需求预测的大错特错更难避免，还是精益求精更难做到？仁者见仁智者见智。作为一个二十多年的供应链老兵，我更倾向于后者：如果说前者相当于把大肚腩减下去的话，后者就是不但要减掉大肚腩，而且要练出六块腹肌，当然也是更难了。
大错特错很多时候是个管理问题。比如拿销售目标当需求预测，一线销售拍脑袋提需求，大促销一点也不告知供应链，有很多是低级错误。精益求精呢则是好上加好，需要清洗历史数据，选择合适的预测模型，优化模型参数，不知要耗多少灯油，而且到一定地步就很难提高。
这不，学者们皓首穷经，开发出各种复杂的模型，做出各种精致的假设，追求的就是精益求精。遗憾的是，这些算法和模型的边际效益往往有限。这也是为什么有些美欧企业，在投入了巨大资源到预测软件后，开始质疑是否值得继续投入，于是就有了预测增值一说。
就我自己来说，我曾为一个电商优化门店的补货计划，花了两个多星期，才把门店的预测准确度从61.6%提高到63.1%，就再也难以显著改善了。当然你也不要小看这1.5个百分点：原来那61.6%的准确度中，可能五十好几个点都是用来覆盖各种成本，只有最后那几个点在贡献净利润。
还有，一提到精益求精，很多人就联想到预测模型。其实模型本身没什么特别的，这个世界上很少有我知道而你不知道的----简单的模型一般比复杂的好，弄得懂的模型一般比弄不懂的好，我们很难在模型上做多少文章，如果我一开口就给你复杂深奥你不懂的模型，我八成是在蒙你。真正不同的是数据：拳假功夫真，预测模型就如"拳"，而"功夫"则是高质量的数据。
好食材不需要复杂的加工，就能做出健康美味的食物来；食材越是不好，就越需要复杂的加工方法，各种各样的调料。基础数据就如食材，预测模型就如烹调方法，模型参数就如调料的量。数据质量的不足，很难通过模型来弥补；模型选错了，参数的择优更多是徒劳。
而数据清洗、模型择优各有挑战。
数据事关企业的整体管理水平。管理越是粗放，数据质量就越差。这涉及到企业运营的方方面面，短期内很难实质性改善。模型的选择和优化则事关计划的专业度，而计划团队的能力提升需要时间----问问你们的计划人员，看有几个学过做计划，就知道需要多长时间来补齐短板了。
几年如一日地清洗数据，逐个产品、逐个SKU地选择和优化模型，那该花多少时间啊。很少有企业有这样的耐心，能吃得下这样的苦。在他们看来，做计划不就是把一堆数据整到Excel中，拷贝复制公式，几十几百行拉下来即可嘛。不过计划没有捷径。就如同仁堂的古训：炮制虽繁必不敢省人工，品味虽贵必不敢减物力。你在计划上省一分钟的事，在执行上就得十倍偿还。
----------------
上面文章节选自我的《供应链管理：高成本、高库存、重资产的解决方案》一书，有修改。
评论