一个公司动辄有几百、几千甚至几万个产品,究竟哪些可以预测,该计划;哪些不能预测,不应该建库存?
很多人想到的就是ABC分类法,比如A类产品贡献80%的营收,B类产品贡献15%,其余贡献5%等,根据它们对业务的影响,决定是否要计划,在总部、子公司还是工厂层面计划等。这是从业务的视角来分类产品,但从计划的角度看,价值5000元的A产品和价值5分钱的C产品单价差别很大,对业务的影响大不一样,但完全可能用同样的预测模型,采取同样的计划方式,因为他们的"计划特性"一样。
那什么是"计划特性"呢?简单地说,计划特性就是产品的需求特点,可从两个维度来描述:稳定性和频繁度。需求越频繁、越稳定,产品的可预见性越高,可计划性也越高;需求越不频繁,越不稳定的情况正好相反。当然,这里我们一般会用需求历史,假定历史需求有一定的重复性,如果有设计变更、生命周期等显著改变需求的行为,我们会另行考虑。
量化稳定性和频繁度
对于需求的频繁度,我们这里导入13周频次的概念,亦即在过去的13周里(1个季度),有多少周有需求。比如13周频次为5,表明在过去13周里,有5个星期有需求。这里的判断标准很简单:在特定的一周,如果有需求,那就是1;如果没有,那就是0;把13周的值累计起来,就得到该产品的13周频次。13周频次越高,表明需求越频繁。26周频次、12月频次的概念类似。
比如有个电商,其中有2500多个SKU的13周频次为零,表明这些产品在过去13周内没有一周有需求;500多个SKU的13周频次为3,表明这些产品在过去的13周里,有3周有需求。这些都是典型的长尾产品。13周频率越高,产品越可能是短尾,但并不一定是短尾,因为这里还有个需求的稳定性问题:需求虽然频繁,但不稳定的话,我们会归入"中尾"。
对于需求的稳定性,我们导入离散度的概念。假定产品的需求符合正态分布,我们用离散度(也叫离散系数)来描述需求的稳定性。比如过去20周,示例产品的每周平均需求是49.6个,需求的标准差为18.2,那么该产品的需求离散度就是0.37(49.6÷18.2=0.37)。
从数理统计的角度看,标准差本身就能反映需求的稳定性。但是,产品的平均需求不同,其需求的标准差也缺乏可比性,比如需求越高的产品,其标准差一般也越大,反之亦然。离散度是对标准差的归一化,让不同产品有了可比性。
从计划的角度,产品分三类
基于需求的频繁度和稳定性,我们可以把产品分为三类。第一类是需求频繁而且稳定的产品,我们这里称之为可以预测的"短尾";第二类产品的需求相当频繁,但不稳定,这里称之为难以预测的"中尾";第三类产品的需求既不频繁,也不稳定,是不可预测的"长尾"。
要注意的是,这里的短中长尾定义,跟我们平常看到的有联系,但也有不同。平日看到的"短尾",更多地是从业务的角度来阐述,需求相当频繁,营收占比也较大,其实也包括"中尾"(有些企业叫"头部"产品)。从计划的角度出发,我把需求频繁,但变动性也大的"短尾"单列出来,这就是"中尾"。
在这三类产品中,长尾难对付,但相对来说是小灾小难,因为业务占比较小;"中尾"在业务中占比更大,更容易导致大错特错,其实是最难对付的。
让我们举个例子,看如何通过频繁度和稳定性两个维度,来把产品分门别类,区别对待。
如图 1,这是个工业品企业,共有1919个产品型号。在频繁度上,我们用12月频次,因为他们的产品批量小,品种多,12月频次比13周频次更合适。对于稳定性,为了分类的方便,我们分为多个台阶,每个台阶为0.25。比如表格的最右上角是41,意味着有41个产品型号的12月频次为12,需求的离散度不超过0.5。相应地,表格最左下角的505,意味着有505个产品型号在过去12个月没需求,需求离散度高于1.5等。
我们这里把12月频次大于等于8、离散度小于等于0.75的定义为短尾产品。要强调的是,这种分法仅仅是示例,具体的标准要视企业的具体情况而定。比如在需求相对稳定的行业,离散度为0.75其实已经是变动相当大的产品;但在小批量行业,特别是这里的案例企业,项目型需求多,大客户的影响大,再加上销售的周期性压货行为,离散度为0.75产品已经是相当"平稳"的了。这些产品占所有产品的12%,它们的需求相对频繁,变动也相对小,是用数据模型来预测的理想对象,并不需要太多的判断,除非是有设计变更、大客户的导入导出等。
图 1:产品的分类示例
数据来源:某工业品企业
对于中尾产品,图 1中的示例定义为12月频次高于等于6,但离散系数大于0.75。中尾产品的需求之所以频繁但不稳定,往往是因为有显著改变需求的事情在发生,比如促销、活动等"大石头",要么是企业自己驱动,要么是客户、竞争对手驱动的。我们的应对方案就是基于数据模型,制定基准预测(往往需要数据清洗),然后结合销售、市场、产品等的判断,"从数据开始,由判断结束",来制定需求预测。
剩下的就是长尾产品,需求很不频繁,也很不稳定,可预测性非常低。这类产品所占业务比例往往不大,但产品数量众多,在小批量、多品种环境下尤甚。对于图 1中的案例企业,此类需求往往是项目驱动,或者客户定制。
对于长尾产品,企业要么是不见兔子不撒鹰,由订单驱动,这是在承担客户体验的风险;要么是是承担相当高的预测风险,备风险库存----在备品备件领域,慢动备件即属此列,一旦缺失,产线、设备就没法运行,对业务影响巨大,不能不备,但要备的话预测准确度低,库存周转慢,呆滞风险高。
此外,我们还可在颗粒度更大的地方做预测。比如那些高值慢动的备件,我们不在每个工厂建库存,而是在子公司甚至总公司层面备一些。在鞋帽服装行业,有些极端尺码比如超大码不是在每个零售店备货,而是在一定商圈里的某个地方备,别的零售店有需求的话调货(《货品极端尺码商圈分析》,武俊敏,微信公众号wujunmin)。
产品类别不同,主导职能也有差异
对于短中长尾产品,我们有不同的计划方式,由不同的职能来主导:
·对于短尾产品,历史数据有相当大的可参考性,主导职能是计划。
·对于长尾产品,要么由订单驱动,要么由销售提需求,更多依赖销售的判断。出于服务水平考量,不得不备的长尾产品,计划也可根据有限的需求历史,或者产品管理、设计、销售等的建议,设置一定的安全库存。
·中尾产品介于短尾和长尾之间,可由计划来主导,根据历史数据,采用预测模型得到基准预测;销售、产品、市场等职能辅助,预判可能显著改变需求的事件,由判断结束。
要特别注明的是,这里讲的"计划"泛指做数据分析的人,并不一定在供应链下的计划职能;"销售"泛指有判断的人,也可能是市场、产品、品牌、设计、高管、内部用户等。
评论