预测的尽快纠偏要以数据驱动，计划主导

尽快纠偏，如果由销售、产品等职能驱动的话，时效性往往是个大问题。

比如有个公司的新品预测由销售经理来做，销售经理当然知道，刚上市的那几天每天的销量都很重要，应该用来及时调整后续的预测。但是，这位销售经理一忙，有时候一周、两周都过去了，还是没来得及调整预测；一经调整，就是大的调整，或者今天调整，明天再调整，缺乏计划性，给生产、采购和供应商的执行带来诸多挑战。

再比如有个连锁零售企业，预测主要由各大区的销售主导，初始预测准确度低，尽快纠偏也做不到位。比如在2020年的新冠期间，突然在5月份发现库存太高了，一下就超过正常库存的35%。这么多的库存能一下子多起来吗？当然不可能。需求和供应出现这样显著的不匹配，总有一个过程。预测和需求的差距拉大的过程中，如果及时调整预测的话，这样的灾难是可以缓解的。

于是，销售们就立即踩刹车，结果供应商一下子就没了订单，6月、7月嗷嗷待哺。9月份了，库存问题好转，短缺却成了大问题，又开始给供应商下大量的订单。生意能突然变好吗？当然不会，还是计划调整得慢了呗。供应商要么饿死，要么撑死，后面都反映的是计划调整的不及时和随意性，而一大根源呢，就是过度依赖销售来主导计划纠偏，让计划本身缺乏计划性。

再说数据驱动。

你知道，需求一直在变化，但如果你问销售、市场、产品经理们，答案往往是没什么变化。一大原因呢，是因为这些人身处变化之中，反倒不觉得变化。这就如你自己的孩子，一生下来就自己带，每天看着他长大，渐进的信息没法改变你对他的看法：他就一直是个小孩子。直到有一天，你"突然"发现孩子长大了。孩子当然不是突然长大的，无非是你"突然"注意到罢了。

放在需求管理上，客户的需求量在一直逐渐调整，销售、客服端身在其中却并注意不到这样的渐进变化。直到那一天，需求从量变到质变，严重的短缺、过剩产生了，人人都注意到了，但已经太晚了。逐渐改变的信息是没法提高判断质量的----判断的对象是显著的变化。但是如果你把这些数据整出来，你会发现明显的趋势等。这就是为什么要以数据分析为主，协助判断为辅。

作为计划人员，定期回顾已经发生的需求，从需求历史中便看出端倪；定期跟销售、产品、市场等对接，借助他们的业务信息来验证数据分析的结论；还有就是采取自适应性的预测模型，更好地基于需求历史的变化而调整预测----这些都是数据驱动的。对于渐进的变化，没有什么比数据分析更能清楚地揭示了。销售人员作为一个整体，数据分析不是他们的强项，很难期望他们基于数据来定期调整预测了。

对于自适应性模型，我们这里多讲几句，因为它们在数据分析中扮演关键角色，你也会理解为什么不能期望销售做这样的数据分析。

当没有显著的趋势、季节性的时候，需求变动是随机的，我们一般用移动平均法和简单指数平滑法来预测。鲜有例外，在我尝试过的例子中，指数平滑法都比移动平均法更准确，因为前者有更强的自适应性：指数平滑法下，越近的需求历史所占权重越大，其权重随着时间的消逝以指数级别衰减，这更符合业务的特点，特别是那些需求变动快的电商、快消品行业。

同样的道理，对于趋势，霍尔特指数平滑法就比线性回归更具自适应性：线性回归是一条直线，而霍尔特法在平滑系数的作用下，随着需求的变化而调整斜率，预测是一条折线，跟实际需求更加匹配，预测准确度一般也更高。同理，对于季节性加趋势，霍尔特--温特模型也比一般的季节性模型的自适应性更强：在平滑指数的作用下，趋势、季节性参数都可以调整。

也就是说，自适应性强的模型更加动态，更能随着需求变化而调整预测参数。没有人知道得比数据更多，这些自适应性的模型是发掘数据，由数据驱动来纠偏的好工具。你说有几个销售懂这些？我们也不能期望他们懂。销售擅长的是大的调整，避免大错特错的关键；计划擅长的是精益求精，通过数据分析，发现需求历史中渐进的、微小的变化，及时调整预测，避免小洞不补，大洞难堵的局面发生。