计划预测 分类中的最新日记

考不考核预测准确度，考核哪个职能，如何考核，历来是需求预测的一个热点话题。

你或许会说，我知道有个计划要比没有强，但不确定性那么大，问题那么复杂，就是不知道从哪里下手。

需求计划需要对接销售和运营，对人的资质要求相当高。可以说，在供应链管理领域，需求计划对人的综合素质要求最高。理想的需求计划人员需要具备三方面的条件：

有个快消品公司，主要产品是护肤、美容用品。公司采取轻资产运作，全部由代工厂加工。比如生产一款洗面奶，他们需要找到外盒工厂、软管工厂、塑封膜工厂，帮助生产所需的包材，完成后直接发货到化妆品加工厂，由后者灌装，把成品发送到该公司，再由该公司进行销售。作为公司的采购职能，虽然名义上是采购，其实履行的是供应链管理职责，是实际上的供应链管理部门。

企业大了，摸着石头过河的实干心态不能丢。但不可否认的是，企业越大，就越经不起折腾，越需要确定性。计划就是在不确定性中寻找确定性。用一位名叫董志江的读者的话说，公司小的时候是枪杆子指挥笔杆子，公司大了一定是笔杆子指挥枪杆子。这也是凸显了计划的重要性。

对于执行职能来说，计划就是计划，好像是个单一职能；但对于计划职能来说，计划还会细分，从需求计划到库存计划到生产计划，从中心仓到前置库位的计划，从新产品到成熟产品的计划，在具体的职责上的侧重点都有所区别。不过就绩效考核而言，这些计划职能却有很多共性，主要表现在服务水平，库存周转和呆滞库存等三方面。

需求计划的"进化史"，也是需求计划从单一职能向跨职能、跨企业协作发展的历史，从避免大错特错向追求精益求精的发展历程。

VMI是供应商管理库存的缩写，英语的全称是Vendor Managed Inventory，最早在零售行业出现（传统上，那个行业习惯于把供应商称为Vendor，更正式的叫法是Supplier），由沃尔玛和宝洁于上世纪80年代率先导入。我们这里把VMI当做一个专题讨论，主要是因为这些年来VMI应用广泛，但由于计划和管理不善，VMI又造成了诸多问题，不光是给供应商造成损失，也严重影响到采购方。

我们一直在强调，需求预测得"从数据开始，由判断结束"，主客观结合，得到准确度最高的预测。有的公司说，我们也遵循这个原则，不过是销售提需求，计划做调整。这看上去也是"从数据开始，由判断结束"，却是由错误的人在做正确的事，自然不会有什么好结果。

以前我们谈到，一线销售做预测，颗粒度太小，准确度不高；责任考核机制缺失（没见过哪个销售丢了工作，是因为预测准确度低），而没有考核机制的事情是做不好的。既然如此，为什么那么多的企业都在由一线销售做预测？

一提到新品计划，很多人的第一反应就是可计划性太低，这就自然而然地把它推到销售、产品端，由那些职能兼职，变成拍脑袋为主了。其实不然，就如我们前面详细阐述过的，即便是用专家判断法做新品的初始预测，也得严格遵守"从数据开始，由判断结束"的计划流程，数据分析至始至终贯穿期间，主导整个专家判断流程。

以前我们谈到，一线销售做预测，颗粒度太小，准确度不高；责任考核机制缺失（没见过哪个销售丢了工作，是因为预测准确度低），而没有考核机制的事情是做不好的。既然如此，为什么那么多的企业都在由一线销售做预测？

在很多企业，一线销售提需求是个普遍的现象。理由看上去也很充分：他们最接近客户，最可能知道客户要什么。其实，除非是客户定制化的需求，一线销售在做需求预测上挑战多多。

案例企业有着强大的粉丝团体，一直走的是粉丝经济，虽然在向品牌经济过渡，但粉丝经济还是营收的重要构成。为了最大化粉丝收益，案例企业就不断推出新品，基本上是每周都有新品上市。该企业走的是中高端、差异化路线，快时尚，品种多，批量小，首批推出一般也就几百到几千件。多种少量让预测更难做，要么过剩，要么短缺，在案例企业得到充分体现。

我经常问职业人，有谁预测过自家的用水量？大家都说没有：做预测的是水务局，他们预测整个城市的用水量，确保水厂有足够的水，大家用时打开水龙头就行了。大家也从没见过水务局深入到千家万户，让每家每户"提需求"，谁预测谁有水，谁不预测就没水。那我们为什么有那么多的公司，一而再地要求一线销售、直接用户提需求（做预测）呢？

新品计划的准确度低，关键是伴随着更多的需求历史，要及时滚动更新，同时平衡库存风险、断货风险和运营成本。

在《读者》上看到王蒙的一句话，很有感触："凡人容易滑向经验主义，圣人容易走向教条主义"。经验主义是感性的，局部的；教条是理性的，有一定的普适性。圣人之所以是圣人，是因为他们经多识广，"数据"充分，总结提炼出了规律性的东西。《读者》上还有一篇文章，说普通人的盲区是"过于依赖自己的直觉"，专家的盲区则是"过于相信自己的理性和经验"（《到底谁不靠谱》，作者人神共奋，《读者》2019年第4期），跟王蒙之言有异曲同工之妙。

计划由人做，人是有缺陷的，表现为各种偏见。不管是获取信息、处理信息，还是在输出信息、反馈判断结果的时候，人们都可能有意无意地掺入自己的偏见。这是人的天性，作为管理者，我们得正视并寻求解决方案。这里我们主要想讲三种偏见，以及如何应对。

在预测时间序列上，指数平滑法是另一类常用的方法。该方法最先由布朗提出，他认为时间序列的态势具有稳定性或规则性，所以可被合理地顺势推延；最近发生的，在某种程度上会持续到最近的未来，所以历史信息越新，其所占权重也越大[1]。指数平滑法其实是一种特殊的移动平均法，是一种加权移动平均，特点是权重按照几何数级递减，越老的数据权重越小。

我接触过几个软件公司，都是开发计划软件的。他们有的基于数理统计，提供多种预测模型以供择优选用；有的基于人工智能，通过机器学习，为需求预测和库存计划提供独特的解决方案。这些软件都远非完美，不过整体而言，要比一帮计划员拍脑袋、各行其是强。但是，很多企业就是不愿采用，或者即便实施了计划软件，实际工作中还是在Excel中手工做计划。

在需求预测上，层层报批是种很常见的做法。

需求可以分解成两部分：存量和增量。简单地说，存量就是经常性的业务。比如你开了个小饭馆，每天中午大概有50人来吃饭，这就是存量。存量一般是有规律可循的，能够通过数据分析获取。增量是变化的部分，比如附近的公司办活动，要多订30份盒饭。增量是在存量基础上的变化，因为发生了显著改变需求的事情。"从数据开始"指的是存量，"由判断结束"指的是增量，两者叠加，构成整体预测。

案例企业的需求相当复杂，主要分三大块：大客户，渠道客户，零星散户。大客户和渠道走的是传统的线下业务，是典型的B2B；零星散户走的是线上电商业务，通过App下订单，虽然是小商户，却跟典型的B2C业务很像。线上、线下业务并存，大客户、渠道和散户对需求的影响方式也各不相同：大客户的需求变动主要是客户驱动，比如客户自己的促销、活动等；渠道和零星散户则主要由案例企业自己驱动，比如渠道政策、线上活动等。

你不需要是个计划专家，才能做预测。预测的能力不是天生的，人人都可以练就。

一谈起数据分析，人们经常抱怨的是没数据。就如一位职业经理人说的，公司多年来快速发展，到千亿规模了，还是靠"肩扛手拉"，从Excel到Excel，没有系统的历史数据积淀，也没有数据模型，怎么办？

在库存计划领域，除了安全库存，经常打交道的还有再订货点（或者就叫订货点）。其逻辑是一旦库存降到预设的水位（再订货点，ROP），就启动订货机制，驱动供应链补充一定数量的货（订货量，ROQ）；在货来到之前，库存继续下降，直到订的货到达，拉高库存的水位，然后开始下一个循环，如图1[1]。再订货点法在企业里使用很广，它的几个参数，在此稍作解释。

有位职业经理人跟我说，公司除了在行业数据研究领域有专业的分析人员外，其余的计划人员都没有数理统计的背景，言下之意是数据分析能力很薄弱。这是个千亿级的企业，计划员工多年来靠传帮带的方式培养，以数据搜集、汇总为主，在需求预测上严重依赖销售、产品和高管的判断。

移动平均法是用一组最近的历史需求，来预测未来一期或多期的需求。这是时间序列最常用的方法之一。当每期的历史需求权重一样的时候，我们就叫简单移动平均（一般简称为移动平均）；当权重不同的时候，我们就叫加权移动平均。在加权移动平均中，需求历史越近，权重一般越大，也就是说更重视最新的信息，但所有的权重加起来等于1。

在《信号与噪声》一书中，特纳·希尔佛阐述道，预测之所以重要，是因为它连接着主观世界与客观现实。在企业里，哪个职能代表主观世界？销售----销售天生是乐天派，总是生活在希望中。哪个职能代表客观现实？供应链----供应链天生更加现实，因为他们知道，把现金变成库存容易，把库存变回为现金可就难了。而这主观与客观呢，就体现在销售预测、需求预测上。

我们经常说，供应链要么是订单驱动（拉），要么是预测驱动（推）。其实不管是推还是拉，从供应链的角度来看，最终都是预测驱动，因为一个人的订单注定是另一个人的预测。比如小姑娘在网上买衣服，她得给商家下订单，是基于她预测未来会穿这衣服。不过到她的衣橱里看看，有多少件衣服买来后就再也没碰过？很简单，小姑娘的预测失败了呗。

我们之所以能够预测，是基于（1）时间序列的延续性（也叫连贯性）；（2）变量之间的相关性（也叫类推性）。计划者的任务，一方面是分析历史数据，总结这样的延续性、相关性，然后是应用这样的关联性，对未来做出预判，指导供应链执行来提前准备。

这些年来，我每年拜访、服务几十家本土企业，他们的年度营收上至千亿，下至几千万、刚过亿，规模大不相同，问题却惊人地相似：供应链的成本做不低，交付做不快，库存水平居高不下。这些问题，表面上看是供应链的执行不到位；但仔细探究，根源却都离不开计划，比如需求预测变动频繁，紧急需求频发，给供应链没有足够的响应时间等。

有个养殖企业，营收在几百亿的级别，长期以来是需求拉动：养殖场有需求，就提交库管，驱动采购来满足。需求拉动的问题有二：其一，给供应链的响应时间太少，经常成为紧急需求，导致加急赶工运营成本高，内部用户体验也差；其二，需求零散，难以聚合，缺乏规模效应，导致采购价格偏高----即便签订总量合同，拿得更好的价格，但因为需求是零散的，批次多，跨度长，供应商最终也往往要求随行就市，实际收取更高的价格。

对需求预测来说，上世纪50、60年代可以说是人才辈出。这里我想特别介绍一下美国的HMMS研究团队。这个团队的名称来自四位研究者姓氏的第一个字母，当时他们都在卡内基工学院（后来与梅隆学院合并，成为今天蜚声海外的卡内基梅隆大学），旨在是寻找更好的决策机制，以帮助工业界更好地应对种种库存、生产和计划问题。这些问题在宏观层面导致经济危机，在微观层面让企业经常处于应急状态----要么是赶工加急，要么是产能闲置和库存积压。

就"从数据开始"而言，颗粒度越大，需求的聚合效应越明显，数理统计的可靠性就越大，预测的准确度也越高。但对"由判断结束"来说，颗粒度与准确度的关系就相对复杂。

公司小的时候由老板兼职，有点规模后由销售、生产、采购等相邻职能兼职，上了规模后就得有专职的需求计划职能。

对于小的需求变动，供应链有一定的纠偏和容错能力。比如预测相对偏低的话，可由安全库存、安全产能来应对；预测适当偏高的话，可以延迟供应商给我们的交付，或者手头库存暂时高一段时间。但这是有前提的：我们得尽快调整预测，否则长期累积下来，小洞变大洞就难补了。

就如有的人非但帮不了忙，反而帮倒忙一样，并不是所有的预测方法都增加价值。有时候，人类一思考，上帝就发笑，作为还不如不作为，预测还不如不预测。比如在颗粒度很小的地方做预测，或者由销售、用户拍脑袋做预测，预测准确度太低，往往还不如不预测，直接用上期的实际值当做下次的预测（"幼稚预测"），亦即常见的"卖一补一"。

我们接下来讨论，未来多长时间内的需求预测可以调整，执行端必须得满足。这就涉及到计划的冻结期、半冻结期和自由期，如图 1：

​一提起"长尾"，人们容易觉得比较独特，容易联想起小众来。其实，大众是由小众组成的。要知道，需求越是细分，或者说越是在供应链的末端，就越呈现小众化。或者说，只要是足够细分，或者说供应链足够末梢，我们面临的注定就是"长尾"需求。我们说的供应链的末端，或者说最后一公里，放在库存计划上，就是如何应对此类"长尾"需求。

我在企业培训、咨询时，经常问他们服务水平目标是什么，从销售到供应链，大家经常是大张嘴，一笔糊涂账。

2018年，《供应链的三道防线：需求预测、库存计划、供应链执行》出版以来，反响很好，在京东上很快就上升到供应链销量榜的第二位（第一位还是我的红皮书《采购与供应链管理：一个实践者的角度》）。

一旦提起需求计划的绩效，一般人就会联想到预测的准确度。这没错，但不全面。所谓绩效，真正重要的是指跟客户、股东利益直接相关的东西。我不是说预测准确度不重要----预测准确度当然重要，因为会影响到客户和股东利益，但客户跟你做生意，股东买你的股票，有多少是因为你的预测准确度高？所以，对需求计划的绩效评估，要超越预测准确度本身，从客户和股东的视角来看待。

在很多公司，供应链苦于销售对库存不负责任。表面上看是销售不愿承担责任，根源其实是需求计划没有闭环的结果。

这个案例聚焦产品上新前，即在新品开发过程中，伴随着越来越多的信息，如何建立定期更新预测的机制，指导供应链更精准地响应。

SKU是英语里Stock Keeping Unit的缩写，直译过来是存货单元。举个例子。女孩子去买衣服，找到喜欢的款式，喜欢的颜色，还得找到自己的尺码----款式+颜色+尺码就是这里说的SKU。SKU是我们识别产品所必须的，也是商场进出存的最小单元。同样的款式、同样的颜色，中号跟小号是不同的SKU，所以需要两个不同的SKU编码来识别。

如果说计划是供应链领域专业度最高的职能的话，那么库存计划就是计划职能专业度最高的。而安全库存的设置呢，则是库存计划中技术含量最高的一块。

对于长周期物料，我们之所以专门探讨其需求预测，是因为它们对供应链的影响最为深远。对于供应链来说，一个行业之所以难以对付，关键就在于那些长周期物料，比如芯片，比如显示屏，比如定制化程度高的关键零部件。

与VMI常常一起出现的还有寄售。很多人搞不清两者的关系。其实，它们两者没关系：VMI说的是库存的管理责任，寄售说的是库存的所有权。在实践中，你可以用VMI而不用寄售，可以用寄售而不用VMI。当然两者并用的情况也很常见，以至于业界一旦提到VMI，首先想到的是库存也归供应商持有（寄售）；而很多企业采用VMI的初衷呢，也是为了把库存压力转移给供应商。也就是说，很多人心目中的VMI其实是VMI加寄售。

季节性强，生命周期短，比如女孩子们穿的漂亮衣服，需求的不可预见性高，预测多了，呆滞风险大增；预测少了，补货周期又长，补货几无可能。这就相当于一锤子买卖，我们这里探讨一下该怎么预测。

一个苏州的公司问，我们让供应商建了VMI，但短料、呆滞频发，怎么办？我的答复是供应链的三道防线。他们问，三道防线中没有一个字是谈到VMI的，为什么能解决我们的问题？答曰：预测准确度低，第一道防线建不好，VMI要么是断货，要么是呆滞；库存计划不到位，第二道防线没建好，VMI的最低、最高库存不合理，问题当然是一大堆；需求预测和库存计划的不足，最后都得供应商的执行来弥补，这是供应链的第三道防线，要求我们选好、管好供应商，对我们的寻源和供应绩效管理提出更高的挑战。

对于执行职能来说，计划就是计划，好像是个单一职能；但对于计划职能来说，计划还会细分，从需求计划到库存计划到生产计划，从中心仓到前置库位的计划，从新产品到成熟产品的计划，在具体的职责上的侧重点都有所区别。不过就绩效考核而言，这些计划职能却有很多共性，主要表现在服务水平，库存周转和呆滞库存等三方面。

四分法给我们结构化的方法，来展现库存风险，以控制整体库存。这里我们以原材料为对象，介绍这一方法的具体应用。

VMI是供应商管理库存的缩写，英语的全称是Vendor Managed Inventory，最早在零售行业出现（传统上，那个行业习惯于把供应商称为Vendor，更正式的叫法是Supplier），由沃尔玛和宝洁于上世纪80年代率先导入。我们这里把VMI当做一个专题讨论，主要是因为这些年来VMI应用广泛，但由于计划和管理不善，VMI又造成了诸多问题，不光是给供应商造成损失，也严重影响到采购方。

在有些行业，压货行为非常普遍，人为加剧了需求的变动性。

一提到新品计划，很多人的第一反应就是可计划性太低，这就自然而然地把它推到销售、产品端，由那些职能兼职，变成拍脑袋为主了。其实不然，就如我们前面详细阐述过的，即便是用专家判断法做新品的初始预测，也得严格遵守"从数据开始，由判断结束"的计划流程，数据分析至始至终贯穿期间，主导整个专家判断流程。

前面多次讲过，行业性短缺状态下，过激反应，大幅拔高安全库存和需求预测，不但解决不了短缺问题，反而造成后续的过剩问题，应了"所有的短缺，最后都是以过剩结束"。特别是集体决策下，人们倾向于承担更大的风险，往往超出企业的承受力度；同样是"集体"决策，库存的责任不明确，补救措施就不及时，把本来可以减轻的风险没有减轻。

案例企业有着强大的粉丝团体，一直走的是粉丝经济，虽然在向品牌经济过渡，但粉丝经济还是营收的重要构成。为了最大化粉丝收益，案例企业就不断推出新品，基本上是每周都有新品上市。该企业走的是中高端、差异化路线，快时尚，品种多，批量小，首批推出一般也就几百到几千件。多种少量让预测更难做，要么过剩，要么短缺，在案例企业得到充分体现。

在《读者》上看到王蒙的一句话，很有感触："凡人容易滑向经验主义，圣人容易走向教条主义"。经验主义是感性的，局部的；教条是理性的，有一定的普适性。圣人之所以是圣人，是因为他们经多识广，"数据"充分，总结提炼出了规律性的东西。《读者》上还有一篇文章，说普通人的盲区是"过于依赖自己的直觉"，专家的盲区则是"过于相信自己的理性和经验"，跟王蒙之言有异曲同工之妙。

案例企业的需求相当复杂，主要分三大块：大客户，渠道客户，零星散户。大客户和渠道走的是传统的线下业务，是典型的B2B；零星散户走的是线上电商业务，通过App下订单，虽然是小商户，却跟典型的B2C业务很像。线上、线下业务并存，大客户、渠道和散户对需求的影响方式也各不相同：大客户的需求变动主要是客户驱动，比如客户自己的促销、活动等；渠道和零星散户则主要由案例企业自己驱动，比如渠道政策、线上活动等。

有个工业品公司，项目型需求较多，一贯靠一线销售提需求。让每个销售预测自己跟踪的项目，预测的颗粒度小，预测准确度不高，呆滞库存是个大挑战。于是该企业就开始考核预测的准确度：你预测了几个，就得用掉几个。销售跟库存挂上钩了，就迟迟不肯提需求，直到需求快落地时，数量的准确度没什么问题了，但给供应链却没有时间来响应。

人们经常说，他们的供应链是推式的，由预测驱动；或者拉式的，由订单驱动。其实，供应链没有100%的推，否则库存风险太大，股东受不了；也没有100%的拉，否则交付太慢，客户体验太差。每条供应链都是推拉结合的：先根据需求预测推到一定地步，以获取规模效益、降低成本、提高响应速度；再由客户订单拉动，以满足差异化的需求，并降低库存风险。

根据风险的高低，我们把多余库存分为两部分：如果能在一定时间内消耗掉，风险较低，就叫过剩库存；一定期限内预计消耗不掉，风险较高，就叫风险库存。多余库存的驱动因素是组织行为，比如预测失败，订单取消，最小起订量，策略备货，设计变更等。

供应链上的各种问题，都会或多或少在库存上体现出来。比如信息沟通不充分，需求的不确定性增加，导致安全库存上升；执行能力差，供应的不确定性增加，也导致安全库存上升；设计变更多，设计变更管理粗放，设计造成的过期库存多；质量差，次品多，劣质库存就多，而且得多备库存来应对质量问题；质量差，回款周期就长，应收账款就多----应收账款和应付账款也是库存，不过是以另一种方式出现；生产周期长，周转库存自然就高；运输慢，在途库存就高；预测、计划不到位，要么造成短缺，要么造成过剩，都是库存问题。

在预测时间序列上，指数平滑法是另一类常用的方法。该方法最先由布朗提出，他认为时间序列的态势具有稳定性或规则性，所以可被合理地顺势推延；最近发生的，在某种程度上会持续到最近的未来，所以历史信息越新，其所占权重也越大[1]。指数平滑法其实是一种特殊的移动平均法，是一种加权移动平均，特点是权重按照几何数级递减，越老的数据权重越小。

强势职能，比如销售和研发的不作为，人们容易看到，也经常口诛笔伐；但是弱势职能，比如计划和供应链的不作为，却因为被其"受害者"的角色所掩护，往往不容易发现，也就更不容易纠正。

十几年前，我在北美读商学院，一位教授说，（以前在美国），如果一个人做不了设计、干不了销售，也做不来财务、人事、生产、仓储、物流，那就让他做采购；如果连钱都不会花，那就实在抱歉了，只有卷铺盖走人。这是美国几十年前的情况，随着全球采购和外包战略的盛行，采购的地位大幅提升，不再如此。但在一些粗放经营的本土企业，采购的地位还很低，是典型的"小采购"。我一直以为采购是一个人在这些公司的最后一站，直到2015年初。

在计算安全库存的时候，当需求相对平稳的时候，我们一般用过去一段时间的平均需求当做预测，计算这段需求历史的标准差，来量化需求的不确定性。这里有两个问题要考虑：其一，样本的数量，即用多少个数据点来计算；其二，数据汇总的颗粒度，比如按日，还是按周或按月汇总。

在《信号与噪声》一书中，特纳·希尔佛阐述道，预测之所以重要，是因为它连接着主观世界与客观现实（如图 1）。在企业里，哪个职能代表主观世界？销售----销售天生是乐天派，总是生活在希望中。哪个职能代表客观现实？供应链----供应链天生更加现实，因为他们知道，把现金变成库存容易，把库存变回为现金可就难了。而这主观与客观呢，就体现在销售预测、需求预测上。

有个代理商，库存和交付一直是个问题：短缺时有发生，而手头的整体库存却居高不下。他们想从需求预测和库存计划着手，对付这个问题。他们的计划主管首先导出几个产品的历史销量，做了折线图想从中发现规律，却看不出什么门道。问我该怎么办，我就把数据要过来----谈到具体的计划问题，不看数据就无异于瞎谈。

你不需要是个计划专家，才能做预测。预测的能力不是天生的，人人都可以练就。

需求预测要"从数据开始，由判断结束"----销售是判断的主力军，计划按照销售提供的信息来判断，调整需求预测。我们经常听到计划在抱怨，说销售不愿提供信息。有几个常见的原因，这里讲三个，并探讨计划如何能帮助改变这些。

在库存计划领域，除了安全库存，经常打交道的还有再订货点（或者就叫订货点）。其逻辑是一旦库存降到预设的水位（再订货点，ROP），就启动订货机制，驱动供应链补充一定数量的货（订货量，ROQ）；在货来到之前，库存继续下降，直到订的货到达，拉高库存的水位，然后开始下一个循环，如图1[1]。再订货点法在企业里使用很广，它的几个参数，在此稍作解释。
 

有个企业的需求计划由各大区提交，在总部汇总，预测准确度历来不高，造成供应链的很多库存问题。供应链部门就建立了需求评审制度，让总部的营销、市场、财务和供应链等部门评审需求预测。但销售不满意，认为评审增加了一环，阻隔了销售与生产的有效对接。案例企业的供应链就问我，需求评审流程该如何设置。

时间序列可以分解为三种成分：水平部分（平均值），趋势部分（上升或下降），季节性部分（周期性的重复），剩余的就是随机变动，即前三者都没法解释的"杂音"。我们常见的时间序列，根据复杂度的不同，一般上述三种成分中的一种、两种或三种组合而成。当然，你也可以把水平部分当成趋势的特例，或者趋势的一部分。那么，时间序列就可简化为两部分：趋势和季节性，以及两者之外的随机变动。下面这个例子就是这样分解的[1]。

在库存计划和服务水平上，企业可以分为三类：最差的企业是库存一大堆，但客户要的没有，服务水平很低；最好的企业是库存最低，但客户服务水平最高。这好理解：最好的企业计划做得好，知道计划客户要的东西，所以客户服务水平高；知道不计划客户不要的东西，所以库存水平低。最差的企业正好相反。但居于中间的企业呢，客户服务水平挺高，但库存也挺高，是高库存下的高服务水平。很多做得不错的企业都会归入这个门类，简称"两高"企业。

让我们拿踢足球打比方，来进一步理解指数平滑法的逻辑。

人们经常抱怨没数据，其实一个公司数据再少，也会有发货数据，因为他们要靠这个来向客户收钱。光从这些发货数据中，我们就可以发现很多有用的信息，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。比如你新到一个企业，人家给你一个几十兆、几百兆大的Excel文件，是这几年的发货记录，你该怎么分析呢？

移动平均法是用一组最近的历史需求，来预测未来一期或多期的需求。这是时间序列最常用的方法之一。当每期的历史需求权重一样的时候，我们就叫简单移动平均（一般简称为移动平均）；当权重不同的时候，我们就叫加权移动平均。在加权移动平均中，需求历史越近，权重一般越大，也就是说更重视最新的信息，但所有的权重加起来等于1。

连续几年的芯片短缺，成了众多企业的心头痛。好不容易今年以来，有些芯片的供应改善，甚至出现局部过剩，价格回落。于是看到不少消息，说厂家开始砍订单，颇有点出了口恶气样子：芯片商们，风水轮流转，你们也有今日啊。有些唯恐天下不乱的自媒体甚至上纲上线，把这跟当前的一些敏感话题牵扯到一起，大肆炒作来吸引眼球。

对供应链绩效来说，没有什么比预测准确度更重要了，因为它直接决定了供应链的成本、交付和资产周转效率。这就是为什么在Gartner的供应链指标金字塔里，雄踞塔顶的是预测准确度。老祖先似乎没有"预测"一词，但你一眼就可看出，"早知三日事，富贵一千年"说的其实就是预测准确度。

几年前，我服务一家千亿级的企业，晚上吃饭，不知怎么就聊到了软件开发。他们的采购总经理说，国内的软件供应商拿的是一遍的钱，干的是两遍的活，没法活了。忙问为什么，他说需求定义不到位，内部用户让供应商按自己的要求开发软件，但开发好后一看，不是自己真正想要的，于是就重来----你说软件商们怎么能赚钱呢？

让我们拿需求计划为例，阐述计划的"责任链"这一重要概念。

首先，谁是需求计划的第一责任人？谁做的需求计划，谁就是第一责任人。我们说"做计划"，指确定最终的需求数量、需求日期，驱动供应链执行。需求预测是个计划任务，虽然销售、市场、产品管理等职能扮演关键角色。当然，计划职能太薄弱时，需求预测就可能成了别的职能的兼职工作，那么这些兼职职能就得承担相应的责任。

计划职能习惯性地陷入执行模式，是众多企业的普遍挑战。怎么才能让计划"抬头看路"，而不是一味"低头拉车"？一项重要举措就是制定绩效考核来保护计划人员，引导计划更加聚焦整体绩效，避免深陷订单层面的争夺战。

计划上做不到精益求精，跟计划人员的专业能力息息相关。比如计划员工的资质、经验不足，没掌握基本的预测模型，更谈不上优化这些模型，预测准确度就不高；为了应对预测的不准确，我们就得建更多的安全库存，花更多的钱来执行弥补。能力不足，面对那么多的产品和库位，没法科学、合理地做好库存计划，合适的库存放不到合适的地方，服务水平和库存就更加没法优化，都让我们在精益求精上渐行渐远。

计划的大错特错，主要是因为销售和运营协调流程没打通，做生意的和做运营的严重脱节，组织博弈导致信息严重不对称，导致预测准确度太低。简单地把销售目标当成需求预测，没法群策群力整合跨职能智慧，层层博弈导致的牛鞭效应，以及短缺下的过激反应，都可能造成需求预测的大错特错，以及严峻的库存和交付问题。

任何事情都是个两阶段的实现过程：先有精神实现，然后有物质实现；前者是计划，后者是执行。企业里的每个职能，凡是有执行的，都能找到相应的计划，无非有些计划实现了专业化，由专职人员在做，有些是兼职而已。

你或许会说，我知道有个计划要比没有强，但不确定性那么大，问题那么复杂，就是不知道从哪里下手。

2009年，我刚开始服务本土企业，就对有些企业在计划上的欠缺深有感触。用一位美国合作伙伴的话讲，"短期计划是下午四点，中期计划是本周四，没有长期计划"。这不，前一天下午会议上谈得好好的事，第二天一大早就变了，就因为上头的一句话。

几年前，我服务一家千亿级的企业，晚上吃饭，不知怎么就聊到了软件开发。他们的采购总经理说，国内的软件供应商拿的是一遍的钱，干的是两遍的活，没法活了。忙问为什么，他说需求定义不到位，内部用户让供应商按自己的要求开发软件，但开发好后一看，不是自己真正想要的，于是就重来----你说软件商们怎么能赚钱呢？

增速放缓，行业不景气，库存就成了让人谈虎色变的话题。搜索互联网，到处都是触目惊心的库存话题，比如90%的电商店铺死于库存，十个女装九个死于库存，服装行业三年不生产库存也卖不完。就连图书业也是"死书累累"，前些年的实体书库存一度高达900亿元。对于众多的本土企业，用业界人士的话来说，就是供应链易断，最后死在库存上；用库存控制专家程晓华的话来说，就是仓库有多大，库存就有多少，仓库越大，死得越快。

我们这里换个视角，谈一下需求计划的"进化史"（如图 1），以及中美企业在需求计划上的差异。简单地说，需求计划的整个"进化史"，也是需求计划从单一职能向跨职能、跨企业发展的历史，从避免大错特错向追求精益求精的发展历程。

一旦提起需求计划的绩效，一般人就会联想到预测的准确度。这没错，但不全面。所谓绩效，真正重要的是指跟客户、股东利益直接相关的东西。我不是说预测准确度不重要----预测准确度当然重要，因为会影响到客户和股东利益，但客户跟你做生意，股东买你的股票，有多少是因为你的预测准确度高？所以，对需求计划的绩效评估，要超越预测准确度本身，从客户和股东的视角来看待。

供应链的成本做不低，交付做不快，库存水平居高不下，这些问题表面上看是供应链执行不到位，但仔细探究，根源却都离不开计划。

最新专著《供应链的三道防线：需求预测、库存计划、供应链执行》第2版，刘宝红著， 京东预售。

有个养殖企业，营收在几百亿的级别，长期以来是需求拉动：养殖场有需求，就提交库管，驱动采购来满足。需求拉动的问题有二：其一，给供应链的响应时间太少，经常成为紧急需求，导致加急赶工运营成本高，内部用户体验也差；其二，需求零散，难以聚合，缺乏规模效应，导致采购价格偏高----即便签订总量合同，拿得更好的价格，但因为需求是零散的，批次多，跨度长，供应商最终也往往要求随行就市，实际收取更高的价格。

我们行外人很难想象的是，服装从开发到上市的整个周期，需要一年以上的时间（快时尚、电商可能快点）。比如现在开发的不是今年卖的，而是明年这个季节的服装。周期长，款式多，SKU复杂，从面料到款式到颜色，服装的需求预测历来挑战重重。这些问题，特别在快时尚领域，还没有完善的解决方案；但多年来，服装行业也总结了一系列的经验智慧，把预测尽量做准，做不准的话尽快纠偏。

我们都说要及时纠偏，但究竟怎么才知道预测错了？

最简单也是很常见的，就是等别人冲着我们叫：客户在催货，你知道是短缺；财务在质询呆滞库存的事，那自然是过剩了。但是，这些结果指标是滞后的，因为供应链上的库存有冗余，信息传递有延迟，等我们知道了，已经太晚了。这就跟等觉得口渴时，身体早已处于缺水状态了。

先说计划主导。

虽然销售深度介入需求预测，但需求预测不是销售的主业，即便兼职预测的话也往往只管生，不管养：他们提完需求，然后就去忙别的，不再回头看。什么时候才回头看？灾难降临的时候，要么是短缺，要么是过剩，都是基于结果的，而结果是滞后的，甚至是严重滞后。所以，作为计划职能，我们不能一直等着业务端"有什么变化，要尽快告知"----那是推卸责任，而是要定期滚动预测，发现不确定之处主动问业务端。

对于小的需求变动，供应链有一定的纠偏和容错能力。比如预测相对偏低的话，可由安全库存、安全产能来应对；预测适当偏高的话，可以延迟供应商给我们的交付，或者手头库存暂时高一段时间。但这是有前提的：我们得尽快调整预测，否则长期累积下来，小洞变大洞就难补了。

我们接下来讨论，未来多长时间内的需求预测可以调整，执行端必须得满足。这就涉及到计划的冻结期、半冻结期和自由期，如图 1：

（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。

一位经理人说，公司的系统里有一套算法，来帮助计划员设置安全库存。用了一段时间后，发现系统建议的库存整体偏低。我问，既然这样，那为什么你的挑战却是降库存呢？不用他回答我都知道答案：系统建议偏低，计划人员就手工调整，多放一些库存；但人员水平良莠不齐，不知道设置合适的库存水位，最终就以高库存为解决方案。

SKU是英语里Stock Keeping Unit的缩写，直译过来是存货单元。举个例子。女孩子去买衣服，找到喜欢的款式，喜欢的颜色，还得找到自己的尺码----款式+颜色+尺码就是这里说的SKU。SKU是我们识别产品所必须的，也是商场进出存的最小单元。同样的款式、同样的颜色，中号跟小号是不同的SKU，所以需要两个不同的SKU编码来识别。

11月供应链管理系列培训

报名倒计时还有 6 天

在各行各业，产品的生命周期在缩短，产品新老交替迅速；社交媒体带来更多的改变需求的方式，上新即高点，需求直上直下；六一八、双十一等电商大节，跟国内的传统节假日一道，显著增加了需求的波动性。再加上国内市场竞争激烈，相对欧美而言促销活动更多，需求的可预见性更低。这些都决定了基于需求历史的预测准确度低，凸显了"由判断结束"的重要性。

一个苏州的公司问，我们让供应商建了VMI，但短料、呆滞频发，怎么办？我的答复是供应链的三道防线。他们问，三道防线中没有一个字是谈到VMI的，为什么能解决我们的问题？答曰：预测准确度低，第一道防线建不好，VMI要么是断货，要么是呆滞；库存计划不到位，第二道防线没建好，VMI的最低、最高库存不合理，问题当然是一大堆；需求预测和库存计划的不足，最后都得供应商的执行来弥补，这是供应链的第三道防线，要求我们选好、管好供应商，对我们的寻源和供应绩效管理提出更高的挑战。

与VMI常常一起出现的还有寄售。很多人搞不清两者的关系。其实，它们两者没关系：VMI说的是库存的管理责任，寄售说的是库存的所有权。在实践中，你可以用VMI而不用寄售，可以用寄售而不用VMI。当然两者并用的情况也很常见，以至于业界一旦提到VMI，首先想到的是库存也归供应商持有（寄售）；而很多企业采用VMI的初衷呢，也是为了把库存压力转移给供应商。也就是说，很多人心目中的VMI其实是VMI加寄售。

四分法给我们结构化的方法，来展现库存风险，以控制整体库存。这里我们以原材料为对象，介绍这一方法的具体应用。

在有些行业，压货行为非常普遍，人为加剧了需求的变动性。

前面多次讲过，行业性短缺状态下，过激反应，大幅拔高安全库存和需求预测，不但解决不了短缺问题，反而造成后续的过剩问题，应了"所有的短缺，最后都是以过剩结束"。特别是集体决策下，人们倾向于承担更大的风险，往往超出企业的承受力度；同样是"集体"决策，库存的责任不明确，补救措施就不及时，把本来可以减轻的风险没有减轻。

有个工业品公司，项目型需求较多，一贯靠一线销售提需求。让每个销售预测自己跟踪的项目，预测的颗粒度小，预测准确度不高，呆滞库存是个大挑战。于是该企业就开始考核预测的准确度：你预测了几个，就得用掉几个。销售跟库存挂上钩了，就迟迟不肯提需求，直到需求快落地时，数量的准确度没什么问题了，但给供应链却没有时间来响应。

根据风险的高低，我们把多余库存分为两部分：如果能在一定时间内消耗掉，风险较低，就叫过剩库存；一定期限内预计消耗不掉，风险较高，就叫风险库存。多余库存的驱动因素是组织行为，比如预测失败，订单取消，最小起订量，策略备货，设计变更等。

在《信号与噪声》一书中，特纳·希尔佛阐述道，预测之所以重要，是因为它连接着主观世界与客观现实（如图 1）。在企业里，哪个职能代表主观世界？销售----销售天生是乐天派，总是生活在希望中。哪个职能代表客观现实？供应链----供应链天生更加现实，因为他们知道，把现金变成库存容易，把库存变回为现金可就难了。而这主观与客观呢，就体现在销售预测、需求预测上。

我接触过几个软件公司，都是开发计划软件的。他们有的基于数理统计，提供多种预测模型以供择优选用；有的基于人工智能，通过机器学习，为需求预测和库存计划提供独特的解决方案。这些软件都远非完美，不过整体而言，要比一帮计划员拍脑袋、各行其是强。但是，很多企业就是不愿采用，或者即便实施了计划软件，实际工作中还是在Excel中手工做计划。

德尔菲是古希腊的神庙。在中国的一些农村，当不确定性很大时，大家还有问神的习惯。简单地说，德尔菲专家判断法就如问神，专家就是"神"；不光是问一个"神"，而且要问多个，交互验证。

案例企业有着强大的粉丝团体，一直走的是粉丝经济，虽然在向品牌经济过渡，但粉丝经济还是营收的重要构成。为了最大化粉丝收益，案例企业就不断推出新品，基本上是每周都有新品上市。该企业走的是中高端、差异化路线，快时尚，品种多，批量小，首批推出一般也就几百到几千件。多种少量让预测更难做，要么过剩，要么短缺，在案例企业得到充分体现。

你不需要是个计划专家，才能做预测。预测的能力不是天生的，人人都可以练就。

有一次，我在旧金山参加高科技预测与计划峰会。一个赞助商在展台上放一大瓶巧克力豆，让每一个与会人员有奖竞猜。挺大的一个瓶子，几百只巧克力豆，谁又能猜得准呢？几十个与会者猜下来，有猜1000只的，有猜200只的，有猜几十只的。但是，令人吃惊的是，平均值竟然只与实际值相差4只，误差在1%左右（实际值是296，平均值为292）。

VMI是供应商管理库存的缩写，英语的全称是Vendor Managed Inventory，最早在零售行业出现（传统上，那个行业习惯于把供应商称为Vendor，更正式的叫法是Supplier），由沃尔玛和宝洁于上世纪80年代率先导入。我们这里把VMI当做一个专题讨论，主要是因为这些年来VMI应用广泛，但由于计划和管理不善，VMI又造成了诸多问题，不光是给供应商造成损失，也严重影响到采购方。

对于执行职能来说，计划就是计划，好像是个单一职能；但对于计划职能来说，计划还会细分，从需求计划到库存计划到生产计划，从中心仓到前置库位的计划，从新产品到成熟产品的计划，在具体的职责上的侧重点都有所区别。不过就绩效考核而言，这些计划职能却有很多共性，主要表现在服务水平，库存周转和呆滞库存等三方面。

在再订货机制中，再订货点相对简单，但补货机制相对复杂，还有很多细节，比如是定量还是不定量，是随时补货还是定期补货，我们下面接着讲。

在库存计划领域，除了安全库存，经常打交道的还有再订货点（或者就叫订货点）。其逻辑是一旦库存降到预设的水位（再订货点，ROP），就启动订货机制，驱动供应链补充一定数量的货（订货量，ROQ）；在货来到之前，库存继续下降，直到订的货到达，拉高库存的水位，然后开始下一个循环，如图1[1]。再订货点法在企业里使用很广，它的几个参数，在此稍作解释。

什么是有货率？这几年在计划类培训中，这是学员问得最多的问题之一。

我们知道，安全库存是应对不确定性的----对于需求和供应的不确定性，供应链的自然应对就是放安全库存。安全库存有三个驱动因素（如图1）：（1）需求的不确定性，比如平均需求是每周100个，但有时候是120个，有时候是70个；（2）供应的不确定性，比如供应商的标准交期是4周，但有时候都5周了，货还没有送来；（3）有货率的要求：有货率要求越高，就得放越多的安全库存来应对。

新品计划首先是计划，然后才是新品。

一提到新品计划，很多人的第一反应就是可计划性太低，这就自然而然地把它推到销售、产品端，由那些职能兼职，变成拍脑袋为主了。其实不然，就如我们前面详细阐述过的，即便是用专家判断法做新品的初始预测，也得严格遵守"从数据开始，由判断结束"的计划流程，数据分析至始至终贯穿期间，主导整个专家判断流程。

这是个大型设备制造商，设备用于大型工程项目，是典型的大国重器。他们的崛起，让欧美的竞争对手吃尽苦头。但是，大型设备品种多，批量小，定制化程度高，关键物料主要依赖进口，供货周期长，也让案例企业挑战重重。

这个案例聚焦产品上新前，即在新品开发过程中，伴随着越来越多的信息，如何建立定期更新预测的机制，指导供应链更精准地响应。

季节性强，生命周期短，比如女孩子们穿的漂亮衣服，需求的不可预见性高，预测多了，呆滞风险大增；预测少了，补货周期又长，补货几无可能。这就相当于一锤子买卖，我们这里探讨一下该怎么预测。

时间序列可以分解为三种成分：水平部分（平均值），趋势部分（上升或下降），季节性部分（周期性的重复），剩余的就是随机变动，即前三者都没法解释的"杂音"。我们常见的时间序列，根据复杂度的不同，一般上述三种成分中的一种、两种或三种组合而成。当然，你也可以把水平部分当成趋势的特例，或者趋势的一部分。那么，时间序列就可简化为两部分：趋势和季节性，以及两者之外的随机变动。下面这个例子就是这样分解的[1]。

我们之所以能够预测，是基于（1）时间序列的延续性（也叫连贯性）；（2）变量之间的相关性（也叫类推性）。计划者的任务，一方面是分析历史数据，总结这样的延续性、相关性，然后是应用这样的关联性，对未来做出预判，指导供应链执行来提前准备。

我做了好几年的计划经理，最多的时候在全球有二十几位计划员，分布在北美、欧洲、亚洲等多个地区。那么大的团队，有人晋升了，有人离职了，有人做全职妈妈了，就注定一直在招新人。每次有新人，培训就是个大问题：采购员的话你可以给他本《采购手册》什么的读，而给计划员的书呢，不管是英文，还是中文，翻破地皮，就是找不到一本合适的，说你读了这本书，就算计划入门了。

2018年，我和赵玲合著的《供应链的三道防线：需求预测、库存计划、供应链执行》出版以来，反响很好，在京东上很快就上升到供应链销量榜的第二位（第一位还是我的红皮书《采购与供应链管理：一个实践者的角度》）。

美国这段时间算是掉进坑里了，新冠确诊病人都超过40万了（2020年4月7日）。特朗普可以说是焦头烂额，每隔几天就得在白宫讲话，面对媒体咄咄逼人的问题。政客的讲话，当然是形势一片大好，比如针对医疗器材的短缺，供应正在源源不断地涌来，前些天的热点是检验试剂，这几天就变成了呼吸机。每每讲完，总有记者"不识时务"地问，（您说有这么多），那为什么医生和护士们都在说没有？纽约市长、各州的州长也不时发表言论，说的都是联邦政府短缺，找的都是联邦政府的麻烦。

强势职能，比如销售和研发的不作为，人们容易看到，也经常口诛笔伐；但是弱势职能，比如计划和供应链的不作为，却因为被其"受害者"的角色所掩护，往往不容易发现，也就更不容易纠正。

接触过几个软件公司，都是开发计划软件的，主要是需求预测、库存计划。他们有的基于数理统计，提供多种预测模型以供择优选用；有的基于人工智能，通过机器学习，为需求预测和库存计划提供独特的解决方案。整体而言，这些软件要比一帮计划员拍脑袋、各行其是强。但是，很多企业就是不愿采用，或者即便实施了计划软件，实际工作中还是在Excel中手工做计划。

新品计划的准确度低，关键是伴随着更多的需求历史，要及时滚动更新，同时平衡库存风险、断货风险和运营成本。

​预测中，预测的灵敏度（响应度）和准确度经常相抵触：灵敏度高了，准确度就下降；准确度高了，灵敏度不一定高。

预测准确度有多种统计方法，这里介绍常用的两种。

就如有的人非但帮不了忙，反而帮倒忙一样，并不是所有的预测方法都增加价值。有时候，人类一思考，上帝就发笑，作为还不如不作为，预测还不如不预测。比如在颗粒度很小的地方做预测，或者由销售、用户拍脑袋做预测，预测准确度太低，往往还不如不预测，直接用上期的实际值当做下次的预测（"幼稚预测"），亦即常见的"卖一补一"。

上周三，快消品企业A的又一款新品上市了，卖得非常好。到了这周一，短短5天的预售，原来备了两个月的货，已经有一小半给卖掉了，得马上决定是否需要补货。长周期物料、半成品加工、成品组装加到一起，整个补货周期是75天，都快11个星期了。现在的问题是，如何用5天的销量，来判断后续11周的销量？

在计算安全库存的时候，当需求相对平稳的时候，我们一般用过去一段时间的平均需求当做预测，计算这段需求历史的标准差，来量化需求的不确定性。这里有两个问题要考虑：其一，样本的数量，即用多少个数据点来计算；其二，数据汇总的颗粒度，比如按日，还是按周或按月汇总。

几年前，中兴终端的CEO曾学忠还是分管中国区销售的副总。有一次我在培训他的团队，这位年轻儒雅的少帅问了一个很简单的问题：生产和销售经常互相抱怨，销售说生产支持力度不够，生产说销售的预测不准，有什么办法？这问题简单，但是非常根本。其实任何一个行业、职业，都会归结到那么几个简单的问题上。我当时的答复是所有的预测都是错的；在力求适当的预测准确度基础上，解决方案得在供应链的快速响应上找。预测就像投篮，篮球之神乔丹的命中率也只有49.7%，这意味着超过一半的球投丢了。另外，要预测，关键是因为有响应时间----自来水随用随取，响应周期为零，所以就根本不用预测。

摘自畅销书《供应链管理：实践者的专家之路》，刘宝红著。

我们有两种方法来驱动供应链，一种是预测；另一种是订单。订单驱动，看上去风险较小，为很多公司所向往，其实未必。