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。
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。
评论