需求预测：分门别类，区别对待

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。