不确定性大，如何避免大错特错

不能把销售目标当需求预测

把销售目标当需求预测，在管理粗放的企业相当普遍。

公司小，快速成长的时候，历史数据的可参考性较低，就只能主要靠判断，而没有人比老总经验更丰富，更能预判未来。于是老总做计划，销售目标成为需求预测。业务快速增长下，人有多大胆，地有多大产，多高的销售目标都实现了，预测准与不准影响不但。

等企业到了一定规模，业务复杂到一定地步，就没有人知道真相----真相在数据里。如果继续沿用老总拍脑袋，把销售目标当需求预测，一旦业务增长出现拐点，行业陷入低谷，就容易出现大错特错，库存、产能问题就大了。

比如一个百亿级的工程机械企业，长期以来把老总的销售目标当做需求预测。08年的金融危机后，国家投入数万亿经济刺激方案，其后几年间，工程建设遍地开花，对工程机械的需求节节拔高。等到刺激方案结束了，工程机械的需求锐减，该企业的过剩库存数以十亿元计，成了大问题。

还有个百亿级的手机公司，以前一直是快速增长，老总做计划，销售目标作为需求预测，设多高的目标都能达成。等到了一定体量，增量市场突变为存量市场，销售目标做预测，承载老总太多的主观愿望，客观性不足的问题就更加凸显。低端产品的需求计划没问题，因为老总不参与；中端产品还可以，因为体量大；高端产品风险最大，预测准确度相当低，因为老总寄予太高的期望，高度参与需求预测。结果呢，高端产品的库存压力最大。

销售目标一般是金额，层层分解到产品、渠道、客户等能够考核销售的地方，准确度注定不高。离开了自下而上的验证，销售目标就变成了硬性摊派，没什么计划可谈。于是，渠道就成了重灾区：为了达到销售目标，销售们就在月末、季末、年末一轮轮地压货。渠道压货，导致整体库存偏高，库龄问题恶化，影响产品的美誉度，又反过来影响品牌。此外，渠道压货人为造成需求的不平稳，给供应链造成更高的运营成本，产能利用率的问题也更严峻。

群策群力，多人智慧胜一人

不确定性大，历史数据不足，我们就习惯性地向销售、产品、客户经理们"要"计划。于是就看到销售经理、产品经理、客户经理等拍脑袋，提需求，做计划。如果这些人都承担不了预测准确度低的风险，老总就不得不做计划。

老总做计划，准确度的问题照旧，甚至更糟糕。有位供应链总监抱怨说，你得给我们老总讲讲，让他不要做预测。我说，你们老总做预测，是他喜欢吗？当然不是。你们老总做预测，是因为需求预测怎么做的问题没有解决，预测准确度太低，没人愿意承担预测的风险，最终就由最能承担风险的人做计划。

不管是需求部门提需求，还是老总做预测，都是寄希望于那个看上去最厉害的人。但是，一个人的智慧，总是没法跟多人智慧相比，导致大错特错频频。《超预测：预见未来的艺术和科学》一书中说到，（在预测上）一个人要打败多个人，需要有很强的能力和相当的训练（也意味着交了很多学费，试了很多错）；一群人要打败一个人，则不需要多少专业知识和训练。

群策群力，整合团体的智慧，是应对高度不确定性，避免大错特错的有效举措。常见的就是德尔菲专家判断法。其基本逻辑是，对于同一判断对象，不同人从不同角度有认识，这些认识整合到一起，便形成更全面、更准确的认识。三个臭皮匠，能顶一个诸葛亮，就是德尔菲法的通俗解释。

我在美国参加一些会议，经常看到组织者在入口处放一大罐巧克力，让与会者有奖竞猜。几十几百人猜的平均值，跟真实值非常非常接近。比如有一次实际值是296个，竞猜的平均值为292个。我后来在上海、深圳多次重复这个实验，只是把巧克力换成糖，得到类似的结果。

有的人猜得多，有的人猜得少，两者会互相抵消。在数理统计上，这叫"大数定律"，就是说样本越大，其平均值越接近真实值。群众的智慧不可忽视。多份研究表明，职场流言有70%到90%的是准确的。我们的经验也表明，无风不起浪，职场流言是有群众基础的。德尔菲法就是用结构化的方式，来整合群体的智慧，以避免大错特错。

德尔菲法形成于二战后期，主要是帮助美国空军的新武器开发。因为是新武器，没有多少可参考的数据，美国空军就请来相关方面的专家，每个专家在各自领域对新武器有一定的认识，让他们背靠背，独立作出判断，匿名汇总后反馈给大家，进行第二轮的判断，如此这般，不断改进，直到达成共识（如达不成，则表明德尔菲法不合适）

德尔菲专家判断法的具体做法，我在《需求预测和库存计划：一个实践者的角度》有详细的描述和案例。这里我想讲一下，跟我们常见的会议讨论相比，德尔菲法有什么不同。

需求预测的精髓是"客观"二字，而常见的会议呢，人与人之间互相影响、博弈，往往难以得到客观信息。比如不管老总多么民主，他坐在那里，大家总是自觉不自觉地跟着他的思路走。职能之间也互相博弈，一个职能说什么，往往取决于别的职能说什么。级别高的人影响级别低的人，经验丰富的人影响经验不足的人，强势职能影响弱势职能，这些都影响了群策群力的效果。

德尔菲专家判断法正好完美避免了会议的问题。其一，独立，专家们背靠背做判断，这样避免了相互影响和博弈。其二，匿名，这样让大家畅所欲言，没有后顾之忧（当然，为了约束信口开河，专家们要罗列判断依据和假设）。其三，多轮循环，上轮的判断整合起来后，组织者以匿名的方式提供给专家团队，帮助下一轮改进判断。这些都有助于尽可能发掘客观信息，让信息变对称，帮助我们做出更好的决策。

避免"牛鞭效应"造成的多重计划

牛鞭效应也叫长鞭效应，指需求变动沿着供应链层层放大，造成多重需求预测和相应的库存问题。越是远离需求，看到变动就越大，库存问题也就越多。这后面的问题呢，是组织博弈带来的信息不对称。

公司内部也有牛鞭效应。比如客户说预测是100个，销售不信任客户，说万一需求更多怎么办？那就变成120。计划想，销售不知道他们是干什么的，万一需求更多怎么办？那就变成140。同样的逻辑，到了采购就变成160，到了供应商就变成180。

在牛鞭效应的作用下，短缺的时候，需求会层层放大，最后会形成过剩；过剩的时候，需求会层层缩小，最后造成短缺。供应链越长，需求失真的情况越明显；越在供应链后端，离需求越远，看到的需求变动也越大。短缺与过剩交替，带来业务的周期性变动，都是牛鞭效应在作祟。

如果在供应链的后端的话，比如芯片制造，终端市场的微小变动就会变得很大，导致严重的短缺和过剩问题。2010年前后是极度过剩，存储芯片都卖成白菜价了；2020年前后是极端短缺，有些芯片的交货周期都超过一年了，都离不开牛鞭效应导致的需求预测的大错特错。

信息不对称下，层层博弈，就造成多重需求预测。你知道，真实的需求最终只有一个，这N重预测中，至少有N-1个是错的，最后都造成过剩和短缺问题。多重预测下，就相当于销售念的是佛经，计划念的是圣经，采购念的是道德经，大家念的经都不一样，供应链怎么能协同呢？

牛鞭效应的根源是信息不对称。那解决方案呢，就是让信息变对称。

在公司内部，我们要从数据开始，由判断结束：有数据的职能选择合适的预测模型，制定基准预测；有判断的职能拿出那些可能显著改变需求的计划，比如促销、活动、上新，以及其后的假设；两者结合，让信息变对称，并且达成共识，从而得到准确度最高的预测。放到更大范围，就是销售与运营计划（S&OP），核心目的也是达成"同一个计划"。

在公司之间，就是推动协同计划、预测和补货，亦即CPFR。比如销售终端数据直接传递给制造商，就避免了在零售商内部层层汇总、层层调整（你知道，人的天性是看到数据就做点调整，不然觉得自己没增加价值似的）。再比如渠道商跟品牌商用同一个系统，所有的进出存都在系统里，品牌商能看得到，供品牌商来做补货，那渠道商就没法博弈，人为调整下单量。