聚焦需求变动的"大石头"

作为代理商，案例企业处于典型的"两头难"境地：一头是大客户，对按时交付的要求很苛刻；另一头是大供应商，都是体量很大的全球企业，很难驱动。作为应对，他们就得更加依赖计划，尽量作准，尽早调整预测，尽可能给供应商更长的响应周期。

对于案例企业来说，需求的变化，不管大小，都由具体的客户开始；即便有多个客户，大麻烦主要是由那些主要客户造成。所以，为了探知变化的根源，一定要落实到具体的客户上。也就是说，针对每个产品，需求一定要分解到每个客户上，就是我们这里讲的"料号--客户"层面。比如一个料号有5个客户，那么就有5个料号--客户的组合；另一个料号有20个客户在用，那相应地就有20个料号--客户的组合。

对于案例企业来说，料号--客户组合共有32000多个（平均每个料号大致有3个客户）。我们当然没有能力管理这3万多组合；我们得设计一套筛选机制，层层过滤，来突出重点，缩小管理范围。

如图 1，我们的第一道过滤器是销量变动。供应链有相当多的冗余，比如安全库存，可以有效应对一定幅度的需求变动；我们需要识别的是超出一定变化幅度的。比如对比最近3个月与之前3个月的订单量，升降幅度超过15%的有20000个左右，占60%的料号--客户组合。这太多，还是管理不过来，那就继续缩小范围。

于是我们就导入第二道过滤器：销货成本。我们把上述的销量变化，乘以产品的单位成本，得到相应的销货成本变动。我们把销货成本下降超过1万元（意味着最多可能有1万元的库存积压），或者上升超过5万元（意味着可能有短缺）的筛选出来，得到1700个料号--客户组合。这些产品有显著的库存影响，要么短缺，要么过剩，对业务影响也更大。

在这里，销货成本下跌的门槛之所以是1万元，显著低于上升门槛的5万元，是因为对于后者可能造成的短缺，有多种渠道可以获知；而对前者可能造成的呆滞库存呢，则不容易被注意到，所以我们把过剩的门槛设得比较低。但不管怎样，这都是经验值，这里只是个示意，我们要按照自己公司、产品情况来调整。

图 1：层层筛选，寻找高影响、高风险的"大石头"

这1700个料号--客户占总数的5%，分配给上百个一线销售人员来跟进，每人平均有一二十个，可操作度相对高多了，但还是觉得有点多。

于是，我们进一步提高销货成本的门槛，比如升降幅度都提升到5万元，就得到713个料号--客户组合，只占料号--客户总数的2%，却对应了50%的销货成本变动。这对案例企业来说是"大石头"，影响大，风险高，需要及时驱动相应的销售来确认需求、管理需求变化、调整预测。同时，供应链也要采取行动，比如驱动供应商增加产能，应对短缺；或者让供应商停止未完工的订单，这样万一出现过剩，我们也可能把半成品做成别的产品，最坏的情况下，也只用给供应商支付半成品的钱。

这就是个简单的需求变动预警系统，用来识别那些重要的需求变化，筛选出那些影响最大的"大石头"，把有限的资源投入到回报最高的产品、客户上。分摊到上百个销售头上，每人平均10个不到，花几分钟时间采取行动，也是很值得的，况且这中间的大多数他们应该已经知道，比如促销活动，新市场、新客户的开拓等，可以很快剔除。

那销售拿到这个清单，具体要做什么？他们要帮助判断，这是一次性情况，还是会持续？持续的话有没有上升的趋势？客户的这个工厂需求改变了，那别的工厂呢？需求变动的驱动因素是什么？我们得采取什么行动来影响需求？如果需求下降是因为客户在偷偷导入我们的竞争对手，那销售现在就得跟客户谈，要么设法赢回生意，最不济也得让客户把供应链上的库存消耗掉，因为那可是为他们备的啊。

在案例中，我们选择3个月的销量，以及15%作为销量变动的下限，主要是因为是补货周期太长（动辄十几个星期），微小的变动都可能需要很长时间才能恢复。在实际应用中，建议大家按照自己行业、公司的情况，以及供应商的交期、需求变动等因素来确定，比如业务变动越剧烈，产品的生命周期越短，建议的时段就越短。

有几点需要补充一下：

其一，寻找"大石头"，并不是说要在客户层面上针对这些料号做预测----那可能陷入预测颗粒度太小、预测准确度太低的陷阱；这是给相关的销售人员提示，驱动他们做出判断：你的客户在这几个料号上的需求变动很大，你知道吗？这是短暂的变化，还是会继续？如果继续的话，未来的变化会更大，还是更小？大多少，小多少？

不变的不需要管理；小的变化可以通过现有的系统、流程来对付；而显著的变化呢，系统和流程没法有效应对，必须得靠组织措施，不但是计划团队，而且是销售的介入。

其二，这里寻找"大石头"的过程，并不是为取代日常的计划，而是作为后者的补充，即单纯从数据分析角度识别影响大、风险高的变化，驱动销售和供应链及时应对。一般企业都有滚动预测的做法，围绕"大石头"的分析也可以纳入滚动预测，成为"从数据开始"的一部分。

最后，在一个稍有点规模的企业，产品动辄几十、几百个，每个产品动辄几个、十几个规格型号，后面跟着几十、几百、上千的客户时，把需求历史分解到产品、型号、客户层面，按周、按月排列，数据量相当大，这后面动辄就是成十、成百万行的数字，一般的人根本没有能力驾驭这么大的数据。这就是为什么，这样的分析建议由计划团队统一完成，而不是指望几十、几百个销售或者他们的助理来做了。