不能拿发货历史当需求

客户想吃几碗饭，这是非约束性需求，亦即没有考虑供应能力的预测，是真实需求。需求预测就是预测未来的真实需求。这很难，因为我们连过去的真实需求也很难定义，而我们一般是基于过去的需求，来预测未来的需求。

在一个完美的世界，客户有多少需求，就给我们下达多少订单，我们就给发多少货。所以，需求量=订单量=发货量。但世界是不完美的，不是供不应求，就是供过于求，导致这三者很难相等。也就是说，订单不是真实需求，发货量也不是。

比如，供不应求时，有些订单得不到满足，可能改为别的产品，甚至被取消；供过于求时，我们促销，让客户提前下订单，下更多的订单，提前发货。在有些行业，比如电商、零售、新零售，手头没有库存时，就拿不到客户的订单（除非能够负卖），通过订单来精准量化需求就更难了。

物理学上有个测不准定律，放在需求识别上也是：追求严格意义上的真实需求是徒劳的。我们只能来近似，也就是把订单当做需求。这后面还有一系列的细节。比如我们在7月5日接到100个的订单，客户要求7月10日交货，我们承诺7月20日交货，实际拖延到8月3日才发货。那这100个的需求，究竟算到哪一天？

答案是客户要求交货的那一天，也就是基于客户的需求日期来定义需求。当然，有些人会说，客户可能围绕需求日期博弈，比如为了抢货而要求提前交货。这没错，但作为供应方，我们如果能够精准预测到这些，提前准备好库存的话，做了更多的生意，有什么不好呢？

而常见的问题呢，就是拿发货数据当需求历史。这一问题是如此之普遍，以至于成为预测"七宗罪"里的第一大罪。遗憾的是，很多人根本都不知道这是个错误，因为他们从第一天开始，就是基于发货历史做计划的。

不能拿发货历史当需求，根本原因是发货数据滞后，导致低估或高估需求，从而低估或高估预测，可能拉长短缺的恢复时间，并加剧短缺后的过剩。

举个例子。假定需求在增加，客户希望7月15日得到100个产品，但由于以前低估了需求的增长，我们没有准备足够的库存，直到8月2日才发货。按道理这100个的需求要归到7月份，指导我们做好8月的预测；但如果基于发货日期的话，这100个会归到8月份，导致我们低估了7月的需求，从而低估对8月份及后续的预测，让短缺的情况更严重。

想想看，如果短缺非常严重，持续时间非常长；发货延迟很久，那么基于发货历史做预测会有多少延误！过剩的情况正好相反。假定客户的需求日期在8月份，但因为我们有货，所以提前在7月份发货；或者说原来短缺，积压了好几周的订单，现在终于有货了，一下子发送很多，这都虚高了当期的需求，误导后续预测也虚高，从而加剧短缺后的过剩。

让我们通过案例来进一步说明。

这是一位读者分享的数据。如图1，我们用两种方式来识别需求：一种是按照客户需求日期（简称需求），另一种是按照实际发货日期（简称发货）。

如果按照实际发货日期来统计需求历史，9到12月的发货量明显高于客户需求。这段时间发货量大，可能是以前短缺，现在产能终于上来了；也可能是年末考核到了，销售向渠道压货。不管怎么样，如果基于发货量，我们看到的趋势明显，可能误导我们拔高后续的预测。

图1：2018年过剩时，需求和发货历史

即便不用趋势模型，而用简单的移动平均法，预测的结果也大不相同（移动平均法在预测增长趋势时，会低估需求的增长）。比如用6个月移动平均，基于客户需求量的话，2019年1月的预测是83746个；而基于发货量的话，这一数字则变为102255个，高出22%。如果用3个月移动平均的话，这一差距变为52%，可以说是大错特错了。

相反，在短缺状态下，基于发货量则可能导致低估需求，让已经存在的短缺变得更糟糕。就案例产品来说，2017年的产能不足，供不应求，当年实际发货比需求量低6.4%，如图2。选用6月移动平均来预测2018年1月的需求，我们会低估11%；按照3月移动平均的话，我们会低估8%。

可不要小看8个点、11个点的差异。如果想通过选择、优化预测模型来提高这么多点的准确度，你不知道得熬多少灯油。

图2：2017年短缺时，需求和发货历史