计划预测 分类中的最新日记

【初学者问】我的专业是工业工程，目前感兴趣的工作有两方面，一个是计划，另一个跟供应链稍微偏差些，是数据分析。我由于本身专业跟供应链很相关，而且对于生产计划这样与数据打交道的工作也很感兴趣，但是专业课上学到的无外乎移动平均法、指数平滑法、霍尔特法这些，感觉一个外行人用点心，一天就能熟练掌握几种预测方法，我想知道在计划这个行业进一步是什么样的职业发展道路？

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。

极端值会显著影响线性回归的统计参数，降低模型的预测准确度，需要严肃对待。让我们看个具体的例子，来简单介绍极端值的处理。

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。

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。

企业在需求预测上投入巨大资源，但很多预测行为其实不增加价值。预测是否增值的话题，大致在2015年前后，开始有了相当的热度，在杂志和学刊上有很多文章，也成为专业会议的议题，话题主要有二：

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？

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？

距离开课还有 5 天

"貌似辉煌宏大的作品很多。它们面具相似，以晦涩复杂，修饰内容的虚浮投机，以主题博大，覆盖思想的贫瘠平庸。"这是多年前，"思维的乐趣"网站的片头语，放在那些复杂的预测模型上也适用。

距离开课还有 7 天

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。

距离开课还有 9 天

这些年来，很多行业都有"快消品化"的趋势，助长了SKU的数量泛滥，导致批量越来越小，复杂度越来越高，规模效益越来越低。可以说，SKU泛滥是供应链的大敌。很多企业并没有充分认识到SKU泛滥的严重程度，习惯性地低估SKU的复杂度，在大批量行业尤其如此。

距离开课还有 12 天

不管是什么产品，在什么行业，需求预测都有一些普适规律，这里总结三个。

距离开课还有 16 天

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。

预测准确度有三种常见的计算方式：绝对误差、绝对百分比误差、均方误差。下面我们通过一个例子来说明。

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。

案例企业是个代理商，代理上万个产品，服务几百个客户。客户的产品生命周期在缩短，产品更迭频繁。案例企业的挑战呢，就是没法及时探知变动，调整预测，结果是短缺与过剩并存。

我们都说预测要准，比较的基准是什么？其一，跟预测比。你说你要100个，实际上是否要了100个？其二，跟实际需求比。客户实际需要100个，我们是不是提前预测到100个，驱动供应链及早响应，有效满足？

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。

计划做好了预测，但采购对预测的准确度，或者供应商的交付能力不放心，因而调整预测的数量或时间。比如计划的预测是100个，月底要；采购拔高到120个，让供应商25号就交过来。这样做行吗？答案是不行，如果这个需求预测已经是"从数据开始，由判断结束"，准确度已经是最高了的话。

在需求预测中，时间序列是把需求历史按照时间的先后顺序排列，影响需求的变量只有一个，那就是时间。这并不是说没有别的变量；有，而且可能很多，但我们没法一一解释，就把它们全都归因于时间（有点像"时间可以治愈一切"）。这些变量整合在一起有一定的惯性，随着时间的进展，呈现出某种模式，这就是需求的延续性。

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。但大区的销售们不满意，认为评审增加了一环，阻隔了销售与生产的有效对接。案例企业就问我，需求评审流程该如何设置。

上一篇文章说到，我在探讨AI在供应链管理上的应用，话题是长尾产品的安全库存计算。

这段时间，我在探讨AI在供应链管理上的应用。这次的话题是长尾产品的安全库存。

在需求预测中，时间序列是把需求历史按照时间的先后顺序排列，影响需求的变量只有一个，那就是时间。这并不是说没有别的变量；有，而且可能很多，但我们没法一一解释，就把它们全都归因于时间（有点像"时间可以治愈一切"）。这些变量整合在一起有一定的惯性，随着时间的进展，呈现出某种模式，这就是需求的延续性。

在需求预测上，层层报批是种很常见的做法。

案例企业是个大型设备制造商，售后备件是营收的一大来源，每年达10几亿美元。为了支持庞大的备件业务，该设备商在全球有二十几个仓库，八九十个客户寄售点，几十名备件计划人员。

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。

从数据开始，并不是只收集数据，更重要的是分析数据，从数据中发现规律，指导后续的工作。这是我从雀巢的一位计划总监的报告中体会到（如图）。

深圳培训正在报名

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？

需求就是特定的定价策略、竞争态势下，客户想要什么、要多少、什么时候要。打个简单的比方，这就相当于是客户想吃几碗饭，跟我们想让客户吃几碗饭完全不是一码事----前者事关需求预测，后者却是销售目标，两者不能混为一谈。

距离开课还有 1 天

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。

距离开课还有 3 天

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。

距离开课还有 8 天

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。

距离开课还有 10 天

供应链的大部分活动，都是围绕一个个的采购订单完成，比如生成采购订单，发送给供应商，确认交期、单价、数量，提前或者延后交付等，都耗费了操作层面员工的大量精力。

让我们拿需求计划为例，阐述计划的"责任链"这一重要概念。

一位跨境电商的创始人问我，能否把那些预测模型给他们，写到程序中指导补货？电商、新零售是互联网的产物，其惯常的解决方案是信息化----当你手里的工具是把锤子的时候，你会有意无意把所有的问题都当钉子。

在需求预测中，时间序列是把需求历史按照时间的先后顺序排列，影响需求的变量只有一个，那就是时间。这并不是说没有别的变量；有，而且可能很多，但我们没法一一解释，就把它们全都归因于时间（有点像"时间可以治愈一切"）。这些变量整合在一起有一定的惯性，随着时间的进展，呈现出某种模式，这就是需求的延续性。

距离开课还有 16 天

如果说物料需求计划（MRP）主要是处理需求的话，可承诺逻辑（ATP）则是聚焦供应，串起供应链的那条线。在ERP系统里，这两个逻辑结伴而行，完成需求与供应的匹配；这里分开讲，主要是防止混淆两者的细节。

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。

ERP的核心功能之一是物料需求计划（MRP），把计划、物控、客服、采购从从海量的手工操作中解放出来。但实施ERP以后，真正能跑MRP的企业并不多。也就是说，生产和采购计划仍旧在Excel上做。有些企业即使启用了MRP模块，可还是在手工录入生产计划，而ERP能做的呢，只是自动生成采购计划，充其量是个订单管理和进出存系统，发挥执行记录的功能而已。

有个企业是典型的销售提需求----销售兼职需求计划。几十个销售预测未来三个月的需求，每月更新一次，按照客户汇总，上传到ERP系统，驱动后端的供应链来执行。我去这个公司培训，负责公司最大客户的销售经理说，让帮忙看看这个客户的备货计划。当天培训结束后，我们就坐下来谈。起初想，他和他的团队应该问需求预测、安全库存方面的问题----这是计划工作的核心任务。谁知道打开Excel表格后，所有的问题都归结到执行操作上，在信息化水平高的公司由 ERP做的那些事。

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]。

所有的预测都是错的，一个好的需求预测需要定期调整，逐渐逼近。但这并不是说供应链可以无限响应：供应链的柔性不是无限的。当进入一定的时间窗口，我们要控制需求预测的调整，以保护供应链的效率。否则，会造成过高的运营成本和产能浪费：频繁的调整会打乱整体的生产、配送计划，让整体交付更加不可预计；越是不可预计，越需要人为干预，这就陷入恶性循环，增加了不确定性，最终会转化为成本和库存。

跟采购方一样，供应商的供应链也需要预测来驱动。供应商能否执行到位，很大程度上取决于需求预测的及时性和准确度。

一提起绩效考核，大家联想到的就是"紧箍咒"，怎么能"保护"计划职能呢？没有绩效考核，自由自在地做事，这不最好嘛！对于强势职能没错，但对弱势职能则是大错特错。要知道，没有绩效考核指标，并不是说对这个职能就没有期望，做到什么地步就算什么，而是完全由强势职能说了算，强势部门会更加强势，弱势部门会更加弱势，失去了最起码的制衡，对企业来说并非好事。

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。

经常听有些供应链职业人在抱怨，说大半的时间在催货，言下之意是恨死了催货。这里想说的是，其实这些人最喜欢的就是催货，因为催货最容易----作为客户，你处于有利地位，要催总能催得动；而且供应商也早都被催成精了，习惯性地在交期中留有余地，就等着你催的时候给你。如果你是管理层的话，催货就更容易了：你位高权重，给供应商一个电话，鲜有供应商会放弃扮演"救火英雄"的机会。所以说，催货是最简单，也是供应链最擅长的事。

没人喜欢催货，但催货是供应链执行中不可避免的一部分。极端情况是行业性短缺，比如关键元器件大面积短缺，上至老总，下至采购员，都在催货，连一些百亿级的大公司也不例外：他们的供应链老总经常不在，问干什么去了，答曰到供应商那里催货了----根据催货者的头衔，供应商决定分配产能；为了不输在"起跑线"上，那就派老总去催货。

我喜欢篮球，喜欢篮球有关的两个节目，一个是Inside the NBA（"NBA内幕"），由一些前NBA球员做评论员，包括家喻户晓的大嘴巴克利（没错，就是因为低估姚明而亲驴屁股的那位），以及"大鲨鱼"奥尼尔；另一个是NBA Lockdown（"锁定NBA"），评论员是些非NBA球员，但在NBA有过经历的人，比如原太阳队的助理总经理。两个节目都对NBA的球队、球员和教练们评头论足，但方式则不尽相同。

看到路透社的报道，说鉴于"萨斯"的经验教训，加拿大人学聪明了，开始提前准备。据说2007年，渥太华市就备了5500万只N95口罩，一直在仓库里放着。这不，等了十几年，新冠病毒来了，终于有了用武之地，可惜那堆积如山的口罩早已过期了。 

让我们拿踢足球打比方，来进一步理解指数平滑法的逻辑。

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。

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。

在库存控制上，总部跟分部、销售跟计划往往陷入互扣人质的情形，导致该加的加不上去，该减的减不下来。这是个典型的组织行为问题，其解决方案呢，我们这里主要讲三点。

多余库存是超出正常的周转库存、安全库存的库存。

深圳培训正在报名

在有些行业，压货行为非常普遍，人为加剧了需求的变动性，造成诸多库存和产能问题。

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。

批处理是拖长周转周期，增加周转库存的重要因素。比如本来是随到随处理，周转时间短；批处理下，需要积攒一段时间，周转时间就长。这听上去是个生产制造的概念，其实普遍的程度远超我们想象。

距离开课还有 2 天

在周转周期里，走流程是很大一部分。就如一位名为"风子"的"供应链管理实践者"公众号读者所言："时间的流逝往往不是出自供应商的产品生产环节，而是自家公司的信息流，从签订订单到执行订单的时间过长"。而走流程中的相当一部分事情，比如审批，在客户眼里没有价值但往往不得不做，一大根因就是信息不对称，可以通过信息化来帮助解决。

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，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。

距离开课还有 5 天

距离开课还有 9 天

企业的资源不是无限的，所以降库存是不可避免的。但在降库存的方式上，很多企业采取的是"搞运动"的方式，没法触及根源，屡降屡升，屡升屡降。

 距离开课还有 14 天

简单地说，VMI就是供应商在采购方或第三方的仓库放一堆货，由供应商自主安排补货，把库存维持在最低和最高计划水位之间。

这里把VMI当做一个专题讨论，主要是因为这些年来VMI被广泛采用，如果管理得当，对采购方和供应商都有好处；但由于计划和管理不善，VMI又给双方造成了诸多问题。

几年前，我去旧金山，参加IE Group举办的高科技企业计划和预测峰会。一天时间，听业界的同行分享他们的实践经验，加上自己已经有一段时间的实践，顿觉茅塞顿开，很多东西都理清了，例如"由事实出发、由判断结束"的决策流程，预测的三原则，预测与计划的关系等，都是在那次峰会后整理出来的。本来纷繁复杂的预测与计划，在参加这次峰会后，变得有条理多了。

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。

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。

安全库存就如赌博，面对业务的不确定性，要么赌中，要么赌不中。或者说，企业做生意就如赌博，要么赌中，要么赌不中。而职业经理人的任务呢，就是争取提高赌中的概率，以最小的总成本做成最多的业务。

预测模型的选择是个复杂过程，需要考虑多方面的因素，再配以职业判断。计划软件往往按照特定的指标判断预测模型的优劣，但很难综合考虑多种因素，特别是历史数据没有反映的信息。这就是对计划软件建议的模型，有经验的计划人员总是戒心重重的原因了。

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。

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。

我在招聘计划人员，或者评估一个企业的库存计划水平时，都会问到一个同样的问题：你是如何设定安全库存水位的？这个问题的基本程度，就如问一个成年人是怎么用筷子的一样。但在我面试过的几十个计划人员中，能给出满意答案的是凤毛麟角。这再一次证明了，最简单的往往是最难的。

需求预测对付平均需求，安全库存是为了应对不确定性，即平均需求外的需求。经常有人说，那把预测适当拔高点，不也同样解决问题？其实不然。

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（《近900亿元"死书"呼唤按需出版》，重庆商报）。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。

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》）。

预测做砸了，并不是什么见不得人的事；不愿承认做砸了，才是真正应该羞耻的。对于错误，用美国著名橄榄球教练布莱恩的话讲，就是（1）承认错误；（2）汲取教训；（3）不要重犯。这个三步曲的起点是你得承认做砸了。不承认，就不能汲取教训，就要冒重犯的风险。

计划和执行之间，经常为这事争执：未来多长时间内的需求预测可以调整，执行有没有义务做到？这就涉及到计划的冻结期、半冻结期和自由期（如图）。

我们能预测需求，一方面是因为需求的延续性（比如以前需求大的，以后的需求也大），另一方面是因为需求的相关性（比如促销力度越大，销量也越大）。

需求计划有两大关键，一是尽量作准，二是尽快纠偏。我们这里谈尽快纠偏。

我以前带计划团队的时候，有个计划员老是抱怨，说销售和客户"作孽"，没有提前告诉他，这就是为什么现在有一堆的过剩，或者整天在催料。我就问，销售没说，那你问了没有？答案往往是没有----这个计划员整天对着计算机，习惯于"跪受笔录"，内部客户叫干啥就干啥，而不是主动出击，提前探知内部客户的需求。他没说，罪在不赦；你没问，同样要挨板子。

2025年培训全新升级，开启报名

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？

  案例企业是个女装电商。

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。

深圳培训正在报名

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。

深圳培训正在报名

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。

深圳培训正在报名

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。

距离开课还有 2 天

一百多年前，普鲁士的军队设立了总参谋部，全面负责计划统筹工作，在采取军事行动之前，分析后勤、天气、道路等一系列因素，争取做到之前先想到，提高首发命中率，降低试错成本。总参谋部意味着军队系统的执行与计划分离，是现代军队的一大标志。

距离开课还有 5 天

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"。

距离开课还有 7 天

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。

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。

距离开课还有 13 天

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。

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？

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？

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？

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。

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。

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。

案例企业是个代理商，代理上万个产品，服务几百个客户。客户的产品生命周期在缩短，产品更迭频繁。案例企业的挑战呢，就是没法及时探知变动，调整预测，结果是短缺与过剩并存。

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。

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。

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。但大区的销售们不满意，认为评审增加了一环，阻隔了销售与生产的有效对接。案例企业就问我，需求评审流程该如何设置。

在需求预测上，层层报批是种很常见的做法。

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。

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。

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。

从数据开始，并不是只收集数据，更重要的是分析数据，从数据中发现规律，指导后续的工作。这是我从雀巢的一位计划总监的报告中体会到（如图）。

深圳培训正在报名

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？

上海、深圳课程正在报名

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。

上海、深圳课程正在报名

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。

距离开课还有 2 天

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。

距离开课还有 5 天

距离开课还有 7 天

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。

距离开课还有 9 天

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。

距离开课还有 12 天

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。

距离开课还有 14 天

供应链的大部分活动，都是围绕一个个的采购订单完成，比如生成采购订单，发送给供应商，确认交期、单价、数量，提前或者延后交付等，都耗费了操作层面员工的大量精力。

如果说物料需求计划（MRP）主要是处理需求的话，可承诺逻辑（ATP）则是聚焦供应，串起供应链的那条线。在ERP系统里，这两个逻辑结伴而行，完成需求与供应的匹配；这里分开讲，主要是防止混淆两者的细节。

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。

ERP的核心功能之一是物料需求计划（MRP），把计划、物控、客服、采购从从海量的手工操作中解放出来。但实施ERP以后，真正能跑MRP的企业并不多。也就是说，生产和采购计划仍旧在Excel上做。有些企业即使启用了MRP模块，可还是在手工录入生产计划，而ERP能做的呢，只是自动生成采购计划，充其量是个订单管理和进出存系统，发挥执行记录的功能而已。

有个企业是典型的销售提需求----销售兼职需求计划。几十个销售预测未来三个月的需求，每月更新一次，按照客户汇总，上传到ERP系统，驱动后端的供应链来执行。我去这个公司培训，负责公司最大客户的销售经理说，让帮忙看看这个客户的备货计划。当天培训结束后，我们就坐下来谈。起初想，他和他的团队应该问需求预测、安全库存方面的问题----这是计划工作的核心任务。谁知道打开Excel表格后，所有的问题都归结到执行操作上，在信息化水平高的公司由 ERP做的那些事。

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。

所有的预测都是错的，一个好的需求预测需要定期调整，逐渐逼近。但这并不是说供应链可以无限响应：供应链的柔性不是无限的。当进入一定的时间窗口，我们要控制需求预测的调整，以保护供应链的效率。否则，会造成过高的运营成本和产能浪费：频繁的调整会打乱整体的生产、配送计划，让整体交付更加不可预计；越是不可预计，越需要人为干预，这就陷入恶性循环，增加了不确定性，最终会转化为成本和库存。

没人喜欢催货，但催货是供应链执行中不可避免的一部分。极端情况是行业性短缺，比如关键元器件大面积短缺，上至老总，下至采购员，都在催货，连一些百亿级的大公司也不例外：他们的供应链老总经常不在，问干什么去了，答曰到供应商那里催货了----根据催货者的头衔，供应商决定分配产能；为了不输在"起跑线"上，那就派老总去催货。

新冠疫情没开始多久，美国就算是掉进坑里了，新冠确诊病人很快超过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。

行业性短缺状态下，企业过激反应，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（这就是为什么"造反"总是跟"聚众"紧密相连）；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。

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。

多余库存是超出正常的周转库存、安全库存的库存。

深圳培训正在报名

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。

（7/10-14）深圳培训正在报名

在有些行业，压货行为非常普遍，人为加剧了需求的变动性，造成诸多库存和产能问题。

批处理是拖长周转周期，增加周转库存的重要因素。比如本来是随到随处理，周转时间短；批处理下，需要积攒一段时间，周转时间就长。这听上去是个生产制造的概念，其实普遍的程度远超我们想象。

距离开课还有 2 天

在周转周期里，走流程是很大一部分。就如一位名为"风子"的"供应链管理实践者"公众号读者所言："时间的流逝往往不是出自供应商的产品生产环节，而是自家公司的信息流，从签订订单到执行订单的时间过长"。而走流程中的相当一部分事情，比如审批，在客户眼里没有价值但往往不得不做，一大根因就是信息不对称，可以通过信息化来帮助解决。

距离开课还有 5 天

把库存分解为过程库存、安全库存、过剩库存和风险库存，给我们提供了结构化的方法，来呈现库存风险，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。

距离开课还有 7 天

预测模型的选择是个复杂过程，需要考虑多方面的因素，再配以职业判断。计划软件往往按照特定的指标判断预测模型的优劣，但很难综合考虑多种因素，特别是历史数据没有反映的信息。这就是对计划软件建议的模型，有经验的计划人员总是戒心重重的原因了。

企业的资源不是无限的，所以降库存是不可避免的。但在降库存的方式上，很多企业采取的是"搞运动"的方式，没法触及根源，屡降屡升，屡升屡降。

简单地说，VMI就是供应商在采购方或第三方的仓库放一堆货，由供应商自主安排补货，把库存维持在最低和最高计划水位之间。

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"。

这里把VMI当做一个专题讨论，主要是因为这些年来VMI被广泛采用，如果管理得当，对采购方和供应商都有好处；但由于计划和管理不善，VMI又给双方造成了诸多问题。

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。

一提起绩效考核，大家联想到的就是"紧箍咒"，怎么能"保护"计划职能呢？没有绩效考核，自由自在地做事，这不最好嘛！对于强势职能没错，但对弱势职能则是大错特错。要知道，没有绩效考核指标，并不是说对这个职能就没有期望，做到什么地步就算什么，而是完全由强势职能说了算，强势部门会更加强势，弱势部门会更加弱势，失去了最起码的制衡，对企业来说并非好事。

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]。

安全库存就如赌博，面对业务的不确定性，要么赌中，要么赌不中。或者说，企业做生意就如赌博，要么赌中，要么赌不中。而职业经理人的任务呢，就是争取提高赌中的概率，以最小的总成本做成最多的业务。