客户不要的东西,所以库存水平低。最差的企业正好相反。但居于中间的企业呢,客户服务水平挺高,但库存也挺高,是高库存下的高服务水平。很多做得不错的企业都会归入这个门类,简称"两高"企业。

指数平滑法的逻辑和初始化

| 暂无评论

让我们拿踢足球打比方,来进一步理解指数平滑法的逻辑。

从数据里面学什么?

| 暂无评论

人们经常抱怨没数据,其实一个公司数据再少,也会有发货数据,因为他们要靠这个来向客户收钱。光从这些发货数据中,我们就可以发现很多有用的信息,帮助我们更好地理解客户期望,判断供应链的绩效,识别能力短板。比如你新到一个企业,人家给你一个几十兆、几百兆大的Excel文件,是这几年的发货记录,你该怎么分析呢?

时间序列的预测:移动平均法

| 暂无评论

移动平均法是用一组最近的历史需求,来预测未来一期或多期的需求。这是时间序列最常用的方法之一。当每期的历史需求权重一样的时候,我们就叫简单移动平均(一般简称为移动平均);当权重不同的时候,我们就叫加权移动平均。在加权移动平均中,需求历史越近,权重一般越大,也就是说更重视最新的信息,但所有的权重加起来等于1。

砍订单没什么值得自豪的

| 暂无评论

连续几年的芯片短缺,成了众多企业的心头痛。好不容易今年以来,有些芯片的供应改善,甚至出现局部过剩,价格回落。于是看到不少消息,说厂家开始砍订单,颇有点出了口恶气样子:芯片商们,风水轮流转,你们也有今日啊。有些唯恐天下不乱的自媒体甚至上纲上线,把这跟当前的一些敏感话题牵扯到一起,大肆炒作来吸引眼球。

对供应链绩效来说,没有什么比预测准确度更重要了,因为它直接决定了供应链的成本、交付和资产周转效率。这就是为什么在Gartner的供应链指标金字塔里,雄踞塔顶的是预测准确度。老祖先似乎没有"预测"一词,但你一眼就可看出,"早知三日事,富贵一千年"说的其实就是预测准确度。

从"收一遍的钱,干两遍的活"说起

| 暂无评论

几年前,我服务一家千亿级的企业,晚上吃饭,不知怎么就聊到了软件开发。他们的采购总经理说,国内的软件供应商拿的是一遍的钱,干的是两遍的活,没法活了。忙问为什么,他说需求定义不到位,内部用户让供应商按自己的要求开发软件,但开发好后一看,不是自己真正想要的,于是就重来----你说软件商们怎么能赚钱呢?

需求计划的闭环"责任链"

| 暂无评论

让我们拿需求计划为例,阐述计划的"责任链"这一重要概念。

首先,谁是需求计划的第一责任人?谁做的需求计划,谁就是第一责任人。我们说"做计划",指确定最终的需求数量、需求日期,驱动供应链执行。需求预测是个计划任务,虽然销售、市场、产品管理等职能扮演关键角色。当然,计划职能太薄弱时,需求预测就可能成了别的职能的兼职工作,那么这些兼职职能就得承担相应的责任。

计划职能习惯性地陷入执行模式,是众多企业的普遍挑战。怎么才能让计划"抬头看路",而不是一味"低头拉车"?一项重要举措就是制定绩效考核来保护计划人员,引导计划更加聚焦整体绩效,避免深陷订单层面的争夺战。

计划不能是一个人的最后一站

| 暂无评论

计划上做不到精益求精,跟计划人员的专业能力息息相关。比如计划员工的资质、经验不足,没掌握基本的预测模型,更谈不上优化这些模型,预测准确度就不高;为了应对预测的不准确,我们就得建更多的安全库存,花更多的钱来执行弥补。能力不足,面对那么多的产品和库位,没法科学、合理地做好库存计划,合适的库存放不到合适的地方,服务水平和库存就更加没法优化,都让我们在精益求精上渐行渐远。

不确定性大,如何避免大错特错

| 暂无评论

计划的大错特错,主要是因为销售和运营协调流程没打通,做生意的和做运营的严重脱节,组织博弈导致信息严重不对称,导致预测准确度太低。简单地把销售目标当成需求预测,没法群策群力整合跨职能智慧,层层博弈导致的牛鞭效应,以及短缺下的过激反应,都可能造成需求预测的大错特错,以及严峻的库存和交付问题。

计划有多种,相互有关联

| 暂无评论

任何事情都是个两阶段的实现过程:先有精神实现,然后有物质实现;前者是计划,后者是执行。企业里的每个职能,凡是有执行的,都能找到相应的计划,无非有些计划实现了专业化,由专职人员在做,有些是兼职而已。

如何从无到有,制定个计划

| 暂无评论

你或许会说,我知道有个计划要比没有强,但不确定性那么大,问题那么复杂,就是不知道从哪里下手。

没计划,这是计划的首要问题

| 暂无评论

2009年,我刚开始服务本土企业,就对有些企业在计划上的欠缺深有感触。用一位美国合作伙伴的话讲,"短期计划是下午四点,中期计划是本周四,没有长期计划"。这不,前一天下午会议上谈得好好的事,第二天一大早就变了,就因为上头的一句话。

从"收一遍的钱,干两遍的活"说起

| 暂无评论

几年前,我服务一家千亿级的企业,晚上吃饭,不知怎么就聊到了软件开发。他们的采购总经理说,国内的软件供应商拿的是一遍的钱,干的是两遍的活,没法活了。忙问为什么,他说需求定义不到位,内部用户让供应商按自己的要求开发软件,但开发好后一看,不是自己真正想要的,于是就重来----你说软件商们怎么能赚钱呢?

库存:企业运营的焦点问题

| 暂无评论

增速放缓行业不景气库存就成了让人谈虎色变的话题。搜索互联网,到处都是触目惊心的库存话题,比如90%的电商店铺死于库存,十个女装九个死于库存,服装行业三年不生产库存也卖不完。就连图书业也是"死书累累",前些年的实体书库存一度高达900亿元。对于众多的本土企业,用业界人士的话来说,就是供应链易断,最后死在库存上;用库存控制专家程晓华的话来说,就是仓库有多大,库存就有多少,仓库越大,死得越快。

需求计划的进化史

| 暂无评论

我们这里换个视角,谈一下需求计划的"进化史"(如图 1),以及中美企业在需求计划上的差异。简单地说,需求计划的整个"进化史",也是需求计划从单一职能向跨职能、跨企业发展的历史,从避免大错特错向追求精益求精的发展历程。

需求计划的绩效如何考核

| 暂无评论

一旦提起需求计划的绩效,一般人就会联想到预测的准确度。这没错,但不全面。所谓绩效,真正重要的是指跟客户、股东利益直接相关的东西。我不是说预测准确度不重要----预测准确度当然重要,因为会影响到客户和股东利益,但客户跟你做生意,股东买你的股票,有多少是因为你的预测准确度高?所以,对需求计划的绩效评估,要超越预测准确度本身,从客户和股东的视角来看待。

全新《供应链的三道防线》第2版上架了

| 暂无评论

Thumbnail image for 三道防线,2版.jpg

供应链的成本做不低,交付做不快,库存水平居高不下,这些问题表面上看是供应链执行不到位,但仔细探究,根源却都离不开计划。

需求预测:分门别类,区别对待

| 暂无评论

最新专著《供应链的三道防线:需求预测、库存计划、供应链执行》第2版,刘宝红著, 京东预售。

有个养殖企业,营收在几百亿的级别,长期以来是需求拉动:养殖场有需求,就提交库管,驱动采购来满足。需求拉动的问题有二:其一,给供应链的响应时间太少,经常成为紧急需求,导致加急赶工运营成本高,内部用户体验也差;其二,需求零散,难以聚合,缺乏规模效应,导致采购价格偏高----即便签订总量合同,拿得更好的价格,但因为需求是零散的,批次多,跨度长,供应商最终也往往要求随行就市,实际收取更高的价格。

小步快走,尽快纠偏,服装行业为例

| 暂无评论

我们行外人很难想象的是,服装从开发到上市的整个周期,需要一年以上的时间(快时尚、电商可能快点)。比如现在开发的不是今年卖的,而是明年这个季节的服装。周期长,款式多,SKU复杂,从面料到款式到颜色,服装的需求预测历来挑战重重。这些问题,特别在快时尚领域,还没有完善的解决方案;但多年来,服装行业也总结了一系列的经验智慧,把预测尽量做准,做不准的话尽快纠偏。

怎么知道预测错了,需要纠偏

| 暂无评论

我们都说要及时纠偏,但究竟怎么才知道预测错了?

最简单也是很常见的,就是等别人冲着我们叫:客户在催货,你知道是短缺;财务在质询呆滞库存的事,那自然是过剩了。但是,这些结果指标是滞后的,因为供应链上的库存有冗余,信息传递有延迟,等我们知道了,已经太晚了。这就跟等觉得口渴时,身体早已处于缺水状态了。

先说计划主导。

虽然销售深度介入需求预测,但需求预测不是销售的主业,即便兼职预测的话也往往只管生,不管养:他们提完需求,然后就去忙别的,不再回头看。什么时候才回头看?灾难降临的时候,要么是短缺,要么是过剩,都是基于结果的,而结果是滞后的,甚至是严重滞后。所以,作为计划职能,我们不能一直等着业务端"有什么变化,要尽快告知"----那是推卸责任,而是要定期滚动预测,发现不确定之处主动问业务端。

建立滚动的预测更新机制

| 暂无评论

对于小的需求变动,供应链有一定的纠偏和容错能力。比如预测相对偏低的话,可由安全库存、安全产能来应对;预测适当偏高的话,可以延迟供应商给我们的交付,或者手头库存暂时高一段时间。但这是有前提的:我们得尽快调整预测,否则长期累积下来,小洞变大洞就难补了。

计划总是可以调,但供应链可不予执行

| 暂无评论

我们接下来讨论,未来多长时间内的需求预测可以调整,执行端必须得满足。这就涉及到计划的冻结期半冻结期自由期,如图 1:

(1)在冻结期内,对预测的数量和时间调整,供应端可拒绝执行,否则的话执行成本太高;

(2)在半冻结期内,供应端要满足一定的时间调整(比如适当提前或推后),但可不响应数量调整(因为原材料等很难在短期获取);

(3)其余的是自由期,预测的数量和时间都可以调整(这一般是采购提前期外),供应端必须满足。

一位经理人说,公司的系统里有一套算法,来帮助计划员设置安全库存。用了一段时间后,发现系统建议的库存整体偏低。我问,既然这样,那为什么你的挑战却是降库存呢?不用他回答我都知道答案:系统建议偏低,计划人员就手工调整,多放一些库存;但人员水平良莠不齐,不知道设置合适的库存水位,最终就以高库存为解决方案。

SKU泛滥,需求预测怎么做

| 暂无评论

SKU是英语里Stock Keeping Unit的缩写,直译过来是存货单元。举个例子。女孩子去买衣服,找到喜欢的款式,喜欢的颜色,还得找到自己的尺码----款式+颜色+尺码就是这里说的SKU。SKU是我们识别产品所必须的,也是商场进出存的最小单元。同样的款式、同样的颜色,中号跟小号是不同的SKU,所以需要两个不同的SKU编码来识别。

由判断结束:判断什么,怎么判断

| 暂无评论

11月供应链管理系列培训

报名倒计时还有 6 天


在各行各业,产品的生命周期在缩短,产品新老交替迅速;社交媒体带来更多的改变需求的方式,上新即高点,需求直上直下;六一八、双十一等电商大节,跟国内的传统节假日一道,显著增加了需求的波动性。再加上国内市场竞争激烈,相对欧美而言促销活动更多,需求的可预见性更低。这些都决定了基于需求历史的预测准确度低,凸显了"由判断结束"的重要性。

VMI是对供应链三道防线的终极挑战

| 暂无评论

一个苏州的公司问,我们让供应商建了VMI,但短料、呆滞频发,怎么办?我的答复是供应链的三道防线。他们问,三道防线中没有一个字是谈到VMI的,为什么能解决我们的问题?答曰:预测准确度低,第一道防线建不好,VMI要么是断货,要么是呆滞;库存计划不到位,第二道防线没建好,VMI的最低、最高库存不合理,问题当然是一大堆;需求预测和库存计划的不足,最后都得供应商的执行来弥补,这是供应链的第三道防线,要求我们选好、管好供应商,对我们的寻源和供应绩效管理提出更高的挑战。

VMI和寄售没关系

| 暂无评论

与VMI常常一起出现的还有寄售。很多人搞不清两者的关系。其实,它们两者没关系:VMI说的是库存的管理责任,寄售说的是库存的所有权。在实践中,你可以用VMI而不用寄售,可以用寄售而不用VMI。当然两者并用的情况也很常见,以至于业界一旦提到VMI,首先想到的是库存也归供应商持有(寄售);而很多企业采用VMI的初衷呢,也是为了把库存压力转移给供应商。也就是说,很多人心目中的VMI其实是VMI加寄售。

【案例】库存四分法,原材料为例

| 暂无评论

四分法给我们结构化的方法,来展现库存风险,以控制整体库存。这里我们以原材料为对象,介绍这一方法的具体应用。

渠道压货,人为加剧需求的不确定性

| 暂无评论

在有些行业,压货行为非常普遍,人为加剧了需求的变动性。

过激反应,短缺最后总是以过剩收尾

| 暂无评论

前面多次讲过,行业性短缺状态下,过激反应,大幅拔高安全库存和需求预测,不但解决不了短缺问题,反而造成后续的过剩问题,应了"所有的短缺,最后都是以过剩结束"。特别是集体决策下,人们倾向于承担更大的风险,往往超出企业的承受力度;同样是"集体"决策,库存的责任不明确,补救措施就不及时,把本来可以减轻的风险没有减轻。

有个工业品公司,项目型需求较多,一贯靠一线销售提需求。让每个销售预测自己跟踪的项目,预测的颗粒度小,预测准确度不高,呆滞库存是个大挑战。于是该企业就开始考核预测的准确度:你预测了几个,就得用掉几个。销售跟库存挂上钩了,就迟迟不肯提需求,直到需求快落地时,数量的准确度没什么问题了,但给供应链却没有时间来响应。

改变组织行为,控制多余库存

| 暂无评论

根据风险的高低,我们把多余库存分为两部分:如果能在一定时间内消耗掉,风险较低,就叫过剩库存;一定期限内预计消耗不掉,风险较高,就叫风险库存。多余库存的驱动因素是组织行为,比如预测失败,订单取消,最小起订量,策略备货,设计变更等。

需求预测不能等同于销售目标

| 暂无评论

在《信号与噪声》一书中,特纳·希尔佛阐述道,预测之所以重要,是因为它连接着主观世界与客观现实(如图 1)。在企业里,哪个职能代表主观世界?销售----销售天生是乐天派,总是生活在希望中。哪个职能代表客观现实?供应链----供应链天生更加现实,因为他们知道,把现金变成库存容易,把库存变回为现金可就难了。而这主观与客观呢,就体现在销售预测、需求预测上。

我接触过几个软件公司,都是开发计划软件的。他们有的基于数理统计,提供多种预测模型以供择优选用;有的基于人工智能,通过机器学习,为需求预测和库存计划提供独特的解决方案。这些软件都远非完美,不过整体而言,要比一帮计划员拍脑袋、各行其是强。但是,很多企业就是不愿采用,或者即便实施了计划软件,实际工作中还是在Excel中手工做计划。

德尔菲是古希腊的神庙。在中国的一些农村,当不确定性很大时,大家还有问神的习惯。简单地说,德尔菲专家判断法就如问神,专家就是"神";不光是问一个"神",而且要问多个,交互验证。

案例企业有着强大的粉丝团体,一直走的是粉丝经济,虽然在向品牌经济过渡,但粉丝经济还是营收的重要构成。为了最大化粉丝收益,案例企业就不断推出新品,基本上是每周都有新品上市。该企业走的是中高端、差异化路线,快时尚,品种多,批量小,首批推出一般也就几百到几千件。多种少量让预测更难做,要么过剩,要么短缺,在案例企业得到充分体现。

预测判断力是可以培养的

| 暂无评论

你不需要是个计划专家,才能做预测。预测的能力不是天生的,人人都可以练就。

从猜糖游戏到专家判断法

| 评论(1)

有一次,我在旧金山参加高科技预测与计划峰会。一个赞助商在展台上放一大瓶巧克力豆,让每一个与会人员有奖竞猜。挺大的一个瓶子,几百只巧克力豆,谁又能猜得准呢?几十个与会者猜下来,有猜1000只的,有猜200只的,有猜几十只的。但是,令人吃惊的是,平均值竟然只与实际值相差4只,误差在1%左右(实际值是296,平均值为292)。

VMI:如何计划,如何管理?

| 暂无评论

VMI是供应商管理库存的缩写,英语的全称是Vendor Managed Inventory,最早在零售行业出现(传统上,那个行业习惯于把供应商称为Vendor,更正式的叫法是Supplier),由沃尔玛和宝洁于上世纪80年代率先导入。我们这里把VMI当做一个专题讨论,主要是因为这些年来VMI应用广泛,但由于计划和管理不善,VMI又造成了诸多问题,不光是给供应商造成损失,也严重影响到采购方。

计划职能的绩效如何考核?

| 暂无评论

对于执行职能来说,计划就是计划,好像是个单一职能;但对于计划职能来说,计划还会细分,从需求计划到库存计划到生产计划,从中心仓到前置库位的计划,从新产品到成熟产品的计划,在具体的职责上的侧重点都有所区别。不过就绩效考核而言,这些计划职能却有很多共性,主要表现在服务水平,库存周转和呆滞库存等三方面。

在再订货机制中,再订货点相对简单,但补货机制相对复杂,还有很多细节,比如是定量还是不定量,是随时补货还是定期补货,我们下面接着讲。

会设安全库存,再订货点的计算就很容易

| 暂无评论

在库存计划领域,除了安全库存,经常打交道的还有再订货点(或者就叫订货点)。其逻辑是一旦库存降到预设的水位(再订货点,ROP),就启动订货机制,驱动供应链补充一定数量的货(订货量,ROQ);在货来到之前,库存继续下降,直到订的货到达,拉高库存的水位,然后开始下一个循环,如图1[1]。再订货点法在企业里使用很广,它的几个参数,在此稍作解释。



[1] 在这里,ROP是Reorder Point 缩写,亦即再订货点;ROQ是Reorder Quantity的缩写,亦即订货量。

有货率是重要的运营指标,如何设置?

| 暂无评论

什么是有货率?这几年在计划类培训中,这是学员问得最多的问题之一。

我们知道,安全库存是应对不确定性的----对于需求和供应的不确定性,供应链的自然应对就是放安全库存。安全库存有三个驱动因素(如图1):(1)需求的不确定性,比如平均需求是每周100个,但有时候是120个,有时候是70个;(2)供应的不确定性,比如供应商的标准交期是4周,但有时候都5周了,货还没有送来;(3)有货率的要求:有货率要求越高,就得放越多的安全库存来应对。

新品计划由谁做?

| 暂无评论

新品计划首先是计划,然后才是新品。

一提到新品计划,很多人的第一反应就是可计划性太低,这就自然而然地把它推到销售、产品端,由那些职能兼职,变成拍脑袋为主了。其实不然,就如我们前面详细阐述过的,即便是用专家判断法做新品的初始预测,也得严格遵守"从数据开始,由判断结束"的计划流程,数据分析至始至终贯穿期间,主导整个专家判断流程。

【案例】大型设备的项目预投机制

| 暂无评论

这是个大型设备制造商,设备用于大型工程项目,是典型的大国重器。他们的崛起,让欧美的竞争对手吃尽苦头。但是,大型设备品种多,批量小,定制化程度高,关键物料主要依赖进口,供货周期长,也让案例企业挑战重重。

这个案例聚焦产品上新前,即在新品开发过程中,伴随着越来越多的信息,如何建立定期更新预测的机制,指导供应链更精准地响应。

季节性强,一锤子买卖如何预测?

| 暂无评论

季节性强,生命周期短,比如女孩子们穿的漂亮衣服,需求的不可预见性高,预测多了,呆滞风险大增;预测少了,补货周期又长,补货几无可能。这就相当于一锤子买卖,我们这里探讨一下该怎么预测。

时间序列的分解:水平、趋势和季节性

| 暂无评论

时间序列可以分解为三种成分:水平部分(平均值),趋势部分(上升或下降),季节性部分(周期性的重复),剩余的就是随机变动,即前三者都没法解释的"杂音"。我们常见的时间序列,根据复杂度的不同,一般上述三种成分中的一种、两种或三种组合而成。当然,你也可以把水平部分当成趋势的特例,或者趋势的一部分。那么,时间序列就可简化为两部分:趋势和季节性,以及两者之外的随机变动。下面这个例子就是这样分解的[1]

为什么能预测:延续性和相关性

| 评论(1)

我们之所以能够预测,是基于(1)时间序列的延续性(也叫连贯性);(2)变量之间的相关性(也叫类推性)。计划者的任务,一方面是分析历史数据,总结这样的延续性、相关性,然后是应用这样的关联性,对未来做出预判,指导供应链执行来提前准备。

我做了好几年的计划经理,最多的时候在全球有二十几位计划员,分布在北美、欧洲、亚洲等多个地区。那么大的团队,有人晋升了,有人离职了,有人做全职妈妈了,就注定一直在招新人。每次有新人,培训就是个大问题:采购员的话你可以给他本《采购手册》什么的读,而给计划员的书呢,不管是英文,还是中文,翻破地皮,就是找不到一本合适的,说你读了这本书,就算计划入门了。

从计划的"七分管理"到"三分技术"

| 暂无评论

2018年,我和赵玲合著的《供应链的三道防线:需求预测、库存计划、供应链执行》出版以来,反响很好,在京东上很快就上升到供应链销量榜的第二位(第一位还是我的红皮书《采购与供应链管理:一个实践者的角度》)。

有呼吸机,还是没有?

| 暂无评论

美国这段时间算是掉进坑里了,新冠确诊病人都超过40万了(2020年4月7日)。特朗普可以说是焦头烂额,每隔几天就得在白宫讲话,面对媒体咄咄逼人的问题。政客的讲话,当然是形势一片大好,比如针对医疗器材的短缺,供应正在源源不断地涌来,前些天的热点是检验试剂,这几天就变成了呼吸机。每每讲完,总有记者"不识时务"地问,(您说有这么多),那为什么医生和护士们都在说没有?纽约市长、各州的州长也不时发表言论,说的都是联邦政府短缺,找的都是联邦政府的麻烦。

计划职能的不作为同样可恨

强势职能,比如销售和研发的不作为,人们容易看到,也经常口诛笔伐;但是弱势职能,比如计划和供应链的不作为,却因为被其"受害者"的角色所掩护,往往不容易发现,也就更不容易纠正。

接触过几个软件公司,都是开发计划软件的,主要是需求预测、库存计划。他们有的基于数理统计,提供多种预测模型以供择优选用;有的基于人工智能,通过机器学习,为需求预测和库存计划提供独特的解决方案。整体而言,这些软件要比一帮计划员拍脑袋、各行其是强。但是,很多企业就是不愿采用,或者即便实施了计划软件,实际工作中还是在Excel中手工做计划。

新品的滚动计划:平衡时效性和准确度

| 评论(1)

新品计划的准确度低,关键是伴随着更多的需求历史,要及时滚动更新,同时平衡库存风险断货风险运营成本

预测的灵敏度和准确度

| 暂无评论

预测中,预测的灵敏度(响应度)和准确度经常相抵触:灵敏度高了,准确度就下降;准确度高了,灵敏度不一定高。

预测准确度的统计

| 暂无评论

预测准确度有多种统计方法,这里介绍常用的两种。

有时候,不预测就是最好的预测

| 暂无评论

就如有的人非但帮不了忙,反而帮倒忙一样,并不是所有的预测方法都增加价值。有时候,人类一思考,上帝就发笑,作为还不如不作为,预测还不如不预测。比如在颗粒度很小的地方做预测,或者由销售、用户拍脑袋做预测,预测准确度太低,往往还不如不预测,直接用上期的实际值当做下次的预测("幼稚预测"),亦即常见的"卖一补一"。

样本太少怎么办?

| 暂无评论

上周三,快消品企业A的又一款新品上市了,卖得非常好。到了这周一,短短5天的预售,原来备了两个月的货,已经有一小半给卖掉了,得马上决定是否需要补货。长周期物料、半成品加工、成品组装加到一起,整个补货周期是75天,都快11个星期了。现在的问题是,如何用5天的销量,来判断后续11周的销量?

按日,按周还是按月汇总需求历史?

| 暂无评论

在计算安全库存的时候,当需求相对平稳的时候,我们一般用过去一段时间的平均需求当做预测,计算这段需求历史的标准差,来量化需求的不确定性。这里有两个问题要考虑:其一,样本的数量,即用多少个数据点来计算;其二,数据汇总的颗粒度,比如按日,还是按周或按月汇总。

几年前,中兴终端的CEO曾学忠还是分管中国区销售的副总。有一次我在培训他的团队,这位年轻儒雅的少帅问了一个很简单的问题:生产和销售经常互相抱怨,销售说生产支持力度不够,生产说销售的预测不准,有什么办法?这问题简单,但是非常根本。其实任何一个行业、职业,都会归结到那么几个简单的问题上。我当时的答复是所有的预测都是错的;在力求适当的预测准确度基础上,解决方案得在供应链的快速响应上找。预测就像投篮,篮球之神乔丹的命中率也只有49.7%,这意味着超过一半的球投丢了。另外,要预测,关键是因为有响应时间----自来水随用随取,响应周期为零,所以就根本不用预测。

不要为"订单驱动"所迷惑

| 评论(5)

摘自畅销书《供应链管理:实践者的专家之路》,刘宝红著。

我们有两种方法来驱动供应链,一种是预测;另一种是订单。订单驱动,看上去风险较小,为很多公司所向往,其实未必。

管理需求,控制供应链库存

| 评论(1)

摘自畅销书《采购与供应链管理:一个实践者的角度》(第2版)。刘宝红著,机械工业出版社出版。当当、京东、亚马逊等各大网站有售,纸质和电子版。

前面讲完了周转库存和安全库存,我想讲一下需求管理。需求管理不到位,需求端的不确定因素太多,最后会以库存的形式存留下来,增加了供应链的成本

电子商务传递需求预测和VMI信息

| 暂无评论

除了订单层面的自动化外,电子商务的另一个功能就是传递需求预测。我们知道,即便在订单驱动的行业,需求预测还是没法回避:一方面,长周期物料的交期太长,长出订单周期的差距需要预测来弥补;另一方面,产能扩张与收缩周期较长,需要中长期的预测来指导。所以,即使在订单驱动的情况下,供应商还是离不开采购方的预测。

四分法来识别、管控供应链库存风险

| 评论(2)

所有的库存都是"合理"的,并不意味着我们就把头埋在沙子里,对库存的风险视而不见。这里要介绍的库存四分法,就是帮助我们细分库存,识别风险,管理风险。风险越大,库存的"合理性"就越低,就要引起越多的关注。

要知道,存在的就有其合理性----企业的行为是理性的,它做什么,不做什么,怎么做,都是基于现有能力的理性选择。一线销售提需求(做预测)也是,是企业在系统、流程能力不足情况下的理性选择。要改变这种现状,得通过提高系统、流程的能力,而不是简单的组织措施。

为什么一线销售做不好需求预测

| 评论(2)

首先,让我们问一个很基本的问题:一线销售是干什么的?一线销售是开拓客户、拿订单、做生意的,需求预测是他们的兼职。企业规模大了,业务越来越复杂,产品越来越多,客户越来越多,一线销售兼职做需求预测注定做不好。此外,由于业绩不达标,销售卷铺盖走人的比比皆是,有哪个销售是因为需求预测做不好而被开掉的?没有责任机制的事是做不好的。这从组织的角度决定了需求预测做不好。

寻找和管理"大石头":代理商为例

| 评论(2)

所有的预测都是错的,我们要做的是两点:第一,尽量少错:"从数据开始,由判断结束",整合了历史信息和未来判断的需求预测错得最少;第二,尽快纠错:尽快知道错在哪里,及时调整预测,采取纠偏措施,把损失降到最低。我们的挑战呢,一方面是预测准确度低,另一方面是预测错了但知道得太晚。

销售对需求预测的结果负责,为什么?

| 评论(1)

从业务的角度看,谁对需求预测的最终结果负责?我们这里说的"最终",指的就是那堆过剩库存。答案是销售的老总。这有点奇怪,且听我们细细道来。

VMI的库存水位如何设置

| 评论(1)

VMI是供应商管理库存的缩写,最早在零售行业出现,由沃尔玛和宝洁于上世纪80年代率先导入。这些年来VMI被广泛采用,成为采购方降低库存的重要工具。但是,因为计划和管理不善,VMI又造成了诸多问题,不光是给供应商造成损失,也严重影响到采购方。

适当拔高预测,不就是替代安全库存了吗

| 评论(1)

首先,传递的需求信号不同。假定需求预测是每周100个,安全库存是130个。这传递给供应链的信号是,每周给我按照100个来准备产能;同时,我有个一次性的需求130个,这是安全库存,你帮我一次性备齐以防不测。这样,供应商会按照100个/周来备产能和原材料库存,对于那130个的安全库存,他们会以加班加点的方式一次性解决,影响的是供应链的短期运营成本。

但如果适当"拔高"预测,比如把这130个的安全库存分摊到未来三个月(13周),每周分摊10个,那么需求预测就变成110个每周,供应商就得按照这个来准备产能,中长期产能就多备了10%,导致产能利用率低下,长期成本上升。

此外,在SAP这样的ERP软件里,对待安全库存和预测的方式不同:安全库存是"永久需求",除非你把它给调整,安全库存会一直在那里,一旦库存低于安全库存水位,ERP就会产生"需求",驱动供应链补货。预测则相对"虚"多了,根据用户的设置,过段时间没用的话就会"消失",驱动供应链来取消或延迟订单,把手头的多余库存用于别处。

对于不熟悉ERP的人来说,这比较难以理解。让我们继续上面的例子。假定你不设安全库存,而是把预测由100调到110个/周,而真实需求是100个每周,这样每周就平均有10个是"多余"的,SAP的逻辑是先帮你留着,万一需求滞后。但也不会无限期留着啊,比如留了3周以后(用户可设置),发现需求仍然没来,SAP就认为,看来这个产品预测过高了,便把这"多余"的10个预测给自动取消了,同时传递信号给供应链,说我们预测虚高了,这里要取消10个的订单。得,供应商就给你少造10个。这也意味着实际的安全库存是30个,因为在这里,按照用户设置,SAP只保留3周的"多余"预测,即3乘以10等于30。等到不测发生时,你发现你手头该有的安全库存没有,因为你的实际安全库存远低于应该设置的值。

当然,在那些管理粗放,ERP没有这功能,或者有但纯粹不用的企业,这就不是问题,"傻人有傻福",对吧?不要高兴得过早:该流的汗总是要流的,麻烦在那里,总是会造成问题。举个例子。有一次,我们帮助一个企业改进需求预测和库存计划,几位销售拉住我们不放手,纠缠来纠缠去,老半天才弄明白是两个问题:过剩预测的调整和安全库存不够"安全",跟我们上面谈的两个问题都相关。

这个公司是典型的销售兼职计划,把安全库存分摊到需求预测中。需求预测虚高的话,成了过期需求,就得删掉一些,不然一直挂在那里,驱动供应。但究竟哪些该删(真正的过剩),删多少;哪些要保留(安全库存),保留多久,一笔糊涂账,算不清。

这帮销售还弄不明白的是,明明设了"安全库存",但总觉得不够"安全"----经常短缺,被客户投诉。他们的感觉没错:本来这130个的安全库存,要求供应商马上就送过来的;现在摊到未来13个星期,实际安全库存远比要求的要低,你不短缺才怪了。

那解决方案呢,就是需求预测和安全库存要"上帝的归上帝,凯撒的归凯撒",不要混在一起,人为地增加不确定性。要知道,需求预测和安全库存相辅相成,前者对付的是平均需求,后者对付的是不确定性。这是两个不同的概念,也应该分开处理。

有个50多亿营收的公司,主要客户是国家电网等企业,客户的订单周期是30到40天,不能满足长周期物料的采购。以前是采购自己做长周期物料的预测,准确度低;现在改由销售来预测长周期物料,情况还是没改善。

预测准确度究竟要多高

| 评论(3)

经常有人问,需求预测多准才对?答案是这取决于你所在的行业。比如在工业产品领域,批量小、品种多,60%的预测准确度可能就相当不错;但在汽车制造、家电、消费品行业,这样的准确度可能意味着灾难。

预测不是衡量准确性,而是偏差率

| 评论(1)

预测就如赌博,赌对说明了什么?说明了你幸运。我们其实是很难分析赌对的原因,除了基本的"从数据出发,由判断结束"的需求预测流程,以及选择更合适的数理统计模型。即使这两者都做对了,你还是可能预测失败。所以,从赌对中,我们很难学到太多的东西。这就如你问那位九十多岁的老寿星长寿的秘诀,他说他吃饭,他运动,他睡觉----他其实也不知道为什么长寿,否则的话,为什么不教给他的老伴儿,这样,老伴儿就不会在三十年前去世了。

对于长周期物料,我们之所以专门探讨其需求预测,是因为它们对供应链的影响最为深远。对于供应链来说,一个行业之所以难以对付,关键就在于那些长周期物料,比如芯片,比如显示屏,比如定制化程度高的关键零部件。

光有数据,没有判断,会怎么样?

| 评论(2)

在凤凰卫视驻日记者李淼的微信公众号上[1],看到这么一篇文章,说"随着三峡工程的三次工程竣工,日本的震度M5.5以上地震发生频率逐级上升。月均发生M5.5级以上地震的次数,从三峡工程尚未开工时期的 0.12次/月,上升至 0.49次/月,增幅达到了308%。由此可见三峡工程的威力不可忽视"。作者列举了成十年的数据,非常详实,你能看到清楚的正相关。



[1]来源:《震惊!三峡大坝不光会引发地震,还会...》,微信公众号"李淼",作者李淼,2017年8月8日。

自来水模式的预测机制

| 评论(5)

不知道大家注意到没有,越是管理粗放、需求预测做得差的企业,做需求预测的人就越多。一线销售人人提需求,就是一例。其实,大多情况都跟水电、煤气、市政设施一样,不需要人人做预测;如果你发现基层、一线人人都在做预测,那八成有问题。

畅销专著

  • Supply chain management: high cost, high inventory, heavy asset solutions

畅销经典

  • Purchasing and Supply Chain Management

最近评论

  • Li Zewei: 您好,刘老师,我是本科在天津大学物流工程专业学习,现在正在港城读金融专业,我之前因为对金融知识得喜爱而选择了转行,后来经过和家里人的沟通,我认为我的目标是去从事企业当中和数据打交道得工作,同时也希望自己能读完博士再出来工作,但害怕供应链和金融强调工作经历而使得读博得性价比不高,目前我正在申请统计学专业(为了读博做量化能力的准备),不知道老师怎么看待我的背景读博士得选择,有哪些方向在读完博士之后更被企业所需要呢。 详细>>
  • Kathy: 對老師的分析有很深體會,我所在的地區,因為人才緊張,"三無"也是混得順風順水,混日子混到升職加薪大有人在,特別是公司重視留得久的員工而非有能力之輩,往往讓我心灰意冷。不知道如何調整這種心態,感覺努力提升自己,都不如睜一隻眼閉一隻眼在公司躺平得到更多。我也換過幾家公司,氣氛大都一樣,慢慢對工作失去熱情。 详细>>
  • 文一清: 老师的现场培训课可以多弄一些城市啊 就上海深圳太少了 详细>>
  • 刘宝红: 这里的问题是供应商早期介入了,采购没有。一个两个工程师这么做,可能是那一两个人的问题。一帮工程师都那么做,往往是因为有能力短板,不是工程师的,而是采购的:采购要么没能力,要么没资源,在供应商早期介入上没法增加价值,工程师就自己来对付。我写过专门的文章解释这些。 详细>>
  • 徐培君 Carina: 非常感谢Bob对于“供应商早起介入”,这个话题的探索… 首先,在实际的工作经验中,非常赞同您从底层逻辑出发提出了“设计意愿&设计能力”的两个纬度考量,特别对于高技术新颖的市场这点尤为关键,并通过日本企业的一些成功经验来论证其观点. 作为供应链采购人员,想从实际遇到的问题和您把话题往下衍生一下,如有不恰当之处,望指出: 问题:在一个新领域(数字化算法),由于很多R&D人员就是了解到“设计能力”本身欠缺,故直接采取主动进行“前期供应商接洽”,并美其名曰“沟通更有效率”,从而结果是“寻源”可以技术部门自己完成,采购成为了“走流程,摆样子”,同时由于特殊时期,高级管理层都“默许”;而对于此时“采购人员”特别被动,对于此“怪像”,您怎么看? 详细>>
  • 刘宝红: 这关键是你有没有别的更好的选择。 详细>>
  • Kate: 刘老师,您好!本人在制造业名企有4年订单交付的工作经验,目前有另一家制造业的采购机会,但因为我缺乏采购经验,提供给我的机会是间接采购岗位。目前间接采购岗位都是大型企业才会配置或重视。不知道您对这个岗位的发展有什么看法?是否值得转变岗位? 翻看您之前在17年的回复如下,请问现在还是保持同样的看法吗?谢谢! // 生产制造业在国民经济中的比例会越来越低,服务业的比例会大幅上升,如果中国按照现在的经济发展下去的话。所以,对于间接采购的需求会增加。这也是美国现今的情况。 详细>>
  • 刘宝红: 我对CSCP没有切身经历,也没详细研究过,抱歉。 详细>>
  • 杨俊帅: 刘老师您好,我目前在一家集团公司做供应链经理,之所以是做到这个职位,是靠自己一步一步学习和总结,当然您的图书我一本都没有落下,为了之后更好的在供应链管理上有所发展,我一直在考虑职业认证的事情,之前您在树种提到过几种认证,我也做了了解,在了解过程中看到了一个您没有提及的“cscp”想听一下您的看法。 详细>>
  • amber: 中间那段货比三家简直一模一样,我要怎么样让我们的领导不经意看到这篇文章呢? 详细>>

关于此归档

这里是分类计划预测中的最新日记。

上一个分类职业发展

下一个分类绩效管理

首页归档页可以看到最新的日记和所有日记。