如图，左边的正三角是大部分公司的现状：采购的大多精力花在琐碎杂务上，比如下单、跟单、追料、验货、付款等，经常性地处于救火状态，按下葫芦起了瓢，结果是挤占了高附加值任务的时间，导致重要但不紧急的事没法及时完成。这些重要但不紧急的事，例如供应商选择与总体绩效管理，处理不到位，就就导致更多订单层面的问题，形成恶性循环，结果是整个采购组织深陷日常运作的泥淖。

资源分配要从正三角到倒三角

而良性循环则从右边的倒三角开始。供应商层面的事情，例如供应商选择和绩效管理，一旦理顺了、做到位，订单、项目层面的麻烦就会少很多，采购就有更多的时间和精力来处理供应商层面的事，从而让订单层次的问题更少，走上良性循环的道路。这也符合解决问题的思路：重复发生的问题很难解决在问题发生的层面，而要从更高层面来解决。

从"正三角"到"倒三角"是个趋势。在北美，公司花在战略层面的"大采购"上的时间越来越多，花在操作层面的"小采购"上的时间越来越少。那么，当年的美国企业是如何从"正三角"到"倒三角"，释放资源做"大采购"呢？这里主要讲三种方式：

（1）信息化，借助信息技术，自动化订单操作的很多任务；

（2）两层分离，把供应商管理与订单操作分离，划定专门的资源从事供应商管理；

（3）长期协议，签订长期、框架性协议，避免"一单一议、一单一操作"的低水平重复劳动。这三种方式相辅相成，并不排斥。

先说信息化。订单流程的大部分任务，比如请购、下单、核算、付款，都可以自动化，让信息系统来做。这看上去挺简单，但因为要触及很多人长期以来的工作习惯，往往需要自上而下的推动。有一次，我参加美国供应管理协会（ISM）的年会，微软的一位总监在做报告，他展示一封比尔·盖茨发给全体员工的Email，督促员工用电子方式在线填写请购单----这么简单的事，在微软这样的信息技术公司都需要老总推动，一般的公司就可想而知了。

请购单电子化，采购人员接到请购要求后，就不需要手工输入，省时省力，而且大大降低了出错概率。请购单外，订单生成、传送、确认等也可自动化。不少公司有电子商务平台，采购订单上平台是一项主要任务。供应商交货后，交货单、质检报告也可输入电子商务系统。这样，请购单、订单、交货单都在同一系统，三单合一，供应商付款就可自动化。从需求请购到供应商付款都自动化了，采购的资源就可用来做更高价值的事。

不过不管信息化程度多高，总会有些破烂事需要人来对付。那好，我们设置专门的职位来应对。这就是组织上的两层分离。

两层分离把供应商管理与订单处理分开，在管理层面设立供应商经理、商品经理、供应商工程师等职位，负责供应商战略和总体绩效；在操作层设立采购员、质检员、催货员等职位，专门从事订单层面的日常工作。两层不分离，订单层面的事经常会挤占供应商层面的时间；两层分离，在资源上确保有专门力量来选择和管理供应商。

长期协议呢，就是跟主要供应商签订长期合同，避免花太多的时间来一标一议，一标一操作----招投标本身是不增加价值的。上世纪九十年代，很多美国企业开始跟供应商签订多年合同，比如3年，3年期满后自动每年顺延。当然，多年合同是有条件的，比如供应商每年降价多少，按时交付、质量指标逐年改进等。这不但节省了以前每年谈判降价、招投标的时间，而且给双方更多的可预见性，让大家把更多的时间花在更有价值的事情上。

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

首先，传递的需求信号不同。假定需求预测是每周100个，安全库存是130个。这传递给供应链的信号是，每周给我按照100个来准备产能；同时，我有个一次性的需求130个，这是安全库存，你帮我一次性备齐以防不测。这样，供应商会按照100个/周来备产能和原材料库存，对于那130个的安全库存，他们会以加班加点的方式一次性解决，影响的是供应链的短期运营成本。

但如果适当"拔高"预测，比如把这130个的安全库存分摊到未来三个月（13周），每周分摊10个，那么需求预测就变成每周110个，供应商就得按照这个来准备产能，中长期产能就多备了10%，导致产能利用率低下，长期成本上升。

其次，在SAP这样的ERP软件里，对待安全库存和需求预测的方式不同：安全库存是"永久需求"，一旦设定就一直在那里，驱动供应链补货；预测则相对"虚"多了，根据用户的设置，一定时间内没用的话就可以自动删除，驱动供应链来取消或延迟补货订单，并且把手头的多余库存用于别处。

对于不熟悉ERP的人来说，这比较难以理解。让我们继续上面的例子，ERP用SAP软件。

假定你不设安全库存，而是把预测由100调到110个/周，而真实需求正好是100个/周，这样每周就平均有10个是"多余"的，SAP的逻辑是先帮你留着，万一需求滞后的话。但也不会无限期留着啊，比如留了3周以后（用户可设置），发现需求仍然没来，SAP就认为，看来这个产品预测过高了，便把这"多余"的10个预测给自动取消了，同时传递信号给供应链，说我们预测虚高了，这里要取消10个的订单。得，供应商就给你少造10个。这也意味着实际的安全库存可能只有30个，因为在这里，按照用户设置，SAP只保留3周的"多余"预测，即3乘以10等于30。等到不测发生时，你发现你手头该有的安全库存没有，因为你的实际安全库存远低于应该设置的值。

当然，在那些管理粗放，ERP没有这功能，或者有但纯粹不用的企业，这就不是问题，"傻人有傻福"，对吧？不要高兴得过早：该流的汗总是要流的，麻烦在那里，总是会造成问题的。举个例子。有一次，我帮助一个分销商改进需求预测和库存计划，培训结束后，几位销售拉住我不放手，纠缠来纠缠去，老半天才弄明白是两个问题：过剩预测的调整和安全库存不够"安全"，跟我们上面谈的两个问题都相关。

这个公司是典型的销售兼职计划，把安全库存分摊到需求预测中。需求预测虚高的话，成了过期需求，就得删掉一些，不然一直挂在那里，驱动供应，让过剩库存源源不断地进来。但究竟哪些该删（真正的过剩），删多少；哪些要保留（安全库存），保留多久，没用ERP的功能，全靠人工判断；几千上万个产品，全靠人工也根本对付不过来，那就不去理睬，结果是大量的过剩库存，连那些可预见性高的短尾产品也是。

这帮销售还弄不明白的是，明明设了"安全库存"，但总觉得不够"安全"----经常短缺，被客户投诉。他们的感觉没错：本来这130个的安全库存，要求供应商马上就送过来的；现在摊到未来13周送来，实际安全库存远比要求的要低，不短缺才怪了。这样的短缺，不管用什么方式来对付，最终十有八九是放更多的库存，以过剩结束。

那解决方案呢，就是需求预测和安全库存要"上帝的归上帝，凯撒的归凯撒"，不要混在一起，人为地增加不确定性。要知道，需求预测和安全库存相辅相成，前者对付的是平均需求，后者对付的是不确定性。这是两个不同的概念，应该分开处理。

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

图1：安全库存的驱动因素

对于安全库存，很多企业的做法是凭经验一刀切，设定一定天数的用量作为安全库存。比如，A类物料放3周的量，B类物料放2周什么的。这些经验值是多年来吃过的亏、受过的罪、交过的学费，凝聚着组织的很多智慧，不能一棍子打死；但是，一刀切注定有一刀切的问题。

比如，同样是A类物料，但需求的不确定性不一样；或者是同样的供应商，但用的工艺不同，供应的不确定性不一样。即便是同类产品，同样的供应商，同样的补货周期，但对服务水平的要求不一样，都会要求有不同的安全库存。一刀切的结果呢，注定是有的切多了，有的切少了，造成过剩的过剩，短缺的短缺，短缺与过剩并存，都是典型的计划问题。

那解决方案呢，就是客观量化需求的不确定性、供应的不确定性、服务水平的要求，来计算安全库存，然后适当加以调整。比如，计算出来的安全库存是10个，但因为是新产品，需求在增加，所以我们多放3个；或者因为是老产品，快下市了，我们就少放2个。这也是"从数据开始，由判断结束"。

下面，我们通过客观量化这些来计算安全库存。为了不让公式太复杂，我们这里假定供应没有不确定性。我们分三步，来介绍只考虑需求不确定性的安全库存公式。

第一步：量化需求的不确定性

首先，我们来看什么是需求的不确定。人们经常把需求的变动性等同于需求的不确定，也就是说，变动性越大，需求也就越不确定。这里有个假定，就是需求的变动性越大，预测准确度就越低。不管变动有多大，如果我们能准确预测，这样的需求还是确定的。

所谓的不确定性，其实是因为不能准确预测。也就是说，预测有误差，误差越大我们就得放越多的安全库存来应对。所以说，需求的不确定性跟预测误差有关，在数理统计上，我们通过对误差求标准差来量化需求的不确定性。

具体操作上，我们找出过去一段时间的预测和实际需求，计算两者之间的误差，围绕预测误差求其标准差。标准差越大，表明需求的不确定性越大，因而要放更多的安全库存。如图2，我们用6周移动平均来预测，计算每个预测与实际值的误差，并求得误差的标准差为25.1。

图2：量化需求的不确定性

当需求相对稳定，需求本身符合正态分布的时候，我们可以直接围绕需求历史来求标准差，来量化需求的不确定性。这其实相当于把需求历史的平均值当成预测，预测误差等于实际需求与平均值的差，围绕差值求标准差。这种方式的好处是简单直观，不用保留需求预测历史。

让我们实际演算一下来说明。如图3，第②列是过去20周的实际需求，第③列是过去20周需求历史的平均值，第④列是平均值与每周实际需求的差值（误差）。看得出，围绕第②和第④列求标准差，两者的结果完全相同。 

图3：需求符合正态分布时，历史需求的标准差就是需求的不确定性

需求符合正态分布，就是一般教科书中介绍的情况，是经典研究的做法和假设。表现在需求模式上，就是需求会上下波动，但没有明显的趋势，也没有明显的周期性或季节性。这种方法相对简单，容易计算标准差，所以容易被很多人滥用。比如有些需求有明显的趋势或者季节性，需求本身明显是不符合正态分布的，就不能用这种简化了的情况。

第二步：量化服务水平的要求

量化了需求的不确定性，接下来我们量化服务水平的要求。对于备货型业务来说，服务水平就是下次补货到来之前，能够完全满足需求的概率。比如服务水平是95%，意味着5%的情况下，需求没法被完全满足。

让我们来理解服务水平的概念。

假定这一天的需求预测是100个，供应也正好是100个，那么完全满足本日需求的概率，也就是说服务水平有多高？很多人想也不想就说100%。不对，只有50%：预测是每天100个，那意味着一半儿的情况下，实际需求会超过100个，我们没法完全满足；一半儿的情况下，实际需求会低于100个，我们能够完全满足，这就得到50%的服务水平。

50%的服务水平够不够？不够。那为了要提高服务水平，我们就得增加安全库存。如图4，增加一个标准差的安全库存，服务水平提高了34个点，达到84%；再增加一个标准差的安全库存，服务水平提高了14个点，达到97%；增加第三个标准差的安全库存，服务水平提高了2个点，达到99%多。

你马上看出，安全库存的边际效应在递减，为了达到最后几个点的服务水平，需要投入很多的安全库存，投入回报太低。所以，光通过设置安全库存，来追求100%的服务水平，是个糟糕的点子。如果你是销售，尚可原谅；但作为供应链专业人士，则是不可原谅的。我们要平衡库存和运营成本，把最后几个点的服务水平，通过供应链执行，比如适当的赶工加急来实现。 

图4：量化服务水平的要求

反过来看，如果我们想达到特定的服务水平，需要放多少个标准差的安全库存？我们可以反算出来：Excel中有个函数NORMSINV（见图4），能帮助我们做这样的换算；在数理统计中，这就是在计算正态分布的Z值，也可以通过查正态分布的表格得到。

直观地说，服务水平可以折算成一个安全系数（Z值），两者是一对一关系。服务水平越高，这个系数越大，反之亦然，不过两者不是简单的线性关系。这就是在量化服务水平的要求。

第三步：计算安全库存

在量化了需求的不确定性，量化了服务水平的要求后，安全库存的计算就挺简单：需求的不确定性乘以安全系数，就是安全库存，如图5。

要注意的是，这里的标准差指的是补货周期内的标准差；而我们在图2和图3中计算的标准差呢，一般是以天、周或月为单位。如果补货周期正好是1天、1周或1月，那么计算出来的标准差就是我们这里要用的；否则，我们要做一定的转换，在图5有详细的公式。

图5：安全库存的计算公式

在转换的时候，时间的单位要一致。举个例子。如果需求历史、预测误差是按周统计，而补货周期是28天的话，我们要把28天转换成4周。补货周期4周内的需求不确定性呢，则等于每周误差标准差的
倍（如果用
就大错特错了）。

这也符合"夜长梦多"的常识：补货周期越长，补货周期内的需求不确定性就越大，但这个倍数是开根号的关系，而不是一对一的线性关系。这在统计学上可以证明。如果让时光倒流30年，我在读大学时还可以现场证明给你看；如今我虽廉颇未老，不过对数理统计的很多细节，却是不能推演了。感兴趣的读者呢，可以到网上搜索一下这方面的证明。

让我们回到图2中的例子。假定期数是周，产品的服务水平是92%，补货周期是4.5周。那么，所需安全库存的计算如下：

如果把服务水平的目标设为95%，那么安全库存就变为87----服务水平只提高了3%，安全库存却增加了17个百分点。

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

上面文章节选自我的《需求预测和库存计划：一个实践者的角度》第2版。

只做"减法"，不做"加法"，可能导致更严重的同质化竞争。比如在美国的零售行业，"得益"于SKU的过度精简，人人都奔着短尾产品去了，一度几乎所有的零售商都在卖同样的SKU，同样的价格，唯一不同的就是当天的折扣......这显然不是我们想要的。

有SKU输，一定要有SKU赢----精简SKU后，要给核心SKU更多关注，比如配备更多的研发资源，摆放在货架上更显眼的地方，花更多的资源来推广、促销，从而获取更好的回报。这些都体现在雀巢的"美味项目"上。 

【案例】雀巢一边做"减法"，一边做"加法"

全球新冠疫情期间，供应链的产能不足，雀巢就通过精简低效SKU，确保头部SKU得到足够的供应链资源。开始精简后，雀巢发现SKU优化潜力巨大，就加速大范围推广，从SKU层面上升到品牌、细分市场、区域布局。这就是我们这里要说的"美味项目"。

如图1 ，"美味项目"有两条主线，分别从精简SKU、简化配方和包装着手，一边采取守势，一边采取攻势，在降低成本的同时增加价值。

第一条主线是淘汰低效SKU。雀巢当时有10万个SKU，其中80%的营收来自头部11%的SKU，而尾部的三分之一只贡献了1%的营收。砍掉长尾可以为头部腾出资源和货架空间，推动头部SKU的增长，也是获取差异化优势的关键。

第二条主线是简化配方和包装，包括优化配方，简化标准，降低辅料的复杂度等。比如，统一配方和包装、更新升级咖啡配方，全球节支5000万瑞士法郎；用纤维或植物性成分替代部分乳制品原料，降本4000多万瑞士法郎；简化宠物食品配方并自制，节省约3000万瑞士法郎。 

图1：雀巢精简尾部，增长头部SKU

资料来源：Unlocking agility and productivity, by Laurent Freixe, EVP Zone LATAM, Nesle investor seminar 2022. 

要注意的是，精简尾部和增长头部得齐头并进。雀巢砍掉尾部的目的就是释放更多资源，来增长头部业务，如图2。具体来说，周转快、利润率高的头部SKU要得到VIP待遇，比如优先配备资源，完美供应、完美配送，提高有货率、降低断货率，定价合适，及时跟踪与监控。

精简、统一配方和包装，应用新技术的首要任务也是增加价值，助力头部SKU的增长。

图2：精简尾部和增长头部要齐头并进

资料来源：Unlocking agility and productivity, Laurent Freixe, EVP, Zone LATAM, Nestle Investor Seminar 2022

雀巢的"美味项目"为核心SKU创造成长空间，实现成本节支、利润提升和长期成长。具体来说，该项目在2022年为雀巢贡献约10亿瑞士法郎（其中30%的来自SKU精简，70%的来自简化配方和包装）；从2023年起，该项措施预计带动公司营收增长0.2个百分点。

2023年，雀巢精简掉了20%的SKU，每年放弃了7亿瑞士法郎的营收。不过这些SKU基本上都是零增长、零盈利，释放出的资源显著改善了核心产品的服务水平。这些好处很难精准量化，因为还有很多别的因素在起作用；但显而易见的是，雀巢的增长引擎变得更加有力。

2024年，雀巢制定"更少、更大、更好"战略，继续"美味项目"的整体思路。在创新上，雀巢把研发资源聚焦在6大产品平台；在营销上，雀巢把钱砸在少数重点品牌上，例如94% 付费媒体支持这些重点品牌；在产品上，与其做很多小项目，不如精选少数"大赌注"并配足资源、在多个市场做大，同时以消费者为中心，把卓越运营做到更好。

【案例】乐高一手做"减法"，一手做"加法"

2003年前，为应对来自中国的低成本竞争，乐高把宝压在创新上，开发了大量的新产品。产品越来越多，复杂度上去了，成本上去了，但销量和营收没有，新产品带来的利润越来越少，乐高处于破产的边缘。

比如塑料砖块以前只有黑白两色，后来一直增加到100多种颜色；一个海盗套装就有8个不同的海盗，10种不同着装的腿。少数产品占大头，多数产品占空间：80%的营收来自30个产品，利润集中度极高；一边在大幅精简低效产品，一方面SKU数量却还是每年以几倍的速度增加（参考1）。

2004年，新CEO上台后，就采取一系列措施，降低产品和零配件的复杂度，聚焦核心产品的创新。乐高退出非核心产品，比如《银河战将》动作人偶（跟传统乐高砖块兼容性差，零件专用性强），出售乐高乐园的多数股权，把管理和资金收回到核心玩具业务上。

产品老总和供应链老总紧密合作，建议把上百种的配色砍掉一半，同时削减成千上万的人仔、配件变体。这一举措助力树脂成本减半、供应商精简掉80%，乐高生产的零件数从13000多精简到6500多。

"加法"做在哪里？主要在积木体系和通用件，还有城市、科技以及"星球大战"这样已验证的大主题，同时继续发展"生化战士"等带动叙事与积木结合的成功产品线。

乐高在2004年开始一手做"减法"，一手做"加法"，2005年就扭亏为盈，后续5年间营收增长66%，净利润率一路提升到2009年的19%，如图3。

图3：乐高控制产品复杂度，改善运营，扭亏为盈

数据来源：乐高年报。

很多欧美企业扭亏为赢，后面都能看到一边做"减法"，一边做"加法"的影子。

1997年，乔布斯重回苹果，砍掉70%的产品线，让苹果退出打印机、服务器、掌中宝这样的边缘业务，聚焦计算机。乔布斯刚回来那年，苹果巨亏10亿美元；乔布斯归来一年后，通过产品聚焦和成本控制，苹果盈利3亿美元。

2014年前，微软有大量的产品线，后来通过移动优先、云优先的战略重新聚焦，砍掉了诺基亚手机业务等数十个产品，将资源集中到Azure和Office365等核心产品、增长引擎上，使市值增长了9倍以上（2014年底到2025年8月27日）。

从2014年开始，宝洁三年间精简了上百个品牌，聚焦65个核心品牌（贡献了95%的利润）。同时，宝洁发力高增长和年轻化品牌，从大规模投放转向精准营销，应时代趋势搭建直播带货、社交电商等新营销矩阵。这些都让宝洁逆转10年的停滞，重返增长轨迹。

通过做"减法"来促进"加法"，也是零售业的常见做法。

比如，传统卖场的客流量下降，零售商计划向"折扣化经营"转变，精简SKU，聚焦动销快的SKU，与供应商达成共识，做大单品，降低售价。新零售也不例外：盒马鲜生曾表示从6000个SKU精简掉3500多个，再引进800个新品，都在是减少产品冗余，提升动销效率。

零售业精简品牌SKU，还有一个诉求，就是留出更多的货架面积、促销经费、管理资源来做好自有品牌的"加法"工作。有些产品的品牌集中度不高，零售商有意提升自有品牌的销售占比，就减少部分厂商的品牌商品，再以自有品牌商品形成价格参照，来提高动销及综合毛利率。

在开市客、山姆店这样的会员店，自有品牌占销量的33.1%。这一数字在沃尔玛、塔吉特这样的大卖场是28%。对美国零售的10大门类来说，24%的销量来自自有品牌，而中国超市100强中，直到2022年，自有品牌仍然只占营收的5%，如图4。

在很多行业，自有品牌的毛利是全国品牌的两倍。巨大的毛利空间，巨大的增长潜力，巨大的差距，需要更多的资源投入来关闭。比如更多、更好的货架位置，更多的促销经费，更多的管理资源投放到自有品牌。精简那些低效的SKU，有利于释放这些稀缺资源。

图4：中国超市100强中，自有品牌的销售占比

资料来源：《2023中国商超自有品牌案例报告》发布，新华网，2024年1月8日。中国超市是营收，美国零售是销量。

麦肯锡的一项研究说，企业成功，43%的情况下是因为他们押对了赛道；而真正靠执行力取胜的，只占 22%（参考2）的情况。通俗地讲，就是选择了高速增长的增长点，赛道本身"水大鱼大"，只要进入，整体成功的几率就高；资源投入到增长有限的领域，完全靠运营效率、执行能力来打败竞争对手的，成功的几率就低多了。

精简低效的产品，把有限的资源投入到高效的产品，就是在选择合适的赛道。

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

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。

不承认，一大体现就是"偶然"化心态：人们经常以各种各样的"偶然"事件，来解释为什么预测做砸了，比如分销商结婚啊，员工生孩子啊，天气太热或太冷啊，下雪或下雨啊，都成为"预测不准"的借口。这都是在搪塞，把事情糊弄过去，而不愿意正视现实，寻找真正的根源。结果是借口文化盛行，一直在低水平运作，预测准确度自然提不高。

套用安全管理上的一套理论，那就是1个大事故后面，隐藏着10个小事故，100个没发生但快要发生的问题，还有1000个安全隐患。这是提醒大家，那些大事故看上去都是偶然发生的，不过但凡小概率的事件，一旦发生了，后面就有深刻的必然性：不是所有的问题都会露出根苗，但一旦露出，后面必然有很多问题。

所以，对于"偶然"，我们千万不能当做偶然来处理，否则就是自欺欺人，注定要付出更大的代价。探索偶然背后的必然，从做砸的事情中发现问题，是持续改进的关键。我们之所以变得更聪明，是因为我们向失败学习，从做砸了的事中得到经验教训。对于预测失败，做根源分析，采取纠偏措施，比如优化统计模型，与销售、市场、产品管理会面讨论，和关联职能协商等，是改进计划，提高预测准确度的关键一环。

需求预测虽说是"预测"，其实大部分时间都在纠偏，跟做砸了的事打交道。需求预测就如发射导弹，一路搜寻目标，一路纠偏，命准目标的过程其实就是纠偏的过程。以前我在管理全球计划团队的时候，计划员们每周一上班，都有一件固定的事，那就是分析上周的紧急需求中，有哪些没有及时满足；没有满足的话，究竟是什么原因；然后基于不同的根源，采取适当的纠偏行动。每周如此，每月如此，每季如此，整个计划团队花了大量的时间，讨论的都是做砸的事，就这样一步步向季度、年度目标迈进。那一个个"小洞"都给补起来了，计划自然会做得更好。这就如路本来不是平的，把所有的坑都填平了，也就自然平了。

最后，我想再次强调的是，成功往往是偶然的，但失败却有必然性。这就如对着那位九十多岁的老寿星，你问他长寿的秘诀，他说他吃饭，他运动，他睡觉----他其实也不知道为什么长寿，否则的话，为什么不教给他的老伴儿，这样她就不会在三十年前去世了？但早死却有必然性：喝了很多酒，吸了很多烟，过路口不管不顾，都可能让你折寿；在XYZ公司上班----加班太多，过劳死，压力太大，易跳楼。

那怎么能够长寿？你没法通过长寿来长寿，你得避免早死才可能长寿。放在计划上，就是预测准确的话，往往有很多幸运和偶然的因素；但预测失败了，则一定有很多必然因素。向失败学习，及时纠偏，避免再次犯类似的错误，避免预测不准，预测准确度自然就高了。

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

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

初始预测做好了，新品的滚动计划就涉及到更多的数据分析：温故而知新，新品的需求也是有很大的延续性，对已有的数据分析到位了，就能更靠谱地更新预测，至少可以避免灾难性的损失。那么多的数据分析工作，再加上一系列的预测模型（比如线性回归），数据分析能力不足者很难胜任，我们不能期望销售、市场、产品等职能来完成。

要知道，新品计划首先是计划，然后才是新品。"计划"以数据分析为特点，"新品"以职业判断为特点，数据和判断相结合，新品滚动计划才能做好。主导这个流程的，应该是计划职能，而销售、市场、产品、市场等职能呢，则是辅助判断为主。计划职能得建立和维护新产品的预测流程，制定滚动预测关键决策点，确定每个决策点的责任人等。

注意，这里说计划来主导，并不是说计划职能就得干所有的活，做所有的决策。这就如集成产品开发中，产品经理主导产品的开发和导入，并不意味着产品经理要做所有的事一样----研发在帮产品经理设计产品，营销在帮产品经理制定上市计划，供应链在制定供应计划。

就新品计划来说，上新前的各个节点，决策很可能是由计划外的职能在做；上新后，计划要着力快速、有计划地滚动计划，把最新的销售信息纳入计划，但决策很可能还是归前端的用户职能做；到了正常销售阶段，则变成计划职能驱动，滚动预测的频次也可适当降低。不管是哪种情况，我们都不能忽视新品计划背后的数据分析，而数据分析是计划职能的核心任务。

【小贴士】新品计划本身要有计划性

新品开发和导入期间的滚动计划，你说神秘吗？一点也不神秘，凡是个企业都或多或少在做。但问题是，我们是不是在有计划地做计划，为新品的滚动预测机制注入更多的可预见性？

缺乏正式的流程驱动，比如没有把这些决策点正式纳入新产品开发、集成供应链流程，新品的滚动计划就不得不依赖组织的能动性，而组织能力良莠不齐，就注定新品的滚动计划在调整时间、调整频次、调整幅度上充满随意性。

比如在一个电商企业，以前是销售经理兼职新品预测，虽说是上新2周后调整一次预测，但一忙常常拖到3周、4周后，进一步压缩了供应链的响应时间。要么就是疯狂调整，昨天给供应商补单，今天又在补，供应商看到的是一张又一张的小订单，增加了执行难度和运营成本。

计划行为本身要有计划性。在众多职能中，谁最有计划性？计划职能（财务也是，不过财务不大介入产品的需求预测）。在建制完善的企业，计划一般会有固定的日历，比如哪一天做什么，由谁做，什么时候到期，都有明确的规定。

对于新品计划，这就是让计划人员来主导，包括新品开发和导入期。

比如在一个案例企业，计划主导的新品滚动计划机制下，专职计划人员每周一汇总、分析上周的销售情况，调整基准预测，发送给销售、产品管理帮助判断；周二得到销售、产品经理的回复，更新需求预测，发送给采购执行；周三供应商已经拿到订单，开始执行。这改善了预测的时效性，增加了计划行为的可预见性，是有计划地做计划的关键。

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

上面文章节选自我的 《需求预测和库存计划：一个实践者的角度》一书，第2版。

先说以客户为中心的心态。有一个销售总监说，他整天守在客户那儿，除非是公司要开会，不然不回自己的办公室。道理很简单：客户的需要就是他最大的需要。采购也有内部客户，之所以采购有这碗饭，就是因为有内部客户的存在，但有几个采购能以这种心态对待内部客户呢？ 

"客户导向"这话说起来容易，不过扪心自问，我们上次主动见内部客户是什么时候的事呢？我们是做不到"晨昏三省"，但是经常走过去，主动打个招呼，问有什么要帮忙的，防患于未然，总要强于内部客户找我们。要知道，等他们找我们，八成已经着火了，或者冒烟了，然后就是我们被动反应，花费的时间和资源更多。

再说做人与做事。好的销售，鲜有例外，都让人感觉到自在、放心。这是建立信任所必需的。谈吐间，你能感觉到他们为客户着想的心态。这与采购中常见的骄气截然不同。做事细致，销售就更不用说：事无巨细，他们都打点地井井有条。

或许有人会说，也有销售说一套，做一套，承诺过的事，做到的有多少呢？这是些"小销售"，不是我们的学习榜样。当然，看看我们的"小采购"，他们做的只能说更糟。很多公司的采购都是些"小采购"，不管公司的名气有多大。他们对采购本业不精，也不愿花精力去理解内部客户来管理需求，承诺给供应商的有几件事做到了？

当然，我绝不是说，因为一方做得不好，另一方就有理由做得更糟。但五十步笑百步的典故，相信大家都是知道的。

销售是采购的影子。"暴政出暴民"，采购对待销售的方法，也是低素质销售的催生剂。这些低素质的采购，不但管坏了销售，而且教坏了新的采购。有些采购员，年纪轻轻就痞子气十足，趾高气扬，就是跟那些低素质的老采购学坏的。如果让我选择的话，我宁可把新采购员给有经验的销售，也不会交给老油条的采购来培训。

向销售学习，也是学他们解决问题的思路。提起销售，很多人的潜意识是这些人就靠一张嘴。没错，尤其是低级销售。但是，做得好的销售，其实都是解决问题的高手。他们在夹缝中生存，平衡公司与客户的需求，做出艰难的抉择，展示了优秀的解决问题的能力。

认真学着点，那可是真本事。优秀的销售赚那么多钱是有道理的。在美国，销售出身的百万富翁比比皆是，有几个采购能做成百万富翁？优秀的人中，做销售的恐怕要比做采购的多得多。如果你是个解决问题的高手，那么从事销售可能比做采购更成功。

任何岗位放在供应链上，都有双重地位：对内部供应商，我们是"采购"；对内部客户，我们是"销售"。也就是说，我们每个人都是一边做采购，一边做销售。以客户为中心，就是在强调每个职位的"销售"功能，解决客户端的问题。

对于采购职业人来说，采购能力让我们混口饭吃，而真正要晋升和发展，还得靠销售能力，即把采购的贡献"销售"给内部客户和管理层，把好的供应商"销售"给公司，让它们早期介入到新产品开发等。

这些年来，我跟很多公司的采购接触，发现这些采购欠缺的与其说是采购能力，不如说是销售能力。于是就一直在"小采购"的泥淖里打滚：采购职能不被重视，对内就没法有效推动变革，获取资源来解决问题，于是只能通过转移问题来解决问题，所有的压力就转移给供应商，制造了更多问题，供应商没法解决，反过来影响采购方。

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

这些情形的共性是可参考信息有限，不确定性非常大，人们主要是依靠权威来做判断，导致决策质量低下。兰德公司开发德尔菲法，就是为了避免集体讨论中盲从权威、盲从多数的问题，通过群策群力来提高决策质量。

如图，德尔菲法的流程一般如下。

首先是由组织者来组建专家团队，提供项目背景信息，告诉专家们决策的目标。然后让专家们背靠背、独立做判断，并简单附上判断依据。接下来组织者会整理汇总，以匿名的方式反馈给全体专家，让信息变对称，成为下一轮判断的基础。

在最新信息的基础上，专家们调整自己的判断；组织者再汇总、整合，以匿名方式提供给每个专家；专家们再次调整，如此再三，最终达成一定程度的共识，比如在需求预测上，就是以平均值或者中位数作为最终的预测。

德尔菲法示意图

来源：Delphi Method, Dr. Phil Davidson, University of Phoenix, research.phoenix.edu 

德尔菲法有多个变种，但关键做法都差不多：专家，匿名，多轮反馈和修正，直到最后达成共识，或者达到预先设定的门槛，比如重复了多少轮。这种结构化的方法，对消除信息不对称，通过群策群力来提高决策质量至关重要。当然，也有多轮后达不成共识的，意味着德尔菲法不是合适的决策工具。

或许有人会说，我们平日开会，不也是群策群力，多人智慧胜一人吗？不，德尔菲法与开会可大不一样。

其一，开会时，老板坐在那里，不管在多民主的企业，大家都会自觉不自觉地跟着老板的思路走；强势职能在场，他们的胳膊最粗，拳头最大，八成也是他们说了算。有经验的人影响没经验的人，老员工影响新员工，个性强影响个性弱的，都是普遍现象。

其二，大家坐在一起开会，看上去是各抒己见，畅所欲言，其实时刻都在博弈：每个人讲什么的话，做什么样的判断，很大程度上取决于别的职能、别的人在说什么，采取什么立场。大家都习惯性地藏着掖着，比如不愿意首先发言----谁先亮牌，谁就在博弈中处于被动。

其三，集体开会讨论还有个问题，就是群体决策，可能变得更激进、冒险。就如古斯塔夫·勒庞在《乌合之众》一书中所言，"人一到群体中，智商就严重降低"，变得盲目，狂热，轻信，以集体的力量做出灾难性的决策来----听过聚众造反吗？人多了，胆就更肥了，连杀头造反的事都敢干了。

可以说，会议是辩论，最终结果往往是让最强的人赢；德尔菲法是让信息变对称，让最好的点子赢。

这得益于德尔菲法背靠背、独立地做判断，减轻了种种博弈，让大家更可能以专家身份做出客观判断。整个过程中都是匿名，专家们互相不知道，避免了权威、头衔、职位、个性、名声等的影响，也避免了强势职能、强势人物的影响。信息汇总、反馈给专家团队时，也是采取匿名的方式，让大家没了后顾之忧，客观上促进大家畅所欲言，放心、独立地做出各自的判断。多轮反馈更是让信息变得更对称。这些都为群策群力，提高决策质量提供了客观条件。

【注】关于德尔菲法的应用，我有个一万多字的快时尚案例，通过微信公众号等发布太大，影响可读性。感兴趣者在我的《需求预测和库存计划：一个实践者的角度》一书中去找。

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

上面文章节选自我的 《需求预测和库存计划：一个实践者的角度》一书，第2版。

这个游戏有多种版本，我在美国的好几个活动都见到过，里面放的东西可能不同，数量不同，参与者也不同，但结果都一样：大家看上去都是在瞎猜，但平均值都惊人地接近真实值。

后来，我在培训中多次重复这个游戏，不过把巧克力改为糖（巧克力容易融化，不好带）。如图1是在上海的一次，有101位职业人参与竞猜。我让他们看着装满糖的瓶子，然后扫描二维码，填入各自猜的值。我还让一位学员现场清点，确认瓶子里实际装了多少颗糖，以示我没有作假。

按照学员填写答案的先后次序，我们求出累计答案的平均值。比如横坐标是5，纵坐标是196，意味着前5个人的平均值是196，与实际值218的误差是-10%；横坐标是30，纵坐标是211，意味着前30个人的平均值为211，与实际值218的误差是-3%。

看得出，刚开始时，人数比较少，平均值的误差相对比较大；5个人以后，平均值的误差已经降到10%以下；随着人数的增加，误差进一步降低，最后101个人的平均值准确度为92%。

图1：瓶子里有多少颗糖

在过去几年里，这个游戏在上海、深圳、杭州、西安、青岛、东莞等多地重复，每次竞猜的人数在24到145人之间，有的是公开课，有的是公司内训。这里我汇总了连续26次的结果。如图2，最准确的能达到99.5%，超过一半的准确度超过90%，近九成的准确度超过80%。

我接触过很多企业，发现即便是成熟产品，70%的预测准确度也似乎是个门槛，很少有企业能够突破。80%、90%的准确度就更不用奢谈了。规格、型号（SKU）层面的预测呢，准确度动不动就只有百分之二三十。老产品如此，那充满不确定性的新产品就更不用说了。 

图2：26次游戏竞猜的结果汇总

那么大的一只瓶子，那么多的糖，就那么远远地看上几眼，信息是如此不对称，不确定性是那么高，大家却能猜得这么准确，你不得不佩服集体的智慧和概率世界的奇妙：有的人猜得少，就有人猜得多；很多人猜得少，那就来一个猜得很多的抵消。

在概率论上，这背后的原理叫"大数定律"，即样本数量越大，平均值会越接近真实值。

这样的例子比比皆是。比如身高，上辈人个头儿矮点，下辈人一般会高点；老子比较弱，经常受欺负的，儿子往往强，变成欺负人的人----老子英雄儿好汉往往不靠谱，王侯将相宁有种乎却是真的。这都是大数定律在起作用。

三代必出纨绔。三个臭皮匠，胜过一个诸葛亮。智慧在民间。公司里的小道消息远远比你想象的要准----大家都在八卦的，基本上都是真的。上学的时候，大家都在说谁跟谁好上了，基本上都是一说一个准。这都是大数定律和群众智慧的表现。

再讲个我老东家的故事。

以前老东家年度营收二三十亿美元的时候，主打产品只有一类。那么大的上市企业，产品如此单一，万一升级换代跟不上，这公司也就完了。华尔街的大股东们坐卧不安，就逼着老东家开发新产品。但每每开发到一定阶段，人人都知道这产品会失败。为什么？中午吃饭的时候，餐厅里人人都在说这产品会失败。毫无例外，那些新产品都失败了。

要知道，很多问题尽管看上去摸不着头脑，但大家或多或少总是有些经验，知道某一方面的知识、细节。这些细节知识整合起来，准确度就很高。放在专家预测上，有的人高估，有的人低估，多人预测降低了偏差，往往比单个人拍脑袋更准确。这就是德尔菲法的底层逻辑。

对于德尔菲法，详细做法可参考我的《需求预测和库存计划：一个实践者的角度》。

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

上面文章节选自我的 《需求预测和库存计划：一个实践者的角度》一书，第2版，刘宝红著。

在理想的临界点，复杂度既不拖累股东回报和组织效率，也不对营收和客户体验产生以显著的负面影响。所以，我们要三把标尺一起看，来评判复杂度控制的"度"，如图411：复杂度是否仍在侵蚀整体利润？客户是否开始抗议？ 组织是否明显轻松，摩擦显著减少且没有反弹？

标尺一：利润集中度。

这是在评估有多少复杂度在侵蚀利润，而不是创造利润。这也是在回答"股东受得了吗"的问题----复杂度太高，会影响到股东回报。要知道，企业的首要任务是股东回报，没有股东回报，股东就不会创建企业，自然就谈不上履行企业的社会义务和其他责任了。

头部产品贡献绝大部分利润，要坚决保留；中段的大部分产品微利或持平，要高度警惕；尾部产品明确亏损，要优先精简。当我们清理掉显著亏损的产品后，累计营收（横轴）变化不大，累计利润（纵轴）不再被向下拖拽，整体曲线斜率就会上升。

图411：复杂度控制的"度"

在美国，华尔街的股东给公司的压力大，对盈利的期望高。所以整体而言，美国企业对低利润的容忍度就低，在复杂度和重资产方面也做得较好。比如多元化经营的问题就少，产品复杂度也相对低，闲人也相对少，重资产问题也相对轻。

在欧洲、日本，股东对企业的影响明显小于美国，企业的盈利压力就更小，企业在整体上也更能容忍复杂度的存在，企业的资产一般也更重，组织也更低效。

而在中国，股东是个虚无缥缈的概念，对企业的影响聊胜于无----不信的话请举例，看哪个上市公司的老总因为股东回报低而丢了工作？企业因而可以承受更低的利润，能容忍更高的复杂度，资产也最重，投资回报也最低（在后文"后端减重"部分还会详细讲到）。股东回报低，也是中国股市多年徘徊在3000点上下的一大原因。

标尺二：恢复率。

精简掉的SKU中，有多少被迫加回来？这是评估复杂度控制对客户的影响----精简太多，客户受不了；精简太少，股东和员工受不了，我们必须在这三者的诉求之间谋取平衡。

如果在精简后半年、一年内，被迫加回来的SKU比例为0%，那表明我们砍得还不够深；如果是20%，或许砍得太狠了。当恢复率显著上升但仍可控时，说明我们已经逼近真实边界----但究竟什么是"可控"，仍旧取决于管理者的专业判断。 

西方跨国企业更可能对客户说不，因而可能接受更高的恢复率；本土企业更可能牺牲股东利益来满足客户诉求，因而可接受的恢复率一般也更低。前者在客户眼里就显得不够灵活，因而丧失了很多业务；后者显然更灵活，但代价是生意越做越多，钱越赚越少。当本土企业取代西方跨国企业，引领整个行业时，也得借鉴后者的一些做法了。

标尺三：组织摩擦度。这是在回答员工是否受得了的问题。

复杂度太高，销售、产品、设计、供应链等职能间的摩擦也会较多，主要是供应链在时效、成本上没法满足销售端；产品精简过度后，组织间的摩擦也会增加，主要是客户端要的我们没法提供。合适的复杂度下，组织痛感会最低，组织间关系也是最松弛。

在美欧企业，供应链与销售的力量对比相对平衡，更可能对销售端的诉求说不，所以需求的复杂度一般也更低。在本土企业，销售明显更为强势，给供应链的压力明显更大，供应链的话语权非常有限，结果就是复杂度高，运营成本高，投资回报低。

当同时满足以下三个条件时，复杂度已被压缩到"刚刚好"：绝大多数复杂度贡献正利润（经济性边界）；恢复请求出现，但可控（市场边界被触碰但未被破坏）；交付、预测、协同明显改善（组织摩擦显著下降）。

这是一个动态均衡的过程：复杂度控制不是找到一个最优SKU 数，而是持续试探市场与组织都能承受的"度"，建立一个可以反复删、反复加、但不失控的控制机制。下面我们分享三个不同行业的例子，看看企业是如何掌控这个"度"的。

我们首先看一个快消品的例子。

快消行业天然依赖 SKU的丰富度，来覆盖不同人群、渠道与使用场景，但过度扩张容易导致营销资源分散、供应链复杂化以及利润稀释。

某快消品巨头的品牌组合一度膨胀至 300 多个，进一步叠加香型、规格、区域特供，导致SKU 数量持续增长，管理者的注意力被大量低效品牌消耗，盈利能力与创新效率同步下降。

该企业系统性地剥离利润贡献为负的长尾产品，让强力品牌、主流规格覆盖绝大多数销量。这是通过分层收敛来实现的：在品牌层，他们逐步退出约一半的边缘品牌；在SKU 层，他们清理低周转、低利润 的SKU；在变体层，他们合并香型、包装和地区定制。

最终，该企业的品牌数量收敛到约65 个核心品牌，但这些品牌贡献了约 95% 的收入和几乎全部利润。他们判断"刚好"的依据是（1）精简后仍保留少量地区、渠道专供 SKU；（2）市场提出的 SKU 恢复请求比例低于 10%；（3）利润集中度显著提升，但未损伤主流消费者覆盖。

我们接着看一个家电耐用品的例子。

某家电厂商在全球多市场运营中，长期积累了大量型号与零部件，导致BOM 分散、产线切换频繁、采购规模效应下降等诸多问题。

在耐用家电领域，消费者在乎的更多是在外表、配置，而对核心功能的差异感知有限。因此，在控制产品复杂度上，该企业的核心策略并非简单地限制外观、配置上的差异化，而是限制底层的结构差异，包括构建少数全球通用的产品平台，标准化电机、控制板、箱体尺寸等。

结果是型号数量下降约30-40%，核心零部件的种类下降 60% 以上。他们对"刚好"的判断依据是零售端与消费者几乎没有要求恢复型号，内部的运营效率与成本结构显著改善----当客户仍能感知到差异，但工厂与采购已明显松了口气时，通常意味着复杂度控制已经到位。

最后，我们看一个工业品企业的例子。

工业品的单价一般较高，每个客户总想有点不同，容易导致配置太多，独特设计、独特零部件泛滥，最终演变为设计工时失控，交付周期拉长，售后与技术支持负担急剧上升。工业品的复杂度呢，主要体现在参数组合、项目定制、工程配置等方面。

案例企业的做法不是削减产品线，而是硬性收口选择空间，比如砍掉低频参数组合，推出标准配置包，对于非标需求必须走特批流程，并明确溢价。

结果是可选参数、组合数量下降70% 以上，整体营收基本稳定，项目毛利率与交付稳定性显著改善。他们对"刚好"的判断依据是约 10-15% 客户仍坚持非标，并愿意付费；非标需求被制度化隔离，主流交付体系显著简化。

在上述三个例子中，没有一家企业试图把复杂度降到理论最小值，所有企业都在是某个点主动停止进一步精简；他们停止的理由并非组织阻力，而是探知到价值开始受损的明确信号。

最后我想说明的是，不管我们多努力，复杂度会长期存在，因为下述三方面的客观因素：

1.市场差异，比如消费者、渠道、区域的需求差异。这种复杂度的合法性高，但容易被过度放大。

2.技术因素，比如标准化、平台化、模块化不足。这种复杂度的合法性中，但容易成为历史遗留。

3.组织妥协，比如销售每个格子都要填，电商渠道要独特包装。此类复杂度的合法性低，而且最容易失控。

成熟企业的复杂度控制，本质上是保留第一类，接受第二类，但系统性地压缩第三类。

企业做"减法"的能力很重要，但更重要的是判断哪些复杂度值得长期保留。这需要企业动态平衡股东利益、客户利益和组织的承受能力。真正优秀的企业，不是复杂度最低的企业，而是最清楚复杂度边界的企业。

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

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。

不过季节性不一定非得要一年：一天、一周、一个月，甚至一个小时，一分钟，都可能呈现"季节性"。比如你开个餐馆，中午生意少，晚上生意多，这是一天的季节性。在美国，餐馆周五、周六晚上生意一般最忙，而周二的晚上一般最闲（这也是很多餐馆周二有Happy Hour优惠的原因），这是一周内的季节性。

有些电商也有类似的"季节性"，不过跟餐馆的周期性正好相反。我在分析一个跨境电商在北美的业务时，发现周末的时候，大家更可能出去逛街吃饭，没多少人在网购；周二的时候，更多人窝在家里不出去，你会发现网购的量会更高，一周内的需求呈现季节性。

除了自然原因外，还有很多人为制造的季节性。比如每年的秋季开学，会给文具、校服、书包等带来季节性需求；每年的春节、圣诞节、感恩节，会给交通、零售等行业带来季节性需求。至于电商的六一八、双十一， 更是人为制造的季节性"大餐"，显著加剧了需求的波动性。

预测季节性需求，首先要应对的是季节究竟如何切分，初学者的常见误区就是切分太细。

比如，我曾遇到一个实践者，她把每年的需求切分成52周，也就是52"季"。想想看，把去年的52周跟前年、大前年甚至更久的52周一一对齐，计算每周的"季节指数"；有些年是52周，有些年是53周，最后一周不满，这复杂度可够大。

切分越细，"杂音"的成分就越多，越可能出现极端值，显著影响到模型的优化和预测准确度。切分太细时，本来存在的季节性可能反倒看不出来了。

那究竟该切分到什么颗粒度呢，这跟需求预测要解决的问题有关。

如果你在新零售行业，每天要给门店补货；或者是个餐饮企业，每天要做后天的门店要货计划，我们就得切分到日。的确，在很多行业，一周内每天的需求高低不同，往往呈现季节性来。

如果是工业品领域，要做中长期的产能规划，决定要不要建新工厂什么的，按照季度来切分大概就够了。但如果是快消品、季节性强的行业，要计划短期的产能，则更可能需要按月来切分。对于月末冲量、季末冲量的企业，每月、每季会呈现一定的"季节性"，那么我们可能得切分到周来对付月末冲量，切分到月来应对季末冲量。

还有很多细节，比如每周从周一还是周日开始；每周只算工作日，还是周末也算上，都要统一。按月切分，每个月的天数、工作天数可能不同----31天的月份销量一般要比29天的高，有五个星期五的月份，餐馆的营收可能更高。有些节假日今年落入第46周，去年落入第45周，都可能显著影响需求。这些情况下，需求都可能要做归一化处理。

此外，究竟用什么日历，也显著影响季节性需求的预测。

在季节性模型中，我们一般用的是阳历。但很多活动跟农历有关。比如春节，端午节，中秋节等传统节日，每年都可能分布到不同的阳历月份。如果需求的季节性是由这些农历节日驱动的话，我们的日历应该围绕农历来构建。

就拿商用车来说，其销量受春节影响较大----过年后，大家一般都是信心满满，买辆新车大干一场。这种季节性应该围绕春节来划分，而每年春节的具体日期不同，落在不同的阳历月。比如2012年的春节是1月23日，2015年的是2月18日。有个企业默认春节在2月，3月份是春节后的第一个月，也是生产线最忙的月份，显然是错误的假设。

这对农业相关的业务更是如此。比如你是个农药制造商，主打产品是除草剂、杀虫剂，而害虫和杂草跟着气候走。围绕农历的二十四节气来划分日历，计算相应的季节指数，显然要比围绕阳历更靠谱。

对跨境电商来说，如果产品是针对伊斯兰教、犹太教、印度教等信徒，那么就得考虑开斋节、排灯节、犹太教新年等节日的影响。这些节日跟春节类似，在阳历日历上每年的日期、月份可能不同，可能显著影响需求预测。

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

上面文章节选自我的《供应链的三道防线：需求预测、库存计划、供应链执行》第2版一书。

（1）在冻结期内，对预测的数量和时间调整，供应端可拒绝执行，否则的话执行成本太高；

2）在半冻结期内，供应端要满足一定的时间调整（比如适当提前或推后），但可不响应数量调整（因为长周期原材料等很难在短期获取）；

（3）其余的是自由期，预测的数量和时间都可以调整（这一般是采购提前期外），供应端必须满足。

要特别提醒的是，这里的冻结期、半冻结期是执行概念，而不是计划概念。在冻结期内，计划还是可以调整预测，但执行有权利不执行。这跟自由期不一样：在自由期，计划一旦调整预测，执行必须满足。

供应链的响应区间（示例）

三类期限的长短，取决于供应链的执行能力，以及计划和执行的力量对比。在有些公司，生产和采购、供应商很强势，冻结期就往往很长，甚至是一旦进入采购提前期就不得做任何调整，不管是数量还是时间。我能够理解他们之所以这么做，是为了给供应链执行更多的可预见性；但一刀切地不允许调整，也可能丧失很多机会，有些对生产和供应链也是有利的。

比如我们原来低估了，现在调整预测，供应商或许正好有富裕产能，可以把更多的原材料加工成半成品，把更多的半成品加工成成品。这对他们来说，意味着更高的产能利用和更多的营收，何乐而不为呢？再比如我们原来高估了，现在滚动调整预测，让供应商适当推后生产日程，或许供应商正在经历产能、长周期物料的短缺，正好松口气，降低加急赶工带来的运营成本，以及可能的质量问题。

冻结期、半冻结期本来是为了保护供应链，因为供应链执行有一定的刚性，不能说变就变。但很多时候，表面上是生产和供应商执行的"刚性"，其实是因为信息化程度低，没法有效传递、跟踪这样的预测变动，动态匹配需求和供应。再加上供应端的生产、采购、供应商太强势，嫌麻烦，不愿意做出本来能够承担的改变，最终往往造成双输的结局。

比如有个电商，他们的主要供应商比较强势，强烈要求4周以内的预测不能调整，那好，所有的调整就都放到第五周，每次滚动预测，第五周都是人为的波峰和波谷，这人为降低了预测的准确度----前4周的不准确，第5周的也注定不准确，对供应链的产能安排也没什么好处。

这是人为扭曲，传递了虚假信息，掩盖了真实问题。让我们举个例子来说明。

假定滚动预测的冻结期是4个星期，初始预测是每周100个。突然情况有变，每周预测变成130个。在冻结期的作用下，后续预测就是前4周每周100，第5周则变成250个：本来的130个来满足第五周的需求，额外的120个满足冻结期4周没法调整的预测（30乘以4）。然后从第6周起变为130个每周。基于这样的预测，供应商做了承诺，能够满足每一周的需求。需求和供应完全匹配，多么完美啊。

但这是假象：需求按照每周130个进来了，实际供应还是基于老的预测100个，每周的缺口是30个。需求端得不到想要的，客户在叫，销售也在叫，而供应链上却一派升平，这无异于掩耳盗铃，又一个典型的"手术很成功，病人却死了"。当然供应端会说，我们会尽力而为，按照最新、最准确的需求预测行事。但问题是，这最新、最准确的需求预测都没有录入ERP里，没有系统的方式告诉生产、采购和供应商，他们又能怎样"尽力而为"呢？

要知道，滚动计划机制是公司的一大沟通工具，让整个供应链从市场、销售、产品到计划、生产、采购和供应商，都围绕同一个计划，也就是最新、最准确的预测来运作。这是供应链协同的关键。

那应该怎么办？每次滚动预测的时候，计划端都给供应端最新、最准确的需求预测，如果已经进入冻结期或者半冻结期，生产与供应商做到是情分，做不到是本分，但作为计划，我们还是要把问题暴露出来：需求和供应在这里不匹配，原因不在供应端，而是计划和需求端。作为供应链，我们不能讳疾忌医，掩耳盗铃：没有暴露出来的问题是没法解决的，自然也是没法改进的。

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

比如有个电商巨头设定年度目标，要求x%的补货订单要由系统自动生成。有个公司计划y%的采购额要通过电子商务，以便更好地合法合规。还有个企业考核供应商接受电子商务，也就是通过电子商务做生意的比例，并把采取其电子商务作为合格供应商的条件之一。

信息化是好事情，但供应商和业务部门经常不配合，是信息技术没法推广的一大挑战。

供应商不愿意采用采购方的电子商务，一大原因是电子商务系统很难与供应商的系统无缝对接，大量的数据都得供应商手工输入和维护。那么多的客户，那么多的电子商务系统，跟客户实现电子连接就成了资源黑洞，在那些管理粗放、信息化水平低的供应商尤甚。作为应对方案，一方面我们要适当集中采购额，把自己做成大客户来有效驱动供应商；另一方面选择不可替代，不能在最低价驱动下选择那些粗放供应商。

用户界面不友好、系统不稳定、功能不健全，供应商对这样的电子商务很抗拒，采购部门也不愿意用。不时有这样的情况发生：系统开发好了，该有的功能都有了，但供应商和采购都不愿用。某大型央企的IT老总把问题归咎于采购，说采购没有推动供应商来采用系统。不过想想看，信息系统就如鞋子，如果一个人、两个人不愿意穿鞋，可能是具体人的问题；如果大家都宁肯光着脚走，后面八成有鞋子不合脚的问题。

当然IT也有他们的难处：我理解鞋子可能不合脚，但你至少要愿意把脚伸出来，让我量啊----业务部门不愿介入信息系统的开发，做好需求定义、测试和反馈工作，而是习惯性地靠IT闭门造车，这造出的鞋子呢，当然不合脚；因为不合脚，业务部门就不愿穿，于是就不可避免地陷入系统、组织两层皮的恶性循环，在那些管理粗放、部门壁垒重重的企业尤甚。

结果就是信息化水平低，从采购方到供应商，不得不花大量的人力，来对付本来可以自动化的数据处理。人力资源花在低附加值的琐碎杂务上，花在高附加值的任务上就不足，导致需求管理、战略寻源、供应商绩效管理上面的资源投入不够：这些供应商层面的事重要但不紧急，所以经常被一拖再拖，做不到位又会导致更多的订单层面问题，于是就陷入恶性循环。

要知道，凡是人工干两次的事，理论上都可以自动化。那么多的人力资源，花费在本来可以由计算机完成的任务上，如果你是个几千万、几个亿规模的中小企业，尚且可以原谅；如果你是个几十亿、几百亿的大企业，这就不可原谅。这是个管理层的问题----管理层的任务就是组织、流程和系统的建设，信息化是系统建设的关键构成。

时不时有读者要我推荐电子商务软件，但市面上商业化的电子商务软件看上去并不多，我也没有特别要推荐的。对很多企业来说，与供应商的电子商务系统是自己开发的，通过网站、EDI和其他信息技术手段，把ERP里的订单、图纸、规格等信息分享给供应商。这从技术上讲没有多大的挑战，特别是云端技术、SaaS等让电子商务系统的实施更加简单的今天。

顺便讲个笑话。我知道一个这样的软件系统，据说原来是从IBM的自用软件发展而来，对接采购方与供应商。该软件在国内发展了好些年，一直不温不火，最后决定关闭国内的办事处。有趣的是，人都遣散了，负责销售的老总也回台湾了，国内一大客户突然说要采用这个系统。得，一帮人又喊到一起干活呗。真是造化弄人啊。

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

（1）在冻结期内，对预测的数量和时间调整，供应端可拒绝执行，否则的话执行成本太高；

2）在半冻结期内，供应端要满足一定的时间调整（比如适当提前或推后），但可不响应数量调整（因为长周期原材料等很难在短期获取）；

（3）其余的是自由期，预测的数量和时间都可以调整（这一般是采购提前期外），供应端必须满足。

要特别提醒的是，这里的冻结期、半冻结期是执行概念，而不是计划概念。在冻结期内，计划还是可以调整预测，但执行有权利不执行。这跟自由期不一样：在自由期，计划一旦调整预测，执行必须满足。

供应链的响应区间（示例）

三类期限的长短，取决于供应链的执行能力，以及计划和执行的力量对比。在有些公司，生产和采购、供应商很强势，冻结期就往往很长，甚至是一旦进入采购提前期就不得做任何调整，不管是数量还是时间。我能够理解他们之所以这么做，是为了给供应链执行更多的可预见性；但一刀切地不允许调整，也可能丧失很多机会，有些对生产和供应链也是有利的。

比如我们原来低估了，现在调整预测，供应商或许正好有富裕产能，可以把更多的原材料加工成半成品，把更多的半成品加工成成品。这对他们来说，意味着更高的产能利用和更多的营收，何乐而不为呢？再比如我们原来高估了，现在滚动调整预测，让供应商适当推后生产日程，或许供应商正在经历产能、长周期物料的短缺，正好松口气，降低加急赶工带来的运营成本，以及可能的质量问题。

冻结期、半冻结期本来是为了保护供应链，因为供应链执行有一定的刚性，不能说变就变。但很多时候，表面上是生产和供应商执行的"刚性"，其实是因为信息化程度低，没法有效传递、跟踪这样的预测变动，动态匹配需求和供应。再加上供应端的生产、采购、供应商太强势，嫌麻烦，不愿意做出本来能够承担的改变，最终往往造成双输的结局。

比如有个电商，他们的主要供应商比较强势，强烈要求4周以内的预测不能调整，那好，所有的调整就都放到第五周，每次滚动预测，第五周都是人为的波峰和波谷，这人为降低了预测的准确度----前4周的不准确，第5周的也注定不准确，对供应链的产能安排也没什么好处。

这是人为扭曲，传递了虚假信息，掩盖了真实问题。让我们举个例子来说明。

假定滚动预测的冻结期是4个星期，初始预测是每周100个。突然情况有变，每周预测变成130个。在冻结期的作用下，后续预测就是前4周每周100，第5周则变成250个：本来的130个来满足第五周的需求，额外的120个满足冻结期4周没法调整的预测（30乘以4）。然后从第6周起变为130个每周。基于这样的预测，供应商做了承诺，能够满足每一周的需求。需求和供应完全匹配，多么完美啊。

但这是假象：需求按照每周130个进来了，实际供应还是基于老的预测100个，每周的缺口是30个。需求端得不到想要的，客户在叫，销售也在叫，而供应链上却一派升平，这无异于掩耳盗铃，又一个典型的"手术很成功，病人却死了"。当然供应端会说，我们会尽力而为，按照最新、最准确的需求预测行事。但问题是，这最新、最准确的需求预测都没有录入ERP里，没有系统的方式告诉生产、采购和供应商，他们又能怎样"尽力而为"呢？

要知道，滚动计划机制是公司的一大沟通工具，让整个供应链从市场、销售、产品到计划、生产、采购和供应商，都围绕同一个计划，也就是最新、最准确的预测来运作。这是供应链协同的关键。

那应该怎么办？每次滚动预测的时候，计划端都给供应端最新、最准确的需求预测，如果已经进入冻结期或者半冻结期，生产与供应商做到是情分，做不到是本分，但作为计划，我们还是要把问题暴露出来：需求和供应在这里不匹配，原因不在供应端，而是计划和需求端。作为供应链，我们不能讳疾忌医，掩耳盗铃：没有暴露出来的问题是没法解决的，自然也是没法改进的。

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