上海/深圳培训计划

我在2019年3月中旬来国内,在上海、深圳两地第234到239次推出专题培训。

需求预测+需求管理:供应链的第一道防线,上海,3月15日(周五)| 深圳,3月22日(周五)

库存计划+库存控制:供应链的第二道防线,上海,3月16日(周六)| 深圳,3月23日(周六)

供应链与供应商管理:一个实践者的角度, 上海,3月17日(周日)| 深圳,3月24日(周日)

报名详情咨询,请联系我的助手党琪 :182 1756 2014(手机|微信)。

刘宝红

供应链管理专栏

【案例】拿到了订单层面的数据,现在怎么办?

| 暂无评论

案例公司是个代理商,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。他们参加了我的培训,想从零开始实践培训中的内容,主要的就是需求预测和库存计划。

他们首先导出几个产品的销量,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,不看具体数据就无异于瞎谈。历史数据过来了,一眼就发现不对劲儿:一年是52周(有时候零头会成为第53周),为什么这数据只有50周?剩余的两周到哪里去了?他们不知道,因为拿到的是二手数据,来源不明。

这就是计划要解决的首要问题:数据的准确性。屡见不鲜的是,本来要解决的是预测模型和库存计划问题,但项目过了大半,却发现还在整理、清洗数据,而这只是漫长征程的开始。

对于计划人员来说,我们对任何数据都要心怀戒备,尤其是汇总整合后的数据:一定要从最基本的数据开始,即原始的客户订单。

对于这个案例,我就索取原始的客户订单数据,比如订单是什么时候接到的,要什么货,要多少,什么时候要,什么时候发货等。学员公司说,订单接到日期和发货日期在不同的系统里,很难凑到一起。那好,那就给我发货的数据:凡是个企业都会有发货数据,不然怎么跟客户收钱呢?但作为计划人员,你得意识到用发货数据做计划有风险,这里举几个例子。

第一, 短缺未发货的订单没有进入需求历史。比如客户上月要100个,你如果有货的话上月就发了,这就形成上月的需求,在需求历史中出现,指导未来的预测;如果没货,要到3个月以后才发货,意味着依赖发货历史来计划的话,你会低估需求,在计划上滞后。这在业务暴增,比如出现爆款而大面积短缺时就更糟糕。解决方案呢,就是按照客户的需求日期来识别需求。比如客户说3月7日要100个,那100个就算作该日的需求,不管何日发货。

第二, 需求被匹配到错误的地方。比如这个客户默认的是由仓库A来支持,A仓没货,于是从B仓发货。如果按照发货历史的话,这需求就算到B仓的头上,导致以后B仓过量计划,而A仓计划不足。解决方案呢,就是在信息系统里提取数据时,不管实际是从哪里发送的,需求都匹配到默认的发货仓。

第三, 有些企业是每天接订单,但每周或几天集中在一起发货,比如每周五发这周收到的订单。把发货历史当做需求时,你会发现周一到周四的"需求"是0,而周五的"需求"一大堆,这人为增加了需求的变动性,错误地导致增加安全库存来应对。

在有些管理粗放的企业,订单数据里没有"客户需求日期"这一项。那好,就用接到订单的日期,默认客户是随订随要,或者按照约定的交期来算。但这也有风险,比如客户一次给一个大订单,分批要货的话,我们会高估需求的变动性,从而可能增加了不必要的安全库存来应对。解决方案呢,就是按照每次的需求日期来归置数据,这要求接单时跟客户确认。

就这个案例来说,我拿到了最原始的发货数据。不完美,但也只能将就。这是逐日的流水账。为了便于进一步的分析,我先把数据按照年、月、周来切分。对于具体的日期,Excel中有个函数Year( )就可以求出对应的年,month( )可以求出对应的月,weeknum( )可以求出对应的周。我把这些公式在Excel里展示出来(图 15),因为我发现很多人不熟悉这些基本的公式,不得不花了很多时间在手工分类数据。2201.png

15:Excel中计算年、月、周的函数

然后做个透视表,把数据按月、按周来汇总。这时候要注意,某一时段没有需求的时候,相应的时段在透视表里就不出现,或者出现但当做空格。在计算平均值、标准差等参数时,要把相应时段的需求设为零,否则会误导。比如在图 15的例子中,过去13周中有3周的需求为零,正确的做法是把这些周设为0;否则,Excel会把它们当做空格,在计算时排除在外,把本来13个数据点当成10个,计算出的周平均和标准差就大不一样。2202.png

图15:在Excel中,空格与零不一样

为什么要花这么多笔墨,讲这些看上去很琐碎的东西呢?这都是为了保证我们分析的数据准确性,避免垃圾进、垃圾出。过去十几年里,我手把手辅导过几十名计划人员,见过的基本数据问题真是数不胜数,尤其是在新兴企业,或者管理粗放的企业。数据不好,分析自然就不会好,就如英语中有句话说得好:Your analysis is only as good as your data

在这个案例中,学员公司给我一个产品的A、B两个型号做分析。这就引发另一个重要概念:产品的替代关系。比如B是新型号,要替代A的话,那么,A的需求历史要归到B上去。如果A和B能够互相替代的话,那就更复杂。比如客户要的是A,但因为手头没货,我们给的是B,那按照发货历史的话,这成了B的需求历史,而实际应该匹配到型号A上去。否则,我们会低估A的预测,而高估B的需求。

类似的还有客户替代:原来的客户甲,后来被客户乙并购了;或者原来这个地区的经销商是A,现在换成了B,前者的需求历史都要并入到后者。供货点替代也是:原来这客户由仓库A供应,后来改为仓库B;或者说原来的A仓关闭了,跟B仓合并,那相应的需求历史要并入B仓。

在这两个型号的需求历史中,我发现有些需求是负数,那意味着退货。这是个传统的代理商,这两个型号的退货比例为4%;而在电商环境,这一比例可能高得多。比如有个做服装的电商,有些款式的整体退货率高达60%,而在发行首月甚至是100%。我们这里要解决的问题是,退货后,从计划的角度怎么办。

分两种情况:如果退货可以再销售,那就抵消需求历史,降低收到退货期的需求(而不是接到订单时的需求----在未退货时,这还是正当需求,需要计划);如果退货没法重新销售,那就不能抵消需求历史。在这个学员的案例中,退货还可再销售,那就抵消收到退货时的需求历史。

再就是促销。如果三天两头做促销,而且对整体销量的影响不大,那这种促销其实有一定重复性,可以算作需求历史----这不完美,但我们在分析需求历史的时候,往往很难把这样的促销识别出来。但是,对于618、双十一、黑色星期五这样的大节,促销产生的需求是不可重复的,需要在需求历史中剔除。当然,上个双十一的促销对做下个双十一会有借鉴意义,但你不能不加区分地用11月份的销量,来预测12月的需求。

那如何识别促销数据?售价可帮助判断促销(比如打折)。相关的活动也是,比如团购。还有日期----你知道,6月18日是六一八,11月11日是双十一,12月12日是双十二。要注意的是,促销影响的不光是节日那天,前后多天也可能受到影响。我分析一个服装电商的数据,发现双十一开始前两周,需求就大幅下降----消费者都开始观望,等着过节打折;而双十一结束后的一周,需求也明显很低----过节钱花光了,手已经被"剁"了,节后就自然不再"败家"了。

再比如美国的黑色星期五(感恩节的第二天),促销往往提前几天开始,节后延续到星期六、星期日。那几天每个购物中心都是人山人海,车都没地方停。接下来的星期一呢,则是网购的高峰期:大家都上班了,人坐在办公室里,心却还没有回来,就用公司的时间来网购。法不责众,老板也只能睁一只眼闭一只眼。

有些计划软件有识别异常数据的能力,并剔除异常,拿相对正常的数据,比如之前一定时段的平均值,来替代异常数据。风险是,这种识别主要是基于数据分析,比如需求的变动性,可能把本来正常的数据给剔除,结果让需求历史更加平缓,人为低估了需求的变动性,造成计划偏低,比如安全库存设置太低等。有些人拿到需求历史,会剔除最大、最小两个值,然后来预测未来的需求和设置安全库存,也有同样的风险。

再就是短缺造成的订单损失。这从需求历史中也往往能看得出。比如前几个月都是每月100,接下来两三个月都成了十几个,如果不是季节性需求的话,那很可能就是短缺。在数据处理上,一般就用前几个月需求作为基准,"预测"短缺几个月需求。这是数据清洗工作中常见的"削峰填谷"----削掉的是促销等不可重复的需求,填上的是短缺或促销造成的需求损失。

看到这里,相信很多人都开始头大。对这个代理商来说,这只是最基本的数据清理工作。还有些杂七杂八的清洗,我们这里就不赘述,比如有些订单是按箱,有的是按个;有的是三联装,有的是六联装,我们得转换成统一标准。再比如有些客户丢失了,那我们要把他们的需求历史拿掉等。

公司大了,成千上万的产品,成百上千的客户,几十成百的供货点,这些零零碎碎的数据清洗工作,如果要人工来做,几无可能。在我的老东家,主要的数据清洗和整理工作是由计算机来做,每到周末,几台功力强大的服务器就马力全开,24小时运作,把基本数据从ERP中提取出来,做好清洗和整理工作,更新到计划部门的数据库里,支持下一轮的需求预测和库存计划。

在日常工作中,数据清洗和整理是计划的基本功:计划人员花在数据整理上的时间,往往要比花在数据分析上的多得多。这就如习武的人,大部分时间其实在站桩一样。这基本功无法替代:有些公司不愿意花时间清洗、整理数据,建好基本的数据库,就只好每次计划的时候人工清理,既重复劳动,又难以确保每次都做得一样好,后续的需求预测和库存计划就很难做到位。

上海/深圳培训计划

2019年3月中旬,我计划回国内,在上海、深圳两地第234到239次推出专题培训


  1. 需求预测+需求管理:供应链的第一道防线,上海,3月15日(周五)| 深圳,3月22日(周五)
  2. 库存计划+库存控制:供应链的第二道防线,上海,3月16日(周六)| 深圳,3月23日(周六)
  3. 供应链与供应商管理:一个实践者的角度,上海,3月17日(周日)| 深圳,3月24日(周日)

更多信息请点击链接,报名详情咨询请联系我的助手党琪:182 1756 2014 (手机\微信),电邮[email protected]

我有微博、微信(scm-blog),也在LinkedIn上,欢迎加我,随时沟通。更多联系信息见此处

欢迎关注我的微信公众号,每天一篇文章:wwwscm-blogcom

请关注我的微信公众号,每天一篇文章:wwwscm-blogcom

评论

畅销专著

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

畅销经典

  • Purchasing and Supply Chain Management

关于此日记

此日记由 刘宝红 发表于 2019-02-19 15:27February 19, 2019 3:27 PM

此Blog上的上一篇日记案例:选择预测模型就如给小孩买衣服

此Blog上的下一篇日记我回答不了的问题

首页归档页可以看到最新的日记和所有日记。