预测模型的选择的一些考量

在选择合适的预测模型时，我们首先要看预测准确度。前面说过，常用的准确度指标有两个：绝对误差百分比、均方差。前者的好处是直观，但有可能误导；后者的好处是更能够避免极端误差，但不直观。

我还看到，有人用预测"成功率"来评判模型的好坏。比如准确度目标是70%或更高，选100个样本，用预测方法A，有60个样本达到70%以上的准确度；用方法B，只有55个，所以就得出A优于B的结论。这看上去有道理，但如果A没有预测"准"的产品中，误差极端大的案例很多；而B没有预测"准"的产品中，误差都相对挺小，怎么办？

我们当然希望更多的产品能够预测更准；但害死我们的是那些预测极端不准的，这在上面评判方法中没有覆盖到。打个不恰当的比喻，这有点像木桶理论，每个桶板当然是越长越好，但真正害死我们的是那些最短的板。

所以，围绕多个产品选择一种更优的预测方法时，我们也要观察那些预测误差极大的产品，通常有3种方法来应对。

方法1是把所有产品的预测误差加起来，看哪种预测方法的整体准确度最低。

方法2是采取两种互补的预测方法，比如方法A的优势是预测需求变动大的产品，方法B的优势是预测变动较小的产品，每个产品根据自身的特点，在A和B中选择一种方法，以尽量避免出现大错特错。我们后面要讲的预测方法择优，就是基于这样的思路。

方法3是用多种方法预测，求其平均值作为最终的预测。我看到学者们在说，这样做可以提高预测的准确度。这有点集思广益的意思，跟"三个臭皮匠，能顶一个诸葛亮"一样。针对具体的案例，我们可以通过复盘的方式，来验证究其效果。

对预测来说，我们与其说是在追求"更准"，不如说是在避免"更不准"：我们要尽量避免极端错误。这就如长寿和早死的关系：我们虽说都在追求长寿，其实更多是在力求避免早死。长寿充满偶然性，但早死却有相当的必然性[1]；你很难对偶然做点什么，你是通过控制必然来应对偶然，那就是避免早死，才会长寿。

或许这也能够解释，至少是部分解释，为什么人们不愿接受人工智能（AI）和计划软件的建议：凡是我见过的AI和计划软件，整体的预测准确度都要比计划人员更高；但是，由于这些信息系统不知道它们不知道的东西，比如促销、活动等需求历史没法完整体现的信息，往往会出现大错特错，计划人员一眼就可以看出。在精益求精的优化上，计划人员虽然斗不过软件；但在避免大错特错上，他们却往往做得更到位，或者至少觉得他们做得更好。出于避免"更不准"的心理，人们却不敢用，或者不愿用AI和软件系统做预测，也就不难理解了。

预测方法的择优，要尽量考虑对供应链执行的影响，在预测准确度差不多的前提下，预测要尽可能平滑，以减小供应链的执行难度，降低供应链的运营成本。

最后，预测模型的选择还要考虑实施的难易度。人们难以理解的模型，就不信任；不信任，就很难推广。就整体预测效果而言，简单的模型往往比复杂的更理想，很大程度上是因为简单的模型更容易落地。这就相当于给你个100%功能的武器，你能实现30%；还是70%功能的武器，你能实现50%一样。

真正的计划高手，高就高在用最基本的模型，比如移动平均和指数平滑法，解决实践中的大多数问题。这就如真正的武林高手不会花拳绣腿，拖泥带水，而是用最简单、最直观的招数克敌制胜一样。所以，如果有些人一张口，就搬出一些你没听过的复杂方法，他八成是在以主题博大，以掩盖在基本方法论上的贫瘠。

【小贴士】寻找更优，而不是最优的解决方案

有个千亿级的大公司，开设了专门的事业部，雇了一帮博士、硕士开发计划模型，也给别的企业提供咨询。但他们自己的计划人员呢，我问他们是怎么设安全库存的。计划员们说，对于A类物料，他们放x天的安全库存；对于B类物料，他们放y天的安全库存......你知道，他们还是在拍脑袋，虽然公司很大，名气也很大，做计划的方式跟粗放经营的企业无异。

这后面反映的呢，就是典型的系统和组织两层皮：一边是一帮博士、硕士、数理统计专家们皓首穷经，奔着最优化的目标去，开发了很完善，当然也很复杂的软件系统（"完善"在很多时候是复杂的代名词）；另一边是一帮计划人员呢，还是我行我素，继续操着土枪土炮讨生活。一方面，这跟博士们懂数理统计，但不懂业务有关，导致软件系统本身不一定实用；另一个方面，信息系统严重超前，超越组织的现有能力两个阶段，也会导致两层皮的问题。

啥叫超越两个阶段？打个比方。一群原始人在赤手空拳与野兽搏杀，你给只棒子，这是超越组织能力一个阶段，他们试试后觉得不错，用的可能性很大；但如果给辆坦克，这是超越现有能力两个阶段，他们根本没有能力操控，当然也就不会用了。

寻找渐进式的改良方案，可有效避免上述问题。

比如某企业对于所有的产品，原来都在用8周移动平均来预测。我们经过复盘分析，发现部分产品用6周移动更准确，其余的用8周移动更准确；或者说整体而言，指数平滑法比移动平均法更准确，那我们就适当地差异化处理，这就是渐进的改良。

再比如说，每个产品在不同的库存点，最优预测方法都可能不同。但为了简单，我们把一个库存点的所有产品作为一个整体，寻找一种或两种方法，让整体胜算更高。我理解，相比每个产品都采用最优预测方法，这样做会丧失一些准确度，但希望换取可操作性，降低预测模型的维护成本，也适当提高模型的容错性。

商业问题的本质是寻求更好，而不是最好的方案。就如NBA里"独行侠"的老板库班所言，商业上追求完美是件糟糕的事，因为有个投入产出比的问题[2]。等组织的能力提升到一定地步后，我们可以逐步导入更完美，也更优化的做法。

【实践者问】我是做供应链系统的，公司让我主导供应链计划改进项目。我怎么做预测部分的需求呢？毕竟信息化的从业人员很少有供应链体系的从业经历，我的问题比较尴尬。

【刘宝红答】这是对你们IT人员的不公平。需求定义首先是计划人员的责任，他们得搞清楚需求预测怎么做，库存计划如何设，哪些地方需要改进，定义好需求后，你们IT团队可以帮助自动化。有趣的是，另一个公司的IT也有同样的问题：他们在公司CFO的驱动下，给供应链设计了一整套的预测、计划模型，整体思路很好，但根本没法落地。反过来想想看，如果让一个计划经理设计一套IT解决方案，其可行性会有多高？

这也反映了有些公司对计划的误解，认为计划就是分析数据，而IT似乎是数据的对口部门。跟任何职能一样，计划的能力要从组织、流程、信息系统三个方面来改进，IT可以改进信息系统，但信息系统要围绕组织的目标和做事的流程来开发，那些都需要计划职能来定义。