数据分析：计划工作的起点

一谈到"从数据开始"，很多人就联想到数学模型和数理统计。我想说的是，这两者并不是一回事：在数据分析中，数据模型和数理统计只占很小部分。对计划来说，从数据开始与其说是数理统计和数据模型，不如说是一种工作习惯：在开口问销售、市场、产品等内部客户，或者不知从哪里开始之前，先分析数据，总结有规律的东西，识别潜在的问题，再找合适的人来确认、判断、调整等。这些分析中，绝大多数任务用简单的加减乘除就能解决，在Excel表格中即可实现，不需要懂多少数理统计和数学模型。

看她有点迷惑，我就给举了个例子。

有个公司的双十一备货历来挑战很大，我就找出他们的一个主要产品，指导他们的跨职能团队以该产品为例，设计一套"德尔菲专家判断法"，以整合跨职能团队的智慧，群策群力，避免大错特错（该方法可参考我的《需求预测和库存计划：一个实践者的角度》一书）。德尔菲专家判断法中，一项关键任务是确定专家团队。几个小组的讨论结果出来后，几无例外，专家团队列的都是各个职能的老总、各大客户总监，外加主要的大区、城市的业务负责人。这一看就是漫天撒网：他们有10几个大客户，4个大区和二三十个城市，对应有几十号人，你总不能都找来做判断吧？

就该产品，我分析了这个企业的发货历史，发现在过去三个月里，两大客户就接近总量的50%，其余30%左右归线上散户（通过App下单）、20%左右归渠道客户。你马上发现，核心的判断人员就成了两个大客户总监，外加渠道经理和线上业务经理各一名（渠道经理在统一制定政策，策划渠道活动，所以能对双十一备货有一定的判断能力。线上业务也类似，由线上业务经理统一管理）。

大客户的情况则比较复杂，因为那些大客户都是几十亿、百亿级别的企业，业务遍及全国各地，总部与分部之间联系并不一定紧密。大客户总监对应的是客户总部，难以就具体的城市分部做判断。那好，我们就细分到城市层面，发现两大客户60%的需求集中在深圳、广州和无锡3个城市，别的每个城市占比都在5%以内。于是，我们就把这三个城市的客户经理纳入专家团队，一个更加有的放矢的专家团队就建成了。

我简单分析了该企业前半年的数据，在大客户、渠道和线上业务都能看到清晰的波动，在短短几周内，发货量动辄翻了数倍。这后面一定有显著能够改变需求的事情在发生，有的是外在驱动，比如大客户自己的活动；有的是内在驱动的，比如渠道政策、线上活动等。在历史数据中，稍作分析，比如把发货量按周汇总，做个简单的折线图，就能识别这些大的异动，再找到合适的客户经理、渠道和线上业务经理，预判未来是否会发生类似的事，就可做出更准确的预测来。

这些都是基于数据分析的，但不需要有任何数理统计；需要的仅仅是看数据的习惯。

有趣的是，在这个案例中，我把上述的分析结果都附在小组讨论的材料里，但绝大多数的小组连看都没有看，就在那里拍脑袋，凭经验漫天撒网。没有数据支撑，就缺乏针对性；大海捞针，又浪费掉太多的资源；资源太分散，真正需要聚焦的反倒没有足够的资源投入。

没有人知道得比数据还多。我最早是从一位财务总监那里意识到这点的。这位总监新到计划部门，是个计划的门外汉。不过没关系，他把自己关在办公室里，对着计算机捣鼓了几天，就发出一份又一份的报表，告诉计划团队这些产品看上去有这问题，那些产品有那问题，让计划员们来调整计划。我一看，我熟悉的那些"问题"产品大都在清单上，除此之外还有一些我们不知道，但趋势在变坏的产品。这让我意识到数据的强大。是的，那一万多个SKU，谁的经验也比不上数据分析，问谁也不如问数据。

计划是个分析型岗位，要改变依赖业务端的反馈，被动反应的习惯。要知道，对于已经发生的，业务端的所知大多是局部的，滞后的；数据分析往往能提供更及时、更全面的信息。就拿我们经常面对的短缺和过剩来说，销售是怎么发现问题的？往往是库存太多或太少，有人反映到销售那边了。但这已经太晚了：如果监控数据，分析客户的订单、发货历史，你往往会提前几周就发现短缺或过剩的端倪。这些其实都是不需要多少数据分析能力的，要的是"从数据开始"的工作习惯。

摘自《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。