2022年10-11月公开课(第372-376期)

需求预测:供应链的第一道防线10月27日(周四),10月28日(周五)

库存计划:供应链的第二道防线10月29日(周六),10月30日(周日)

供应链的全局观:系统应对高成本和重资产挑战11月1日(周二),11月2日(周三)

战略寻源+供应商管理:一个实践者的角度11月3日(周四),11月4日(周五)

从小采购到大采购:采购的职能建设11月5日(周六),11月6日(周日)

详情请垂询助手党琪 :182 1756 2014(微信同)。

合适的颗粒度:数据与判断的最佳结合点

| 暂无评论

新书上架《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、当当网有售。

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。

如图 1,颗粒度很小的时候,虽然判断者最接近客户、市场、项目,但因为颗粒度太小,判断的准确度反倒不一定高。比如你在你的片区跟进一个招投标项目,你要么得到这个项目,要么得不到,变成了0-1判断,预测准确度很低。随着颗粒度变大,比如说到了大区,这个大区有10个类似的项目在跟进,根据历史经验,我们大致有30%的中标率,意味着大概能拿到3个项目,判断就相对更准。促销活动也是同理:虽然你是个店长,熟悉你的门店业务,你还是很难判断一个促销活动能给你的门店能带来多少业务,但我们能更好地判断对一群门店的影响。

图片1.png

图 1:在最佳的颗粒度上做预测(示意)

其实,判断也是基于数据的,不过是大脑里的非结构化数据罢了。越在一线,颗粒度越小,数据越单薄,也越容易受偶然因素影响。比如今天客人对她笑了笑,多做了几笔生意,门店的小姑娘就高估需求;昨天的几个电话打得顺利,销售代表今天就拔高预测等。而且越往一线,员工的教育程度一般越低,工作经验也越少,限制了他们的判断能力,也影响到判断准确度。

但是,这并不是说颗粒度越大,判断的准确度就越高。这是因为在更大的颗粒度上,判断者更加远离需求,其判断能力往往在下降。比如对那些总部的销售总监们来说,因为不接触多少一线的事情,对具体的客户、一线的判断也往往有限,除非那些改变需求的决策,比如渠道政策、促销活动,是在总部层面由他们做的。

可以说,随着颗粒度的增大,判断能力是先升后降。这对那些总部的计划人员来说不是好事:他们深知"擒贼先擒王",动不动就找销售的负责人或总部的经理、总监们要"判断",虽然方便,但往往得不到什么高质量的判断。

理论上,数据分析和职业判断两者结合,整体准确度最高的地方,就是最合适做预测预测的地方,如图 1中的"最佳的颗粒度"。这有点抽象。在实践中,我们往往视显著改变需求的决策做在哪个层面,就以哪个层面为合适的预测颗粒度,因为这一般就是数据和判断的最佳结合点。

让我们通过两个例子来说明。

例子1:有啤酒企业,销售组织有全国、大区和片区之分。大区大致是省一级,片区大致是地市一级,片区下面还有数以千计的二级办。就数据分析而言,当然是全国层面的准确度最高;但对于判断而言,全国则不是合适的颗粒度:啤酒的消费有明显的地域特性,在大区一级体现得较为明显。比如冬天到了,别的省份一般销量大减,但黑龙江反倒上升----这些年来,东北的居住条件好了,供暖太足,暖气太热,大家反倒在冬天喜欢喝啤酒降温。相应地,促销、活动、渠道政策等决策也是在大区一级做,这让大区成为数据和判断的最佳结合点,整体预测的准确度也最高。

在理想的组织设计上,我们会考虑在每个大区设置专职的计划人员,跟大区的销售团队一起预测大区的需求;各大区的预测汇总到一起,就成为公司层面的预测,驱动生产与供应链。但实际操作上,该企业却把预测颗粒度设在片区下的二级办:ERP在二级办层面跑基准预测,每个二级办在此基础上提交未来3个月的滚动预测,层层汇总起来,成为最终的预测。

这造成两个问题:(1)同样的数据模型,在二级办这么小的颗粒度,生成的基准预测一般会更不准;(2)二级办的颗粒度太小,每个点在预测全国需求的千分之一甚至更少,相应销售的判断也很有限。数据分析和职业判断都不理想,二级办的预测准确度自然不高;上千个二级办的预测叠加起来,总的预测准确度也不会高。准确度低,库存就高,啤酒放得时间一长,就会影响新鲜度和消费者体验。

例子2:某手机品牌在全世界多个地区都有业务,比如欧洲,北美,南美,印度和中国(业内称为"战区")。这些战区之间的需求差异往往很大。甚至在同一战区,不同国家、地区之间的差异也相当明显。比如东欧与西欧,南欧、北欧、东欧虽说都是欧洲,消费习惯却有很多不同。运营商和电商业务让情况变得更复杂。比如在同一战区,不同运营商在机型以及运营方式上各有不同。这一切都让最佳颗粒度的选择相当困难,需要差异化对待。

整体而言,线上业务以战区的电商渠道为合适的颗粒度,因为每个战区的电商渠道由统一的团队管理,促销、活动等决策是在电商渠道层面做出,因而是数据分析、职业判断对接的合适颗粒度。运营商自成体系,属于大B业务,由大客户团队负责,在每个运营商层面做预测。线下渠道整体上以战区划分,但对于复杂的战区,有可能细分到国家层面。

但在实际操作中,与例子1中的饮料公司一样,该品牌商也是一线销售提需求,虽然在战区层面有计划人员,但他们的任务也多限于搜集汇总信息,传递给总部的计划团队。

为什么两个企业都这样做,把预测颗粒度设在一线?一方面是误解,认为一线人员更熟悉业务,预测的准确度更高;另一方面是责任机制:谁预测谁负责,一线自己提预测,不准的话也别怪总部,可以说是总部应对一线压力的一种做法。

绩效考核上看,颗粒度越小,绩效考核越具体,责任越容易落实。可以说,绩效考核的天然倾向是分散,比如指标的层层分解,落实到人。但是,计划天生就是个集中的概念,由于需求的聚合效应下,越集中,预测准确度越高。当分散与集中没法有机协调的时候,老总们就习惯性地采取简单粗暴的管理方式,把需求预测的责任"落实"到基层和一线,结果就是在错误的颗粒度上做预测。

根本原因呢,还是管理能力不足,销售与运营没法有效对接,数据与判断没法在合适的颗粒度结合,最后就在颗粒度小的地方做预测,因为颗粒度小,对协同的要求一般也低(很多时候,"从数据开始,由判断结束"落在同一个人身上)。

这些年来我发现,管理能力越弱,预测的颗粒度就越小,就越可能由一线人员做预测。比如有个零售商,对国内业务的管理能力强,就集中做需求预测;对国外的业务管理能力弱,没法及时获取销量、库存信息,没法有效对接数据与判断,就由各个国家的一线人员做预测。有个手机巨头也是这样:国内的需求计划在集中做,国外各战区则是层层提需求。

同样的道理,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,就越可能在细枝末节做预测。其实,大多数产品的需求分散,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----要知道,计划天然有集中的倾向,而执行天然有分散倾向;分散做计划,背后往往有执行兼职计划的影子(如图 2)。

图片2.png

图 2:计划天然有集中倾向

此外,虚幻的控制感,也让一线愿意做预测。就如一位电商的店长说的,(一线店长做计划)自己做饭虽然难吃,但至少可以保证有的吃啊。天知道,你都不知道怎么做计划,怎么保证有饭吃?那就只有堆库存呗。显然,店长们花的是公司的钱,牺牲的是股东利益,图的是自己的方便。

两点补充说明。

其一,数据分析不一定非要在预测颗粒度上去做,而是完全可以在更高层面统一做,包括选择合适的预测模型,制定基准预测等。这部分工作应考虑尽量集中,因为公司的最佳分析资源一般都在颗粒度更大的地方,比如总部。你不能指望一线的兼职做好这样的数据分析工作。

其二,并不是每个产品都得判断。这里的核心仍然是"大石头":(1)那些能够显著改变需求的行为;(2)客户集中度高的产品。抓大放小,"大石头"由判断驱动,要落实到具体的销售、市场、产品经理;"小沙子"则由数据驱动,应交给计划来整体负责。


【1】 "花公司的钱,图自己的方便"是读者"黑白"之语。"黑白"应该是网名。

2022年10-11月供应链系列公开课

围绕我的系列畅销书,我设计了五门精品课程,10-11月份(第372期-376期培训)正在报名,每门课程两个半天,9:00-12:00。


  1. 需求预测:供应链的第一道防线10月27日(周四),10月28日(周五)
  2. 库存计划:供应链的第二道防线10月29日(周六),10月30日(周日)
  3. 供应链的全局观:系统应对高成本和重资产挑战11月1日(周二),11月2日(周三)
  4. 战略寻源+供应商管理:一个实践者的角度11月3日(周四),11月4日(周五)
  5. 从“小采购”到“大采购”:采购的职能建设11月5日(周六),11月6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 (微信同),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 2021-12-30 01:08December 30, 2021 1:08 AM

此Blog上的上一篇日记需求计划的进化史

此Blog上的下一篇日记汽车芯片为什么短缺?

首页归档页可以看到最新的日记和所有日记。