开市客是家会员制的连锁大卖场，特点是硕大无朋的仓库式购物，高大的货架，宽敞的购物环境，漫步其间，让人心旷神怡（如图28）。2019年，开市客首次登陆中国，在上海开张第一家店面时，顾客蜂拥而至，人太多了，不得不关闭4个小时。

图28：开市客的仓库式购物环境

图片来源：Rosa Say，flickr.com/photos/rosasay 

相比于一般的大型超市，开市客主要销售常用的日用品，品种不多，选择有限，但质量好，包装量大，性价比高。比如你去开市客买牙膏，只会看到一两个品牌，而不是一般超市的五六个，甚至十几个；包装也是大包装，一包8支，买一包一家人也够用大半年的。作为对比，沃尔玛平均每个门店有14.2万个SKU，而开市客平均只有4千个（如图29所示）。

图29：沃尔玛和开市客的平均SKU数

开市客的目标客户是中高收入阶层。这是美国经济的主力，消费能力强。这些人收入较高，按道理需求是更加多元化。开市客的品种少、选择少，究竟是怎么吸引这些挑剔的中高收入阶层呢？秘密就在价格和质量上：因为品种少，单品销量大，规模效益就明显，开市客就能得到更好的采购价，而且把这低价转移给消费者。

同样因为品种少，开市客的产品都是精心挑选的，质量有保证，消费者买得放心。选择少，也是好事：开市客的忠实会员很多是上班族，多利用中午吃饭和下班路上的时间来购物，选择少，省得对比，拿了就走，方便。

显然，开市客只挖中间那块营收最大的格子，把规模效益带来的好处回馈给消费者，很好地迎合了中产阶级消费者喜欢优质、实惠的特点，因而消费者的忠诚度很高。自1983年成立以来，开市客每年的营收都在增长。2026年，在全球零售企业中，开市客的市值位列第三，市值4440亿美元（作为对比，阿里是3758亿，全球排名第5；京东是400亿美元，全球排名第22）。

 开市客和美国西南航空只填"大格子"

无独有偶，美国西南航空公司也采取同样的战略。

与美联航等竞争对手不同，西南航空只有经济舱，切去的是航空客运中最大的一块蛋糕：经济型乘客。这些出行者喜欢实惠、干净、整齐的座位，对其他要求不高。西南航空也只提供主要城市之间的航班。除了墨西哥和加勒比海一带，他们也没有别的国际航班。

西南航空有意识地只填大格子。他们清楚地知道，这样做会失去那些头等舱、商务舱的客户，也失去小城市和国际乘客，但同样失去的还有复杂度，以及伴随复杂度而来的成本。

因为主要在大中城市间飞行，航班的满员率就高；因为不按编号入座，登机速度就快，飞机待客时间短，飞机的利用率就高；同样因为只有一种机型（波音737），飞机的采购量就大，购买价格就低，而且运营维护容易，备件批量大，规模效益明显，供应链和后勤体系更加简化。

跟开市客一样，西南航空把低成本的优势以低价格转移给乘客，乘客满意度在低成本航空公司中一直名列前茅。同样出色的还有盈利：西南航空连续47年盈利，2021年成为世界上市值最高的航空公司。而具有讽刺意味的是，美国航空业作为一个整体，这么多年来亏多赢少，早在多年前，就把怀特兄弟发明飞机以来的所有利润都亏掉了。

-----------------------

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》第2版一书。

（1）需求量越大，预测准确度一般越高。小批量产品更难预测，就是这个原因。这就是为什么要降低产品复杂度，推动产品的标准化、模块化、平台化，增加批量和规模效益。

（2）需求的聚合效应越明显，预测准确度一般也越高。这就是为什么产品层面一般要比SKU的预测准确度高，中心库一般要比前置库位更好预测，月度、季度预测要比周、日更准确。颗粒度越小，出现极端值的可能性也就越大，预测难度也越大。

（3）短期预测一般要比中长期预测更准确。越是在细枝末节的地方，中长期预测的准确度就越低。在那些一线销售提需求的公司，让一帮一线销售做中长期预测，一方面需求聚合效应很不明显，另一方面预测的跨度又很长，准确度非常低，这就是为什么了。

从管理的角度，我也想分享两点。

其一，一个不准的预测，也比没有预测要强。没有预测，意味着人人都在做预测，因为无预不立：生产需要预测来备产能，采购需要预测来跟供应商定价，仓库需要预测来雇人......同一需求计划是供应链协同的基础，多重预测是供应链协同的灾难，最终就是一堆堆的库存和产能。

其二，难以预测，并不意味着没法计划。预测不一定要多准，才能让我们制定计划来应对。预测可能出现的不同情况，也可以帮助我们制定相应的计划。计划是针对可能出现的不确定性，制定相应的解决方案，以确定性应对不确定性。这也是计划和预测的不同之处。

其三，预测要做准不容易，但要做得更准却并不难。太多的企业在需求预测上就如没吃过什么药的原始人，只要优化基本的预测模型，加强数据分析，准确度提高一点半点并不困难。不信，你们照着本书做，自己试试。

-----------------------

如果你是个小客户，业务只占供应商很小的份额，比如说0.2%，开二供或许是种理性的选择：因为你太小，没法驱动供应商改变，就只能多条路多个选择；正因为你的需求少，多出点钱，供应商可能把给大客户的偷偷给你一点，就解决了你的问题。

但如果你是个大客户，比如占供应商产能的20%，你得非常谨慎开二供：一方面，没有哪个供应商会有那么多的富裕产能等你来"开发"；另一方面，开二供分散了你的采购额，可能导致你的竞争对手一家独大，任何一个供应商都不把你当回事。

要知道，追一只兔子可能追不到，但解决方案不是同时追两只。

战略合作供应商建议开二供，是一种非常糟糕、极端不负责任的做法。养兵千日，用兵一时，平日那么多的生意倾斜给战略供应商，就是希望关键时刻得到它们的支持。如果你是个大公司的话，你不能给它们养成这个毛病：你要么跟我们做生意，要么不跟我们做生意；如果我们要找二供，那所有的生意就给二供。这样逼迫战略供应商更加重视你的业务，在关键的时刻资源向你们倾斜，而不是首先牺牲你的利益。

顺便讲个家电巨头的故事。

有个家电巨头，原来采用xx的显示屏，但有一年被坑了：供方产能短缺，xx的资源倾斜给竞争对手了。该家电巨头就淘汰xx，信号很清楚：危难的时候你不支持我，以后你就没我的生意。你知道，所有的短缺都会过去，接下来的就是过剩。产能过剩了，xx的高管就三天两头来拜访，这个家电巨头呢，饭可以跟你吃，话可以跟你谈，但生意免谈。

xx给的条件一次比一次好，甚至显著好过竞争对手，但就是拿不到生意。对这个家电巨头来说，虽然这意味着短期利益的损失，但杀一儆百，给所有供应商非常清晰的信号，还是值得："犯强汉者，虽远必诛"，跟我做生意，就得全心全意支持我。 供应商的忠诚度也是这么来的：如果要投机取巧，你会死得很惨。

清晰的战略是利益最大化的关键。想必现在你会理解，对于伊斯兰极端分子，以色列为什么要睚眦必报，以眼还眼，以牙还牙；明朝对农民起义，清朝对太平天国，国民政府对日寇，最终都是选择死磕到底。对于绑架美国公民的绑匪，美国政府历来就是不支付赎金，也是同样的原因（否则美国人还敢出门？）。

-----------------------

在案例企业的一个主要城市，我们确定了一个有代表性的产品，基于过去13周的需求历史（6月9日到9月1日），用简单指数平滑法预测该城市未来四周的需求。如图 1的左边，预测做好了，该城市的总预测是每周32个，这算是"从数据开始"，但判断调整到哪里找？我们还是得从数据中寻找线索。

如图 1的右边，分解这个城市过去13周的实际需求，你会发现零星散户、大客户KA-2、渠道客户占了绝大多数，他们的需求变动会显著影响整个产品需求，造成短缺或过剩。看得出，在过去一个季度里，零星散户的需求有大起大落，很可能是由线上活动所导致的；大客户KA-2的需求也有剧烈变动，表明客户那里可能发生了显著改变需求的事。线下渠道不用说，一旦渠道政策改变，需求也可能显著改变。这些驱动因素要么是内在的（比如线上、线下活动），要么是外在的（比如大客户），我们都需要找到合适的人来帮助判断，在未来几周是否可能有这样的变动。

图 1：根据需求历史，做出基准预测

顺藤摸瓜，我们围绕这三大块需求，找到相应的能够帮我们做判断的人：负责大客户KA-2的大客户经理，负责线上零星散户的电商经理，还有负责渠道的渠道经理。

这三个人找到了，把图 1中的预测给他们，他们能否判断？当然不能，因为我们给他们的是整个产品的预测，而他们各自负责特定的客户、特定的业务。比如渠道经理熟悉未来的渠道政策是否会改变，如果改变的话，会如何影响需求，但她不知道大客户、线上散户的情况；线上散户的电商经理能判断未来线上是否做促销、做活动，但没法判断渠道和大客户的情况。

要知道，销售一般是按照客户、地域、渠道等划分职责，每个人知道自己知道的，不知道自己不知道的，没法判断整个产品层面的需求。那好，我们把总的预测分解为相应的三大块，如图 2的右边，拿给相应的判断者。这时候，我们谈的是具体的产品，具体的渠道或客户，找的是具体的负责人，"冤有头债有主"，才可能得到更具体、更可靠的判断。

那让他们判断什么呢？对于大客户经理来说，她需要了解客户KA-2有没有大的变动，比如促销、活动等；对于渠道和零散客户来说，她们的需求变动是自己驱动的，比如给渠道的返利政策、线上线下的促销活动等。这里要判断的是增量，亦即投入多少资源，带来多少额外的新生意等。

比如找到负责线上零星散户的电商经理，说这是零星客户过去3个月每周的需求，有高有低，最近两个月在下滑，我们的预测是每周21个，你觉得这数字靠谱吗？她说不靠谱，因为临近季末冲量，她正在计划推出促销活动，希望把营收提高20%，以完成这个季度的销售目标。那好，针对线上零星客户的预测就变成21+21*20%=25/周（四舍五入）。相应地，总预测也由原来的每周32个增加到34个。依次类推，我们找到大客户KA-2、渠道对应的销售经理，让他们帮助判断各自负责的部分，得到最终的总预测。

就这样，数据分析和职业判断结合起来了。

图 2：分解需求，找到合适的判断者做判断

在具体操作中，"由判断结束"可以直接调整基准预测，也可以把各项增量分别单列出来，比如新产品、新客户、促销活动等可能带来的额外需求。直接调整基准预测的好处是简单，缺点是难以跟踪，复盘，改进。管理更精细时，企业会清洗数据，制定基准预测，然后叠加各项增量。这种做法相对复杂，但好处是清楚，便于记录，分析和改进。

比如在表 1中，假定我们基于1、2、3月份的需求，来预测4、5、6月的需求为每月900个。这是基准预测，是在清洗掉历史数据中的一次性需求后，采用一定的预测模型计算出来的。也就是说，这是重复性业务。但有些能够显著改变需求的事情没有体现在历史数据中，比如4月份要做的促销，5月份计划进入更多渠道，还有6月份要扩展到更多的城市等。那好，跟相应的市场经理、渠道经理、城市经理对接，纳入各自的判断，得到相应月份的增量。

表1：单列各项判断带来的增量

当然，作为判断者，他们可不能光给个数字；他们还得讲故事：故事比数字更重要。就拿促销来说，为什么在5月份带来额外销量是100个，而不是80个或者200个？这后面一定要有故事，比如以前做过类似的活动，投入x元的资源，增加50个销量；这次投入2x的资源，增加100个的销量等。这些都得作为附注整理起来，作为后续复盘改进的依据。

基准预测是存量，判断调整是增量，两者相加，就得到表 1中4、5、6月的预测。但是，老总可能觉得还不够，想拔高预测，那好，专门给他留一行，把他的数字填进去。就这样，我们得到了最终的预测。

为什么要给每样调整都安排独立的一行？为了冤有头，债有主，一方面好找到相应的人做判断，另一方面在复盘的时候好评估判断的质量，是增加价值，还是制造问题。必要的时候，这也有助于"秋后算账"：渠道经理说5月份新的渠道会增加300个的需求，现在只增加了200个，问题出在什么地方，如何才能改进？毕竟，不统计就不知道，不知道就不能改进。

-----------------------

上世纪九十年代以来，供应商整合是北美供应链管理的热点之一。比如从1990年到2000年，哈雷摩托的供应商数量减半。从1995年到2000年，美洲航空公司把17000多供应商整合到2000多家。朗讯在2003年前有3000多供应商，其中最大的1000个只占采购总额的40%；经过整合，关键供应商压缩为60个，采购额占朗讯开支的80%。

但是，很多供应商整合的举措都失败了。根本原因呢，是供应商整合冲着采购的问题而去，而不是用户部门的问题。作为采购部门，整合供应商必须从内部客户诉求开始，谋求内部客户、供应商和采购的三赢，其结果才可能持久。 

让我们用两个具体的案例来说明。

【案例】机械加工件的困境

我从商学院刚毕业，就加入硅谷的一个高科技公司管理供应商。工作开始不久，就遇到采购机械加工件的同事作报告，主题是供应商整合。这老兄的处境也够惨：区区几千万美元的采购额，却有四五十个供应商。分摊下来，对哪一个供应商也没有绝对支配权，到哪儿去要年复一年的降本？

我这同事曾经是本地的健美亚军，体格如NBA的球员，健谈如国会山的议员。他做了详尽的分析，制定合格供应商清单，把业务聚焦到有限的供应商处。一番慷慨陈词后，听者动容，但两年之后，问题如旧。症结何在？设计人员的需求没有被满足。

原来，他的合格供应商清单是围绕量产要求制定的，这些供应商规模大，"船大难调头"，交货速度没有小公司快。供应商的按时交货率偏重于量产，例如95%就算优秀，但迟到的5%大都是设计部门的新产品，那么对设计来说按时交货率有多差，可想而知。

设计人员告到我同事那里，同事"护犊子"（采购一般都向着供应商，因为供应商的绩效就是采购的绩效），总能找到设计的问题，比如图纸出来迟啦，规格不清楚啦，设计变更无序啦----新产品开发难免试错，要找工程师们的错那还不容易！这老兄还特别好胜，你跟他争辩，他如果不赢的话，就会一直跟你争下去。工程师们嘴巴笨，"讲理"当然讲不过我这同事，就"拿脚投票"，以各种借口采用非合格供应商。

合格清单外的供应商为拉生意，就刻意满足设计人员的要求----谁不愿为几十亿美元的大企业做事呢。这不，新产品就这样开发出来了，隔墙扔过来，转入量产，上了我这同事的雷达----这老兄平日聚焦量产阶段，因为降本、交付、质量等指标都是围绕量产设置的。咦，怎么多了个新供应商？不用问就知道是设计人员导入的。我这同事就开始转厂，把图纸、规格发给合格清单上的供应商处，让它们报价。

这导致一系列问题。

第一，给合格供应商错误的信号，即"你用不着支持新产品开发，等量产时把铅笔削得尖尖的，报个好价，这生意就是你的了"。想想看，新产品开发又累又苦，量小不赚钱；量产时还要二次发标，这生意到谁家还不知道，难怪合格供应商不愿意支持呢。

第二，非合格供应商费时费力，支持了新产品开发，就是寄希望量产后连本带利赚回来。现在好不容易量产了，煮熟的鸭子却飞了，那下次设计人员打电话过来，这供应商还会接吗？而设计人员也就只得再找"愿者上钩"的供应商，开始下一轮的游戏。 

第三，量产后，并不是所有的零件都能转厂。没被转厂的那些零件往往量小货杂，生产难度大，就成了非合格供应商的"鸡肋"，食之无味，弃之可惜，为日后的质量、交货问题埋下伏笔。而供应商的数量呢，也就在这一轮又一轮的游戏中膨胀。

我这同事焦头烂额，不是生产线断料，就是供应商质量问题，三天两头在救火和骂人中度过。先是骂供应商，自然是那些非合格供应商：说好上周五就送来的货，都迟到一周了，还不见踪影；好不容易送来了，还是次品，你们会不会做生意？然后是骂设计：合格供应商的产能利用率只有70%，你们还到处找非合格供应商，居心何在？唯独不骂他自己，因为在他看来，所有的真理都掌握在他手里。

【案例】钣金加工件的新思路

当时我管理钣金，一开始也存在上面案例的问题，因为以前钣金和机械加工件是一起的。鉴于机械加工件的问题，我就采取了一系列不同的做法：（1）设立新产品按时交货率，要求供应商不得低于90%，以满足新产品开发和设计人员的需要；（2）明确规定，任何零件，多家询价，阶梯报价（比如每次采购1件、3件、5件、20件、100件，单价分别是多少），重要的是一次发标，意味着如果不支持新产品开发，过了这村，就没这店，供应商就得不到任何新生意。

这下合格供应商们慌了，因为不再是以前的"不管别的供应商怎么争，到了量产还归我们"，于是纷纷划分专门生产设备、安排专人来支持新产品开发。这对它们也没多少额外成本：经济低迷，它们的产能利用率连50%都不到，划出来一些设备，指派专人支持新产品开发也没多少额外成本。这个人的全职工作就是等着电话铃响----我们的工程师一有需求，二十分钟后，这老兄已经到了工程师的办公室，各种要求当面讲清，图纸、规格交割完毕；半个小时后，机床已经启动了；没多久，样品已经打好，亲自送给工程师了。

刚开始，新产品的按时交货率都很低，那就让供应商做根源分析，采取改进措施。你统计什么，你就得到什么；你想得到什么，那你就统计什么。几个月下来，新产品的按时交付稳步提高到90%以上，有些供应商甚至达到100%，内部用户的满意度大增，给采购的压力就小多了。

设计人员得到他们想要的，自然就用不着冒着贪腐嫌疑、质量风险去找非合格供应商；合格供应商一次招标就获得生意，不用担心自己辛辛苦苦开发好的产品，却在二次招标中流入竞争对手，这增加了业务的确定性；采购人员通过多家询价确保价格合理，并且确保新生意流入合格供应商，采购额越来越集中，对供应商的管控力度也是。

供应商整合的终极目标是三赢：内部客户要得到他们想要的，供应商要有更多的生意，采购要获取规模优势和更低的价格。内部用户不满意，就会想方设法导入新的供应商；供应商不满意，供应绩效不保，客观上决定了需要更多新供应商；采购拿不到它想要的，自然就缺乏动力来做好后续的供应商管理。

如果为了最大化采购的降本目标，牺牲了内部用户的正当利益，集中采购也就变成了无本之木。都说两点之间直线最短，其实往往是曲线最短：如果采购部门直奔成本而去，往往什么也得不到；但如果冲着解决设计、生产、销售等内部用户的问题而去，"曲线救国"，往往会取得意想不到的节支效果。

所以，供应商整合不能光靠制定政策，而是要靠解决问题，实现三赢。不解决问题，供应商整合注定要问题多多，供应商整合的效果不会持久。

-----------------------

先说数据。雀巢的需求计划把数据分三个层次：事务数据，计划数据，外来数据。

事务数据：这是操作层面的数据，比如围绕订单、工单、产品的进出存数据。这是ERP里最原始、最基本的数据，也可以说是我们在信息系统中留下的每一个脚印。比如在ERP软件SAP中，物料的每一次移动、由谁移动、从哪个库位到哪个库位，都有清晰的记录；客户订单什么时候接到，什么时候发送等，也是典型的事务数据。提供完整的事务数据，是ERP系统的强项。

计划数据：事务数据并不能直接用来做计划，而是需要进一步整理、清洗，比如把需求历史按日、按周或按月汇总，按照产品线、产品、SKU分解，剔除其中的一次性需求等，就成为计划用的数据，供进一步的数据分析。计划数据也包括主数据，比如采购提前期，最小起订量，供应商等。计划数据的信息来源是ERP系统，但往往储存在专门的计划系统里，或者单独的数据库里。

外来数据：来自第三方，比如电商平台，销售终端等。这些外来数据更加真实地反映了需求，对计划的价值更高，当然也更难获取。另外，行业性的研究，第三方的数据也算外来数据。比如在导入新产品前，有些企业会参考行业的研究数据，判断潜在市场的大小，以及可能得到的份额，来确定新产品的预测等。

从数据开始 = 数据 + 分析

来源：How Nestlé Deployed Predictive Analytics For Better Planning, by Olivier Gléron, Business Planning, Forecasting and S&OP Conference, Europe, 2018. YouTube.com.

企业大了，没人知道真相；真相在数据里。当然，测不准定律下，我们可能永远没法知道真正的"真相"；真相是相对的，更重要地说，是多数人认可的真相。没有共同的数据，就没有共同的真相，也就缺乏协作的基础。计划数据就扮演这样的角色。

说是"计划数据"，其实不光是计划职能用的；每个管理者都在做计划，虽然他们的头衔、职能中并不一定有"计划"二字。比如生产要用计划数据，来规划未来的产能；仓储要用计划数据，来规划仓库的容量；物流要用计划数据，来计划物流费用；采购得用计划数据，制定采购计划，跟供应商谈定价格；财务也用计划数据，来模拟现金流；销售当然得用计划数据，来预测营收，及时安排促销、活动等。

对于企业来说，一大挑战是有统一的事务数据，因为那是ERP系统的原始记录；但没有统一的计划数据，每个职能都是各行其是。小企业如此，大企业也不例外。比如有个百亿级的电子产品企业，总部和各战区用不同的数据，销售、产品、计划和供应链也是各自用各自的数据，财务当然有自己的数据。数据来源、格式不同，鸡对鸭讲，很多时间就不得不花在确认数据上，效率低下，沟通起来就很困难。

比如说，销售用接到订单的日期识别需求，物流以实际发货日期识别需求，而需求计划用客户的需求日期识别需求。一个简单的例子是，客户在2月15日下订单，要100个，3月15日要，我们实际是4月1日发货的。那么，按照上述逻辑，销售把这100个的需求归到2月份，计划归到3月份，而物流归到4月份，这些职能沟通起来就很困难。

解决方案其实很简单：构建统一的计划数据，形成各职能的共同语言。谁来主导？计划职能，而且是总部的计划。就如我们在一个电商做的，计划和财务协作（计划最熟悉ERP系统，财务的数据最可靠），基于客户订单层面的数据，建立共同的计划数据库，放到统一的服务器或者云端，让各个职能都来用。

这里的基本假定是，客户订单的数据是真实的，比如订单是什么时候接到的，要什么产品，要多少，什么时候要，价格是多少，什么时候发送的，因为这是跟客户收账的依据，是销售、客服、物流和财务部门都依赖的。在这样的原始数据基础上，按照不同的时间、产品、地域、客户维度等切分（就如Excel中的透视表），就成为不同职能共用的数据。

在这个电商，计划安排专门的人，每周定期把上一周的数据添加到数据库里，不同职能、总部和门店，都用这些同样的数据。从管理的角度看，每周更新，能够满足大多数职能的时效要求。当然，对于日常补货这样的活动，更新的频率要更高，比如每天，那每次要更新的数据也就更少。

共同的计划数据，不但降低了职能与职能、总部与分部的沟通成本，也减少了原始数据出错的概率，提高了决策质量。在这样的数据基础上，计划人员就跟医生看病一样，先分析已经发生什么（现状），再分析可能发生的情况（预测），最后提出指导性的建议（行动方案）。这分别叫做描述性分析、预测性分析和建议性分析，构成"从数据开始"中的三大分析。

描述性分析：是什么，或者说已经发生了什么。比如通过折线图，来判断需求历史有没有趋势、季节性、周期性等；借助标准差、离散度、极大极小值等，判断需求历史的变动性。至于说平均值、中位值、众数等，也都是常见的指标，帮助我们理解需求量的大小。

预测性分析：可能发生什么。在描述性分析的基础上，借助数理统计模型来预测可能发生的。这是数据分析的核心，是对未来的预判。其后的逻辑是需求的延续性、相关性等。比如需求呈现季节性，那就可根据过往数据，预测未来数个季度的需求。值得注意的是，预测性分析是基于数理统计的，比如需求在多大概率下，会落在某个区间里。

建议性分析：这是在前两者的基础上，建议的行动方案。打个医生的比方：描述性分析就如"望闻问切"，预测性分析是预判病情的走向，而建议性分析则是开药方。描述性分析着眼"已经发生的"，预测性分析着眼"可能发生的"，建议性分析则是回答"怎么办"的问题，为不确定的未来指出一定确定性的行动方案。

作为计划人员，不管是哪一种数据分析，我们都应该是假设驱动，在业务指导下，为解决业务问题而分析，而不是为分析而分析。这也是计划员与分析员的一大区别：计划员一般有业务背景，从业务角度往往已经有假设，数据分析更加有针对性；而很多分析人员的IT背景很强，但没有需求预测、库存计划等方面的实际工作经历，结果是分析虽然做了很多，报表一大堆，却不解决任何问题。

【实践者问】一堆数据乱如麻，不知道从哪里下手，怎么办？

【刘宝红答】对着数据，做一系列的透视表，按照客户切分，按照地域切分，按照月份、周数切分，按照产品、SKU切分，求平均数，求标准差，统计13周或12月频次[1]，做出折线图，你总会发现规律性的东西来。企业数据不会是一团乱麻；企业数据总会有一定的规律性。我们之所以觉得一团乱麻，十有八九是因为花的时间还不够。

借用诺贝尔经济学奖得主科斯的话，就是只要你拷问足够久，数据总会招供的[2]。

【实践者问】那如何知道数据分析到位了？

【刘宝红答】投入了足够多的时间，找到了规律性的东西，不管谁来挑战你，你都能自圆其说，有了"虽千万人吾往矣"的豪迈，你就知道数据分析到位了。

【实践者问】没有准确的数据怎么办？

【刘宝红答】是的，没有准确的数据可能让我们的准确度降低几个点，但那一般不会造成灾难；拍脑袋，或者因为没有完美数据就不计划，却更可能导致大错特错。很多时候，预测的目标是避免大错特错，而不完美的数据也能接受。此外，数据不可能完美，不完美的数据也比没有强；分析不完美的数据，也比不分析数据要强。

-----------------------

  [1] 13周频次就是在过去13周里，有需求的周数，在后文还会更详细解释。12月频次同理。

[2]英语原文："If you torture data long enough, it will confess". Ronald Coarse, Essays on Economics and Economists, 摘自Goodreads, Goodreads.com。

比如线下是实体店，每个店都得放库存，库存点多，库存周转就慢，库存成本就高；运输周期长，二次搬运多，包装破损的概率就大；仓储、运输伙伴多，质量问题就多，溯源就更困难。传统的电商不熟悉这些，往往低估线下业务的复杂度。

比如有个电商头部企业，线上营收做到几十亿时触顶，为了进一步增长，就开始线下业务，不但自建实体店，而且吸纳加盟商；不但进入传统的大卖场，而且进入便利店、连锁超市。结果是复杂度呈几何数级增长，供应链成本高，毛利挑战大，有些实体业务整体亏损，惨淡经营。

就产品而言，刚开始线上线下重合度很高，线下一般用线上验证过的产品，比如把成熟的爆款转到线下。但是线上线下产品一样，价格透明，对线下定价就很困难，导致毛利低。作为应对方案，该电商就开始为线下定制，并且逐年增加定制的比例，这都导致产品复杂度大增。

顺便提及，我在调研中发现，越是大众化的产品，价格就越透明。为了隐蔽价格，大家就把东西复杂化，定制各种各样的产品来。这在那些产品差异化有限的行业挺普遍。

线上、线下的消费习惯也不同，增加了产品的复杂度。比如线下门店的冲动性消费更多，有些顾客可能随买随吃，所以食品包装要较线上更小。这都导致包材的规格、型号大增，预测更难作准，库存积压严重，有时候本来产品该下市了，但为了消耗过剩的包材却不得不继续卖。

从B2C的电商业务进入B2B的传统渠道，再加上一些大型客户，该电商的内耗就更多，相互抢生意，抢地盘的现象层出不穷。需求越来越多元化，需求预测、补货计划就越来越复杂，供应和需求就越难有效匹配。供应不足，渠道之间就开始争夺资源，销售端就为渠道、大B客户建立专用库存，让库存单元更多，库存更分散，规模效益大减。

全国、全球、线上线下盲目扩张外，跨界是维持高增长的另一本能反应。这就是我们说"这山望着那山高"，英语里叫"篱笆另一边的草更绿"。

这些年来，本土企业成长迅速，很多企业现金充裕，机会多多，决定做什么容易，决定不做什么难，让企业更加难以战略聚焦。跨界之风甚嚣尘上，似乎成为企业多样化经营的理论基础。但是，这并不能掩盖过度多元化的问题：跨行太多，企业的注意力太分散，容易形成行行都进入、行行都不精的局面。

用《复杂度危机》作者马里奥蒂的话说，业界增加复杂度的速度，远超他们认识、计量和管理复杂度的能力。经济成熟了，行业成熟了，产品成熟了，聚焦主业才是正道。就如摩托罗拉的前副总裁特蕾莎·梅提所说，成熟产品，谁能控制复杂度，谁就更可能在竞争中胜出。

这就是为什么在美国，麦当劳以卖汉堡为主，不生产糖水；可口可乐生产糖水，不卖汉堡。从烤汉堡到生产饮料，看上去连跨界都不算。但麦当劳就是不生产糖水，可口可乐就是不卖汉堡，根本原因是市场经济的基本原则：专业分工，而专业分工是规模效益之源。

聚焦主业的战略可不光是理论，而是多少年的市场经济下，欧美企业交了很多学费，吃了很大的苦头后才学到的。如果你看美国的企业史，满篇都是扩张、收缩，试错、纠错的循环，每个循环过后，关停并转中，很多企业就成了历史。

-----------------------

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》第2版一书。

硅谷有个高科技制造企业，一二十亿美金的规模。跟任何技术公司一样，该公司的研发人员整天被最后期限赶着走，不管是来自客户、新产品还是项目的，日子过得很悲催。他们对供应链的最大抱怨呢，就是速度太慢。比如工程师们想买点简单的东西，做个试验什么的，知道了供应商，知道了价格，光让供应链部门下个订单，不等个3天5天的时间，这订单就是出不了门。

为什么这么慢呢？两个主要原因：其一，采购员既支持量产，也支持新产品开发，采购员的面前任何时候都排着一长串儿的订单，主要是量产的。先来后到，工程师的订单来了，排队动不动就得一两天。其二，公司的制度、流程是围绕量产的、重复性需求设定，对于研发的一次性采购，要加上额外的审批，采购审完财务审，层层审批显著增加了周转周期。速度慢，研发人员很有意见，就给供应链很多压力，支持新产品开发的采购经理的日子就很难过，很少有人能熬过两年。有一个高级采购经理，甚至半年不到就走人。

那怎么办？你不能在研发人员难伺候上做文章；你得从有效满足他们的合理需求上着眼。那就是提高供应链的能力，以满足工程师们的需求，从而改变他们对供应链不友好的行为。这样，我们的聚焦点就成了能力建设。前面已经多次说过，能力是个三位一体的概念：组织、流程和系统。这个高科技企业的供应链部门正是从这三个方面出发，提高供应链支持新产品开发的能力。

先说组织。为加强对新产品的支持力度，该公司配备了几个专职的采购员。这些采购员不处理量产订单；他们的全职工作就是支持设计人员的需求，从确认需求到下订单、跟单、收货，尽可能快地满足工程师需求。这样，订单的处理周期大幅缩短。除了人员建制外，组织措施还包括绩效考核。比如对这几个新产品的采购员，该公司开始统计订单发送速度，比如在X小时内，应该有Y%的订单发送给供应商，每周、每月考核。绩效考核驱动员工行为：这些采购员自然更加认真地及时处理工程师的订单。

再说系统。对于工程师的一次性零星需求，该公司设计了一个简单的Excel表格，让工程师填写要买的零星物料和供应商信息，填写完毕就发送到一个专用的Email信箱。表格一旦进入那个Email信箱，系统就开始计时。那几个全职的新产品采购员呢，时时都紧盯着这个共用信箱，看到Excel表格就尽快处理。人们提到系统，总觉得需要投入很多资源，其实未必，比如这里的系统措施，在收发邮件的Outlook系统里稍作设置即可，不需要任何额外投资。

最后说流程。组织调整了，比如设立专门的新产品采购员，也意味着流程的调整：工程师的采购需求产生了，就再也用不着跟量产需求一起排队。在审批流程上，该公司也简化了采购对工程师需求的审批。想想看，工程师想买点杂七杂八的东西，用途大多是研发项目，作为技术外行的采购，你何德何能，能够判断花费是否合适？

谁能判断这些需求是否合理？工程师们自己的老板。是花研发部门自己的钱，工程师的老板，有时候是老板的老板都批准了，还要采购批准啥呢？这些小额采购，金额不大，即使给工程师们打了水漂，又有多少损失呢？我不是说不应管控这个风险；我说的是风险管控与制造的麻烦相比，性价比不一定合算----我们在解决一个问题的时候，往往会制造另一些问题，关键是要看解决的问题多，还是制造的问题多。

对于硅谷的这个企业来说，订单处理速度只是供应链改变能力、技术人员改变行为的一个简单例子。这些举措其实都没有什么特别的技术含量，也不用多少投资。关键是要意识到，内部客户对待支持职能的态度（行为），根本上是取决于我们支持职能的能力；不改变支持职能的能力，就很难改变内部客户的行为。让我们再举个例子，看这个公司是如何改变供应链的能力，以改变工程师的行为的。

拿产品的入库为例。跟很多公司一样，硅谷这个高科技公司的设计人员火急火燎，催促供应商快点交货，但一旦货到了自家仓库门口，就如石沉大海，"走流程"动辄就得几天时间。比如在这个硅谷公司，供应商的产品送到仓库，就得排队，等候录入ERP，这一等就是小半天----跟上面的订单处理一样，随时都有一大堆量产的物料在等着入库；好不容易录入ERP，又开始排队，等着搬到货架上，小半天又过去了；上了货架，还得排队，等候送到工程师的办公室。就这样，工程师一边在火急火燎催货，供应链却在慢条斯理，按部就班地走流程。你说工程师们能给供应链好脸色吗？又是一个典型的工程师的行为，取决于供应链的能力。

那解决方案呢，还是得从供应链的能力建设着手。这个企业的供应链先从系统上开始，把所有工程师的订单都识别出来（这容易，比如SAP里，以47开头的一般是工程师订单）；对这些订单，要求供应商用橘色的包装来识别。然后他们培训供应链上的各个职能，从物流到仓储到搬运，凡是看到橘色的包装，都得放下手头的活儿，优先处理橘色包裹----这也是组织和流程措施。一下子，这就把大段大段的排队等候给拿掉了。

想想看，仓库收发的材料中，绝大多数的是给生产线的；现在让为数甚少的研发订单插队，对生产线的总体影响没什么，但对工程师们来说却是天壤之别：以前收发流程慢，经常见工程师自己驾车到供应商处拿货，浪费工程师的宝贵时间不算，后续的账实不符、供应商付款问题又是一大堆（工程师拿到料了，却没有及时或干脆不补流程，账实不符）；现在有了橘色包装、优先通道，入库的延误尽量减少了，仓库又设了一个专人，整天的任务就是给工程师们送货（组织措施），工程师们自然就用不着到供应商现场去拿货了，而相应的账实不符问题也得到了根治。又是一个工程师的行为改变（不到供应商处拿货），取决于供应链的能力提升。

上面两个例子只是该公司的供应链提升能力、更好满足新产品开发的一部分，从而改变内部客户的行为，改善与供应链的关系。各种举措，不管是组织、流程还是系统措施，其实都没多少"技术"含量，也用不着多少投资，却对提升新产品开发的支持力度有显著意义。

不理解这些的呢，总是抱怨研发太强势，不愿"善待"供应链；理解这些的呢，则善于从自身找问题。毕竟，用一句老话讲，会埋怨的埋怨自己，不会埋怨的埋怨别人。企业人是理性的，组织行为也是。在一个公司里，一个职能不被"待见"，根本原因，鲜有例外，都在于那个职能的能力：能力不足，没法有效解决内部客户的问题，或者制造的问题比解决的还多时，受到影响的职能咋会拿正眼看你呢？

写到这里，我想到深圳的一位采购经理来。她向我抱怨，说公司的那些大厨看到她跟仇人一样。这是家连锁酒店餐饮企业，大厨们开发新菜品，就跟制造业的研发差不多。采购的一项任务是老板的"看门狗"，确保大厨们不要乱花钱。大厨们经常买点零星的东西，比如一块猪肉，实验新的菜品。需求提出来后，先是采购层层审批；采购审完后，又是财务的层层审批。好不容易审批流程走完了，动不动一两周就过去了。我对那位采购经理说，现在你该理解了，采购制造的问题比解决的还多，大厨们看到你能高兴吗？

---------------------

上面文章节选自我的 《供应链管理：实践者的专家之路》一书。

如表1，第4周的预测是77，实际需求是89，那么误差就是77-89 = -12，绝对误差= |-12|=12，绝对百分比误差= |-12| ÷ 89 = 13%，均方误差= 。把13周的值平均了，就得到最后一列的值：平均绝对误差是12，平均绝对百分比误差是16%，均方误差是229。

要说明的是，说是准确度，这里计算的其实是误差。有的误差能转换成准确度，比如1-绝对百分比误差，就得到准确度；有的则没法简单转换，比如绝对误差和均方误差。但不管怎样，误差越小，意味着准确度也越高。

表1：预测误差的计算示例

从其计算方式可以看出，这三种预测准确度指标各有优劣。

平均绝对误差的好处是直观，容易理解，易于跨职能沟通。如果损失跟偏差成正比的话（比如单价是10元，那么少预测1个，营收就损失10元；少预测2个，营收就损失20元），基于平均绝对误差来选择合适的预测模型，也挺有道理。

但实际上，误差跟损失往往不成正比，特别对于极端误差来说。

就拿预测低估来说，少预测1个，我们可以很容易地用安全库存来应对，运营成本为零，也不会损失营收；但少预测100个的话，就可能得赶工加急，产生很多运营成本，而且可能丧失营收、失去客户，成本远非少预测1个的100倍。预测高估也是同理：多预测1个，没问题，下一期用掉就行；多预测100个，则可能得折价甚至报废处理，单位成本显然更高。

均方误差通过对误差平方，来放大极端误差，加倍"惩罚"那些极端误差。要知道，小的误差没关系，我们可以通过安全库存、供应链执行来轻松应对；害死我们的是大错特错，也就是那些极端误差----预测过于低的话，安全库存很容易被击穿，导致高昂的赶工加急成本；预测过于高的话，则容易造成大量的积压，以及由此而来的呆滞库存。

如图1，6月、10月的绝对误差最大，我们通过平方，加倍"惩罚"这样的极端误差，最终反映在较高的12个月均方误差中。选择预测方法时，要尽量避免产生大错特错、极端误差的预测模型。用均方误差来量化预测准确度，能较好地排除这样的模型，也符合业务逻辑。

图1：均方误差示意

均方误差的一个问题是不够直观。比如在图1中，均方误差4436究竟意味着什么，谁也说不清。不过"不怕不识货，就怕货比货"，在比较多种方法时，均方误差越小，表明预测模型越准确，这就足够了。还有，均方误差对极端值很敏感，可能导致过高估计误差。这也展示了预测模型择优时，清洗极端值的重要性。

让我们再回到平均绝对误差。

平均绝对误差跟需求的大小有关。比如平均需求是1000，平均绝对误差是100的话，这预测是相当准确；但如果平均需求是10，平均绝对误差还是100的话，这预测就相当糟糕了。所以，需求量显著不同的产品，在平均绝对误差上是没有可比性的，不能基于这一指标来评判哪个产品的预测更准确。均方误差也有同样问题。

解决方案呢，就是用绝对百分比误差，本书有时简称为百分比误差。这其实相当于对误差进行归一化处理，让不同产品之间的预测准确度有了可比性。百分比误差的好处还有直观，跨职能沟通容易，因而被很多企业采用，或许是这一指标的应用最广的原因。

绝对百分比误差的缺点是分母太小或为零时，百分比就很高甚至没法计算，导致严重失真。对于长尾慢动产品，这个问题就更大了。我们的常见应对方案有二：要么设立上限，比如误差最大不能超过100%；要么采用均方误差、绝对误差。

百分比误差也会有误导：需求是10个，预测了6个，准确度是60%；需求是60个，预测了36个，准确度也是60%。但是，他们对业务的影响不同。第一种情况下，损失了4个的生意，第二种情况下，24个。跟绝对误差、均方误差结合使用，可适当弥补这一问题。

到现在为止，我们介绍了常用的三种预测准确度（更严格地讲，预测误差）的统计方式。还有些别的统计方式，我们这里不再赘述。那究竟该用哪种准确度指标呢？没有一刀切的答案。企业里常见的是百分比误差，但学术文章中更常见的是均方误差、均方根误差，尤其在机器学习、人工智能领域。

计划软件一般能输出多个准确度指标。要注意的是用不同指标，预测模型择优的结论可能不同。比如用百分比误差，可能模型A更准确；但用均方误差时，模型B可能更准确。

-----------------------

要知道，人类对付风险的高级方法不是备份。人类是通过重选择、重管理来对付风险。通俗点讲，就是找到最合适的那只篮子，把所有的鸡蛋都放到一只篮子里，然后看得紧紧的。这似乎有悖常理，特别对于那些备份为上主义者来说。让我们以婚姻为例来解释。

女孩子找对象可是件大事情，万一结婚后小伙子不听话怎么办？小姑娘的解决方案可不是再找个备胎，那样的话这日子就没法过；她的应对策略是重选择、重管理：恋爱过程中一再考验小伙子，自己考验还不算，闺蜜、妈妈一起来参谋（重选择）；结婚后约法三章，比如每天晚上8点前就得回家吃饭，回不来的话提前半个小时打电话请假，回来后第一件事是把手机交出来，打开微信，给看看今天跟哪个小姑娘说话了（重管理）。

经过几十万年的进化，所有的文明人都殊途同归，选择了"一品一点"的一夫一妻制，通过重选择、重管理来管控风险，还是有其道理的。

有些人还是会说，一品一点成了独家供货，没有了竞争，供应商不作为，我还是感到不放心。我想说的是虽然独家供货，并不是说没有竞争：竞争是客观存在的，你不一定非得实实在在导入，才能产生竞争。

比如你现在的职位是典型的"一品一点"，但你不敢因此就早晨10点上班，下午3点就走了，因为你知道，跟你能力差不多，能做这事的人多了去----他们虽然没有坐在你旁边跟你"竞争"，但你知道竞争无处不在。

要知道，人类社会是构建在"独家供应商"的基础上，不管是夫妻关系，还是父母跟孩子。让我们先看一下婚姻关系中，人类是如何管理"独家供应商"的。

在"一品一点"的婚姻关系中，先生是"独家供应商"，如果吊儿郎当不作为了，太太会用各种方法说服教育，让他睡沙发，不给他做饭等，但唯一不做的呢，就是导入竞争，再找一个----那样的话，长期关系就变成短期关系，先生就会很不理性，这事儿就糟糕了。鉴于婚姻是个长期关系，先生有很多可失去的，所以最终会理性应对，不管有多不愿意，最终还是要做太太让他做的事。

再看看，我们的独家供应商有了绩效问题，或者说我们拿不到我们想要的，且不论我们想要的是否合理，我们的第一念头是什么？给它导入竞争，把这厮给换了！这下可好，独家供应商本来就如婚姻关系，是个长期关系，而我们动不动就导入竞争的做法，把长期关系做成了短期关系，供应商就变得不理性，这事情就不可逆转地恶化了。

所以说，独家供应商不是问题，我们怎么管理独家供应商是问题。这就如蛇毒本身是蛋白质并没毒（要不你看那鹰吃了毒蛇，怎么就不见被毒死从天上掉下来），是我们身体的应激反应机制让我们中毒了。

当然，"一品一点"的婚姻关系管理难度很高，一个人即便生理上成熟了，也得等几年才能结婚，因为心理上还不成熟，维持不了那么复杂的关系。放到供应商管理上也是：如果都是些"小采购"在管理供应商，要管理经验没管理经验，要领导能力没领导能力，自然是应对不了复杂的独家供应商关系，那就只能采取备份，一品多点，期望多子多福来解决问题了。

这也是能力决定行为的另一个版本----不改变管理供应商的能力，就很难改变一品多点的做法。

有读者说，"一品一点"我懂了，不过我还是不放心，万一这供应商给一把火烧了，或者说给水淹了，或者说给地震毁了，天灾人祸我可怎么保供，控制供应风险？

解决方案：料号层面一品一点来获取规模效益，品类层面两点或多点寻源来控制供应风险。比如你采购包材（品类），纸箱子A是一个料号，给供应商A做；纸箱子B是另一个料号，给供应商B做。万一A的供应商被火烧了，那B的供应商来做A的活儿。两种纸箱子的原材料差不多，生产工艺也差不多，你要承担的风险呢，就是转换期间供应紧张一点。

或许有人会说，这转换期的风险我还是没法承担。那好，那你就走一品两点的路，不过得承担相应的成本。这就如你开车，不管你的车多好，总有可能出点小故障，趴在那里不动了，你最安全的解决方案就是买两辆车，一辆开着，一辆在车库停着。但你不会那么做，因为那样虽然安全，但成本太高。你的解决方案呢，就是修车期间搭同事的便车。

我们为什么要长篇累牍地谈这些？因为一品几点直接决定了规模效益，从而决定了单位成本。多点供应有高昂的成本。就拿一品两点来说，意味着得建两套模具、设两条生产线、维持两条供应链；一有设计变更，你就得跟两个供应商落实，有两条供应链的库存要去处理。

料号以算术级数增加，成本以几何级数上升。一品多点虽然是同一料号，但在供应链管理上，是多个料号--供应商的组合，管理难度跟多个料号无异。它不但降低了规模效益，增加了单位成本，而且需要巨大的资源来管理，容易让企业陷入广种薄收的恶性循环。

---------------------------

其实一个公司数据再少，也不会没有发货数据，否则的话怎么跟客户收钱？那我们就以发货记录为例，光从这些发货数据中，看能发现多少有用的信息，帮助我们更好地理解客户期望，判断供应链的绩效，识别能力短板。

先看发货数据汇总的时间单元，也就是说，是按周还是按月汇总发货量？在供应链运营上，周是个比月更理想的时间单元，是企业运营管理细度的体现。管理能力越强，管理力度越大，企业的时间单元就越小，越可能用周而不是月。试想想，如果拿一个季度的需求历史为基准，预测未来的需求，一个季度有3个月，三个数据点，能做什么样的分析？但如果分成13周，我们就有13个数据点，数据样本就更大，在数理统计上就更有意义。另外，按月划分，一个季度只有三个控制点，只有两次发现问题、解决问题的机会（第三月的数据出来时，已经没机会改进，因为季度已经结束了）；按周划分，就有13个控制点，意味着12次发现问题、解决问题的机会。

讲到这儿，可能有人说，我们按天划分，数据点不是更多、更好吗？不过这样做可能太细分了，需求的"噪声"可能不必要地放大，增加数据分析的难度。比如我在看一个产品的需求历史，以寻找合适的预测模型。按周汇总，该产品呈现明显的下降趋势，虽然数据点只有6个；试着分解到天，就有42个数据点，数理统计上有了更多的样本，但一周里不同日期的需求变动性被呈现出来，让本来清楚的趋势中，增加了更多的变动性，看上去更像趋势中嵌套着"季节性"，分析难度大增（如图）。

需求按日分解，导入太多的"噪声"，增加分析难度

对于很多企业来说，每周补一次货，周五送到，满足下周的需求，所以按周汇总数据、作分析应该能够满足需要。当然，如果补货频率更高的话，比如每天都补货，那么需求历史就需要按日汇总，在预测每次的补货量时，也就不能忽视一周内的"季节性"。

相反，按月汇总数据，则可能掩盖很多本来不应该掩盖"噪声"，造成错误的决策。比如每月需求是100个，这100个集中在一个星期，还是平均分散到四个星期，对供应链的挑战可大不一样。如果按月汇总，我们看不出需求的波动；如果按周分解，需求的波动则更清晰地反映在数据和统计结果中。

再看客户的期望，以及企业的实际交付能力。

你问企业的管理者，客户对我们的期望是什么？大家往往是各持己见，一笔糊涂账。那好，发货历史可以给你相当可靠的判断：客户订单是什么时候录入的（订单录入日期），客户希望什么时候发货（客户需求日期），我们是什么时候实际发货的（发货日期），客户期望就是需求日期与录入日期的差值，录入日期与发货日期之差就是企业的实际交付表现。两者对比，你马上就看得出两者的差距，亦即客户期望与供应链能力的差距。

那如果客户的期望是3天交货，我们是平均5天交付，这差距是不是个问题？不一定。有些客户习惯性地"高要价"，比如今天下单明天要货，期待你3天后送来，供他们7天后用。有的差距却要关闭，不能因为你一直不及格，就以为客户可以接受不及格----你可能因此在损失营收。怎么才能知道是否需要关闭差距？你当然不用去问销售----发货历史就能告诉你，只要你分析的话。

比如对于客户A，从去年到今年，你的交付表现没有改变，但业务量却在增加----你知道客户的整体业务没增加，那意味着你的份额在上升，也意味着你虽然达不到客户的"期望"，但你的竞争对手可能做得更糟。相反，对于客户B，类似情况下，你的业务却越来越少，表明你的竞争对手可能做得更好，客户对你更不满意。作为后端的供应链，我们不是生活在前线的炮火中，不大直接接触到客户，也对销售们的"危言耸听"充满戒心，但佐以这样的数据分析，还是可以相当可靠地判断发生了什么。

从发货数据中，还蕴藏着更多的客户信息。比如客户的订货习惯：每周还是每月下订单？是不是接受部分发货？这跟我们的关系可不小：如果是每月订货，而且不接受部分发货，那你就得备更多的安全库存来应对；如果订货频率更高，还接受部分发货，那么你可适当降低的安全库存。背后的逻辑是，订货越频繁，需求量就相对越稳定，计划也就越容易。

订货的频次也反映了客户的运营水平：运营水平越高，订货的频次一般越高，订货量一般也越平稳，这些更可能是优质客户的体现。而习惯性地给你一个大单子，让你分N次送货的客户，就跟那些习惯于大批量运作的企业一样，往往在管理上也更粗放。这类企业呢，整体计划性也往往有待提高----如果统计他们的急单比例，你就能够通过数据来验证。

从发货历史中，你还可分析客户的集中度。摘取一段时间的需求历史，比如6个月，按照料号、客户、月份分解，你就能判断，对于特定的料号，是否有客户占了相当的比例。这些客户就是"大石头"（需求占比较高，一旦需求变化了，对全局的影响更大），在需求预测和需求管理时要特别关注，比如积极对接销售，了解信息系统外的信息；紧盯客户的需求变化，及时采取补救措施。在"大石头"的识别上，你得借助数据分析，而不是寄希望于销售，因为他们知道自己的客户，并不熟悉别人的客户，没法告诉你他们的客户是否是"大石头"。

你还可以从发货历史中看需求的变动性。比如基于13个星期的发货历史，你可以计算每个产品的需求标准差，跟13周平均需求值相除，就得到度量变动性的离散系数，或离散度。你马上看得出，不同料号的变动性大不一样，一刀切的管理方式，比如都设置x天的用量作为安全库存，结果就是要么多了，要么少了，短缺与过剩并存。你还可以设定一定的规则，比如过去4周的平均需求与过去8周的相比，上升或下降超过一定比例，就需要额外关注等。

再看货是从哪里发出去的。比如某个客户默认是由最近的仓库A发货，但货物实际是从较远的仓库B发送的，那往往意味着仓库A的计划薄弱，没有备足货，造成更高的运营成本。或许有人会说，为什么不是客户需求问题呢，比如仓库B的客户调货频率高，每次调货少，这样好对付；而仓库A的客户三个月不订货，一订就要3个月的量，谁都难对付，所以就不得不向B库借货，由仓库B发出？

那好，我们还是看数据。相同的料号，不同的仓库，计算需求的离散系数，这问题不就有了答案？你也用不着去问两个仓库的客服人员，或者相应的销售人员----数据就放在那儿，答案就在数据里，你先该到数据里看看。

要知道，上帝只给我们一张嘴，却给了两只手，就是让我们在动嘴之前，先动手分析数据。没有人比数据知道的多。如果你从数据中看不出什么，很简单，你的分析还没到位，最常见的呢，就是你还没有花足够多的时间来分析。

最后，我想顺便指出，不能把发货记录当成需求历史，来预测未来需求。需求历史是基于需求日期的。比如客户12月1日要100件，但因为短缺，我们12月15日才发货，那这100件还是算12月1日的需求，跟什么时候实际发货无关。这是为了避免在短缺情况下，延误识别需求，低估未来的需求。这是很多人常犯的错误，经常有人问起，这里顺便作答。

-----------------------

一谈到"从数据开始"，很多人就联想到数学模型和数理统计。我想说的是，这两者并不是一回事：在数据分析中，数据模型和数理统计只占很小部分。对计划来说，从数据开始与其说是数理统计和数据模型，不如说是一种工作习惯：在开口问销售、市场、产品等内部客户，或者不知从哪里开始之前，先分析数据，总结有规律的东西，识别潜在的问题，再找合适的人来确认、判断、调整等。这些分析中，绝大多数任务用简单的加减乘除就能解决，在Excel表格中即可实现，不需要懂多少数理统计和数学模型。

看她有点迷惑，我就给举了个例子。

有个公司的双十一备货历来挑战很大，我就找出他们的一个主要产品，指导他们的跨职能团队以该产品为例，设计一套"德尔菲专家判断法"，以整合跨职能团队的智慧，群策群力，避免大错特错（该方法可参考我的《需求预测和库存计划：一个实践者的角度》一书）。德尔菲专家判断法中，一项关键任务是确定专家团队。几个小组的讨论结果出来后，几无例外，专家团队列的都是各个职能的老总、各大客户总监，外加主要的大区、城市的业务负责人。这一看就是漫天撒网：他们有10几个大客户，4个大区和二三十个城市，对应有几十号人，你总不能都找来做判断吧？

就该产品，我分析了这个企业的发货历史，发现在过去三个月里，两大客户就接近总量的50%，其余30%左右归线上散户（通过App下单）、20%左右归渠道客户。你马上发现，核心的判断人员就成了两个大客户总监，外加渠道经理和线上业务经理各一名（渠道经理在统一制定政策，策划渠道活动，所以能对双十一备货有一定的判断能力。线上业务也类似，由线上业务经理统一管理）。

大客户的情况则比较复杂，因为那些大客户都是几十亿、百亿级别的企业，业务遍及全国各地，总部与分部之间联系并不一定紧密。大客户总监对应的是客户总部，难以就具体的城市分部做判断。那好，我们就细分到城市层面，发现两大客户60%的需求集中在深圳、广州和无锡3个城市，别的每个城市占比都在5%以内。于是，我们就把这三个城市的客户经理纳入专家团队，一个更加有的放矢的专家团队就建成了。

我简单分析了该企业前半年的数据，在大客户、渠道和线上业务都能看到清晰的波动，在短短几周内，发货量动辄翻了数倍。这后面一定有显著能够改变需求的事情在发生，有的是外在驱动，比如大客户自己的活动；有的是内在驱动的，比如渠道政策、线上活动等。在历史数据中，稍作分析，比如把发货量按周汇总，做个简单的折线图，就能识别这些大的异动，再找到合适的客户经理、渠道和线上业务经理，预判未来是否会发生类似的事，就可做出更准确的预测来。

这些都是基于数据分析的，但不需要有任何数理统计；需要的仅仅是看数据的习惯。

有趣的是，在这个案例中，我把上述的分析结果都附在小组讨论的材料里，但绝大多数的小组连看都没有看，就在那里拍脑袋，凭经验漫天撒网。没有数据支撑，就缺乏针对性；大海捞针，又浪费掉太多的资源；资源太分散，真正需要聚焦的反倒没有足够的资源投入。

没有人知道得比数据还多。我最早是从一位财务总监那里意识到这点的。这位总监新到计划部门，是个计划的门外汉。不过没关系，他把自己关在办公室里，对着计算机捣鼓了几天，就发出一份又一份的报表，告诉计划团队这些产品看上去有这问题，那些产品有那问题，让计划员们来调整计划。我一看，我熟悉的那些"问题"产品大都在清单上，除此之外还有一些我们不知道，但趋势在变坏的产品。这让我意识到数据的强大。是的，那一万多个SKU，谁的经验也比不上数据分析，问谁也不如问数据。

计划是个分析型岗位，要改变依赖业务端的反馈，被动反应的习惯。要知道，对于已经发生的，业务端的所知大多是局部的，滞后的；数据分析往往能提供更及时、更全面的信息。就拿我们经常面对的短缺和过剩来说，销售是怎么发现问题的？往往是库存太多或太少，有人反映到销售那边了。但这已经太晚了：如果监控数据，分析客户的订单、发货历史，你往往会提前几周就发现短缺或过剩的端倪。这些其实都是不需要多少数据分析能力的，要的是"从数据开始"的工作习惯。

-----------------------

跟预测比，主要是为了约束销售端，以更好照顾供应链的利益。这在销售提需求、重资产运营的企业比较常见。比如我到一家手机厂商，问大家为什么要预测，制造总监的答复是让工厂平稳生产。我能够理解，资产那么重，工厂的设备不能停，工人不能闲着，加急赶工要尽量少，因为这都意味着成本。但公司存在，是不是为了让工厂的日子过得好？

不是。公司的终极存在取决于让客户满意。客户满意了，企业才有生意做，工厂才有活路。毕竟，客户来买我们的产品，股东来买我们的股票，不是因为我们的工厂生产平稳，而是因为我们更可能预测到客户想要的，提前准备，从而成本低，服务水平高，客户满意，股东也有的赚。

还有，以预测作为比较基准时，容易引起博弈，造成预测虚高。

比如，实际需求是80个，如果预测100个，误差是20个，绝对百分比误差为20/100=20%；如果预测是60个，误差也是20个，绝对百分比误差为20/60=33.3%。这就是对低估的"惩罚"，诱使预测者高估，通过拔高预测来增大分母，从而"减小"误差。这也部分解释了，为什么家家都放着一堆库存。

而以实际需求为基准，就没有这样的博弈，因为实际值是难以操纵改变的。

我更倾向于以实际值为基准，来统计预测准确度。这就跟在尺码和脚之间，我们当然是选择相信脚一样。用预测值减去实际值，如果误差是正的，表明预测偏高；如果误差是负的，表明预测偏低，这样也更加直观。

不过在学术著作中，我们一般看到的是误差=实际值-预测值。这更多是数理统计的传统，由"实际值=预测值+误差"转换而来。在有些计划软件里，他们可能用数理统计的传统来计算误差。在Excel中做线性回归，误差就是按照实际值减去预测值来计算的，解读残差时要注意。

作为实践者，用实践者习惯的方式来更直观地表述，比遵循统计学传统更有意义。所以，我会用预测值减去实际值来计算误差。

此外，我也能够理解，为什么有些企业以预测为基准。在这些企业，"需求"主要是由销售创造的。比如有些电商主要靠广告、引流做生意，有些品牌商主要靠渠道压货、促销做生意。那么以预测为比较基准，让销售说到做到，也是有道理的。

这后面常见的就是拿销售目标当需求预测，自上而下地分配任务，自下而上地层层承诺。这也让预测过程更加"政治化"，加剧了预测过程中的组织博弈，在业务快速成长时尚可，因为整体处于短缺状态；一旦市场饱和、经济低迷时，就容易出现灾难性的库存积压、产能过剩。

-----------------------

让时光倒流到1992年。

克莱斯勒在导入大切诺基时，当时的CEO自豪地举起一个包，说所有沿用旧车型的零件，都装在这个包里面，言下之意这是辆全新的车。求新求异，导致零件的重用率太低，有些新零件没有经过充分验证，为后续的种种质量、可靠性问题埋下隐患。后来，大切洛基导入都快30年的时候，仍是所有吉普车型中，车主投诉最多的那个。

要创新，并不是非得用不同的东西。

一流的大厨取材最基本的食材，却能烹制出美味的饭菜；二流的大厨呢，则更依赖于山珍海味。一流的中医靠有限的常用药材，就能手到病除；而鲁迅笔下的庸医呢，则要用成对的蟋蟀做药引子，而且必须是原配的----没听说过蟋蟀世界有一夫一妻制，这"原配"可上哪儿去找呢？

不依规矩，不成方圆：没有约束的自由难以持久，真正的自由都是戴着脚镣在跳舞。

就拿英特尔来说，芯片生产是高科技的代名词，也是创新的代名词，但它有严酷的"严格拷贝"政策，即任何关键的工艺、工序、设备、材料，没有经过严格的验证、批准，绝对禁止改变，否则对产品良率的影响，谁也没法估量。但没人否认，英特尔是技术驱动、典型的创新性企业，只不过其创新必须遵循一定的规则和约束。

没有约束的无序创新，在落后竞争对手而急于赶超时，在产品的复杂度上往往意味着灾难。

比如，当年摩托罗拉为了急于夺回失去的市场，一股脑整出60多种手机；不光是产品型号多，零部件的通用性也很差，光电池就有100多种。"市面上的每种（摩托罗拉）手机都有一种不同的电池。电池的复杂度简直是不可思议... ...光库存一项就要了我们的命"，摩托罗拉的前首席采购官特蕾莎·梅提如是说。

这100多种电池是如何来的，很难追究，因为这不是一朝一夕发生的。但有一点可以肯定：这是一帮设计人员整出来的，是企业自己的选择。这问题看上去是个技术问题，其实是个管理问题：缺乏最基本的标准化，速度和创新至上而牺牲标准化，而模块化、系列化就更谈不上了。

有些公司为了创新甚至故意制造竞争气氛，比如由多个小组开发同样的产品，这些小组之间注定是互不通气，零部件的通用性就注定不高。

【案例】摩托罗拉的100多种手机电池

2001年前后，手机从模拟信号过渡到数字信号。作为模拟信号时代的霸主，摩托罗拉落后了，短短几年时间，诺基亚捷足先登，攻城略地，成了数字信号时代的霸主。

摩托罗拉反应迟缓，仓促应战，无序、匆忙推出一系列新手机。结果导致产品的复杂度大增，是竞争对手的2到4倍；产品平台众多，3倍于实际需求；手机型号有65种之多，3到4倍于实际需求；众多的独特零部件，2倍于实际需求。

就拿某款手机来说，竟然有100多种配置、4种机壳颜色、30个软件版本，没有软件安装延迟、没有硬件安装延迟，连芯片、显示屏和电池都是非标件。配置如此之多，你能想象批量该有多小，规模效益有多低了。这注定是销售、生产和采购等整条供应链的噩梦。

急于赶超，摩托罗拉无序开发出众多产品

这么多的手机型号，不同的型号很少共用电池，造成100多种的手机电池，给库存管理、采购等带来极大的复杂度。外观设计多样化有一定的道理，因为消费者可能喜欢不同的样式；100种电池则纯属多余：买手机时谁会在意里面的电池是什么形状、什么颜色？

当手机成为大众商品后，成本压力更大，这么多种电池的弊端就很明显：在供应商端，采购额分散，议价能力就弱；在生产、分销渠道，这么多的品种增加了库存，降低了库存周转率。手机的生命周期那么短，需求和供应很难达成均衡，电池要么短缺，要么过剩，都是成本。

对于这100多种手机电池，摩托罗拉也尝试着标准化，甚至在公司层面成立手机委员会。但是手机的生命周期太短，等到标准化好了，这手机也下市了。最后就只能作罢，而把注意力放在新产品开发上：所有的新手机，都只能从5个标准电池中选一个 。

这也是复杂度的一个基本原则：复杂度控制得以预防为主，就如计划生育，一旦孩子生下来了就太晚了。对于管理层来说，事前管理是复杂度控制的关键；对于产品设计来说，这是"收口子"，以有限的选择对付无限的需求。

可以说，靠无序的新品开发来挽救摩托罗拉算是彻底失败。虽说摩托罗拉移动是2012年正式死的（被谷歌收购），其实早在10年前，在整出那么多的产品时，摩托罗拉移动就已经死了，其后的那些年不过是苟延残喘罢了。

【附注】需要说明的是，摩托罗拉拆分成了两部分，这里说的是其"移动"业务，先被谷歌收购（2012），后来被转手给联想（2014），其品牌手机由联想做。另一部分业务是"摩托罗拉系统"，总部在芝加哥，不做手机，主营政府、企业通信系统，比如数字对讲机，消防通信、应急指挥系统等。

------------

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，刘宝红著，有修改。