预测：增值还是添乱？

其一，由于业务本身的变动挑战，预测准确度再没法提高，或者说花在预测上的投资得不到相应的回报，我们应该停止在计划上熬灯油，比如投入更多的钱上新系统，采用更复杂的预测模型等。要知道，模型优化到一定地步，增值就非常有限。功夫在诗外，我们得从数据质量着手，更好地管理需求，并且提高供应链的执行能力，用执行来弥补。

其二，需求预测是组织博弈的焦点，很多职能都在染指，目标不一致，信息不对称下就有各种博弈，结果是很多预测行为不但没有增加准确度，反而带来系统性偏差。销售提需求，不考核库存时系统性地虚高，考核库存时便系统性地虚低，就是典型的例子。

很多对预测的调整，也是不增加价值的。比如，基于需求历史，我们选择合适的预测模型，预测误差是32%。经过销售调整，误差反倒增加到36%，表明销售在这里并不增值。不管是计划员的调整，还是销售、产品、高管的调整，如果降低了预测准确度的话，我一点也不惊奇。这些都可以通过复盘来证实。

组织博弈下，种种人为调整带来的系统性偏差很难对付，这也是为什么在预测"七宗罪"中名列第三。简单的解决方案就是不要让那些职能做预测，比如避免一线销售层层提需求，制定中长期计划来驱动生产、供应商。

当然，实践中很多一线人员做预测，也是跨职能之间长期博弈的结果：一线销售最能承担预测失败的风险，他们可以很容易地归咎于客户端，比如市场、客户需求变了，竞争对手又在作孽什么的，但谁又能把市场、客户、竞争对手怎么样呢。

另一个好处就是让一线销售"自己做饭自己吃，不好吃也怪不着别人"，从绩效考核的角度冤有头债有主，免得到时候抱怨计划团队"客户要的你们没备，你们备的客户不要"，这就是为什么我没有完成今年的销售指标......

这些博弈的结果呢，就是很多企业的销售继续耗费巨大的资源，在颗粒度很小的地方，围绕客户、渠道做中长期预测，很多时候不但不增加价值，而且制造了更多的问题。

【小贴士】预测模型的边际效益

在需求预测上，我们的焦点一般是寻找更合适、更优化、往往也更复杂的预测模型。但改进到一定地步，模型本身的边际回报很快会非常有限。这主要有一系列原因：

• 数据本身的问题。比如连极端值都缺乏基本的清洗。

• 预测跨度的问题。预测的跨度越大，准确度就越低，出现系统性偏差的可能性也越大。

• 时间、地点、产品的颗粒度问题。颗粒度越小，预测准确度越低。越是细分的需求，需求的聚合效应越不明显，越是难以预测。

这也是软件提供商的绝望所在----预测模型其实就那些，用啥模型也没法解决上述根本问题。有些企业投入巨大的资源，上了各种计划系统，却很快发现准确度提升到一定地步，就很难进一步提升，也是同样的原因。

解决方案呢，得通过（1）改善数据质量；（2）加强供应链执行来弥补。人们总是寄希望于预测模型，其实模型能做的就那点。拳假功夫真。模型本身就如拳，数据、流程、供应链的执行能力就如功夫。所以，我们不能把所有的希望都寄托在预测模型和计划软件上----你能用的模型别人也能用，你能上的软件别人也能上；终极的差异化优势来自高质量的数据、销售与运营之间的流畅沟通，还有一流的供应链执行能力。