圖片來自“視覺中國”

需求預測的準确率（FA-Forecast Accuracy）直接影響着公司的固定資本，庫存周轉率，庫存供應總天數，準時交付率，物流成本等重要财務指标。盡管這一概念已經深入人心，但是如何能夠提升需求預測準确率則是很多公司所困惑的，因為它确實從來都不容易。

這項本來就帶有神秘感的工作的目的，就是要在紛繁複雜的曆史數據中找出發展規律，同時還要考慮到現實環境中紛至沓來，幾乎難以想象的各種宏觀和微觀影響因素，最後制定出最符合市場實際而又能被所有人接受的未來需求預測計劃。

這不僅需要強大的數據分析和處理能力，更是一個公司各部門相互挑戰，協調，影響，說服，平衡，配合，妥協和協作的一個流程。

下面則是從數據分析，流程優化，借助工具等角度闡述如何提升需求預測準确率的十大方法，相信借助這些方法需求預測準确率會有顯著的提升并最終影響着公司的top-line銷售額和bottom-line利潤率。

—— 曆史銷售數據的清洗 ——

需求預測的本質之一，便是對曆史銷售數據分析從而判斷出趨勢，季節性等規律，并認為曆史将會重演（history repeats）。因而高質量的曆史銷售數據則成為确保高預測準确率的基礎之一。而在實務中，各種各樣的客觀原因如銷售促銷，競争活動，天災人禍，新産品的推出，國家政策的突然變化等都會給銷售數據帶來巨大的影響，并且這些客觀因素将來可能是不會再重複或者重複的時間地點和方式不同，從而銷售曆史數據的清洗（data cleansing）成為需求預測工作的一個必要條件。

下面的一些問題的回答則可以為data cleaning指引出清晰的方向：

1、數據是否有缺失現象？數據的連貫性是有效預測的基礎之一，不連貫的數據往往會導緻預測模型不能發揮出最大的功效。

2、數據是否能保持統一？例如當進行發貨預測（shipment forecasting）時，能否保證所使用的數據都是發貨數據而不是客戶需求的數據。

3、數據是否有異常值（outliers）？異常值就是由于不尋常的事件所造成的異常高值和低值，如5.12地震導緻速食産品作為赈災物資在特定區域銷量激增，而相似地震在同一地點同一時間再次發生的可能性非常低，該銷售增量就可以被視為一個異常值。而雙11的促銷活動在聯系幾年的常态化和固定化後，其所帶來的銷售增值則就不是異常值。

4、數據是否有結構性的變化？數據結構性的變化的兩大特點是突然性和永久性。例如競争對手由于某種突然撤出中國市場，其所留下的市場份額真空被自己填補，由此所帶來的銷售增長就是結構性的變化。

5、數據是否有季節性（seasonality）？季節性意味着銷售數據的變化呈現出固定性和周期性。如聖誕節前夕的種種促銷活動導緻銷售數額的大幅上升；春節前的銷售高峰也是典型季節性的表現，隻不過農曆春節未必每年都在同一公曆月份從而增加了預測難度。

6、數據是否産品生命周期有聯系？産品處在生命周期不同階段（引入，增長，成熟，下降，退市）中其銷售數據是截然不同的。

在回答完以上問題後則就可以開始對數據進行清洗，如使用平均法對遺失數據的填補；确定異常值和找到其成因，并判斷是否要人為的進行删減和增加；對有結構性變化數據的人工修正等等。

—— 在數據聚集的高層次上做預測然後分解 ——

需求預測的另一個原則，就是所謂的“大數原則（law of large number ）”即在數據聚集的高層次上去做預測的準确率要比在數據的最底層上所做的準确率要高。例如，比較容易預測出明年中國的GDP的增幅是多少，即使不準确誤差也不會很大，然而假如要預測具體某一個行業在某一個特定的區域增長或者減少的額度是多少偏差就可能很大，更不要說多個行業和多個區域的任意組合。

以一家快消品公司為例，其銷售數據可以整體彙集到公司層面，然後再可以分解到種類，品牌，包裝尺寸，SKU，事業部，銷售區域，客戶，總倉，分倉等。根據“大數原則”，在公司層面的銷售預測的整體準确率相對要高，然後再可以分解到所需要的層級中去以達到最好準确率，這也就是所說的“top down”分解法。在分解的時候可以采取同比，環比，自定義等比例進行分配，但如果沒有很好工具支持的話，分解的過程還是相當痛苦的。

—— 使用終端銷售數據做預測 ——

需求管理實務中，不同的公司使用不同類型的數據如發貨數據（shipment），客戶訂單數據(customer orders)，和終端銷售數據（POS-Point of Sale）來做預測。而在這些數據中，用終端銷售數據來做需求預測的準确率最高因為它代表出消費者的實際需求，并且能夠真實的反映的市場的波動和變化。

由于終端消費者的消費行為有着“頻次高，連貫強，總量大”的特點，使終端銷售數據更加穩定和連貫，這是高預測準确率的基礎之一。然而發貨數據則由于庫存短缺，訂單積壓，物流能力的限制等因素則不能真實等同于客戶的需求。

在“牛鞭效應”中，零售商訂單的變動性明顯大于終端消費者需求的變動性，為了滿足于零售商同樣的服務水平，經銷商和代理商不得不被迫持有比零售商更多的安全庫存，需求信息的不真實性會沿着供應鍊逆流而上，産生逐級放大的現象。

當信息達到源頭的供應商時，其所獲得的需求信息和終端消費者的需求信息已經發生了很大的偏差，所以來自客戶訂單的數據也不能代表真實的市場需求。在一個案例中，終端消費持續低迷，零售商決定減少訂單量，供應商的發貨數量随之開始減少，但終端消費者的需求還可能在相當一段時間内繼續保持低迷不變。

同理在新産品上市的前期，零售商往往持有大量的庫存以保持貨源充足，但終端消費者的實際需求達不到預期時，他們的訂單量則開始減少，而源頭供應商的發貨數量則也随之減少。

然而在中國的需求管理現實中，一些規模較大管理水平高的終端零售商。如超市連鎖集團願意将其終端銷售數據有償分享給供應商，以讓其對終端銷售狀況有清楚的把握。然而在幅員遼闊的中國，此類的終端零售商隻能覆蓋市場的一部分并且主要集中在大中型城市中，很多區域特别是三四線城市的銷售則是由不同層級的經銷商網絡來覆蓋。

在通過經銷商渠道的銷售中，經銷商往往由于稅務隐私，同業競争，利潤機密，争取更好的銷售政策等因素而不将自己的庫存和銷售數據（sell-though）開放給上遊供應商；而經銷商的終端客戶往往由于管理意識和數據搜集能力的參差不齊，更是難以将自己終端銷售數據有效利用。

國内曾經有一個知名日用品企業為自己的需求預測準确率，試圖對自己的核心經銷商的進銷存進行管控并找了四個經銷商來試點，結果兩個經銷商明确拒絕，一個經銷商雖然同意但實際提供的數據卻有很大的虛假成分，該企業最後不得不繼續使用自己的出貨數據（sell-in）來預測，預測效果就可想而知。

雖然使用終端銷售數據目前還有很大的障礙，但是這個方向還是要堅持的。在發達國家如澳大利亞由于超過99%終端銷售數據都能夠采集到并且能和供應商分享，所以一些公司的需求預測準确率超過90%（1-MAPE）也是常見的。

—— 正确選擇自上而下，自下而上和中間開花的預測方式 ——

幾種常見的需求預測方式，如自上而下（top-down），自下而上（bottom-up），和中間開花（middle-out）在使用中往往出現混淆的情況，即不知道那種方式在哪種情況下能發揮最大的效用。在自上而下方式中，首先在産品，市場，區域，年/季/月等因素的最高層次做需求預測，然後根據同比，環比，自定義比例等分解原則進行往下分解到種類，品牌，SKU，周/天，顧客，DC等。

在自下而上方式中，往往先從SKU層級的需求預測開始做起再逐步往上彙集。而在快消品行業中目前比較流行的方式則是中間開花，即在中間層級如産品種類（category）開始做預測，上可以彙集到品牌，大類，總公司層面，下可以分解到SKU層面，這樣既可以利用的高層次預測的準确性，同時又不至于在最底層SKU層面做預測耗費大量的時間和精力。

自上而下的優勢在于在高層次所做的預測準确率較高，适合用在銷售趨勢在高層和底層都很平穩的産品中，缺陷在于對于有特殊銷售模式的産品如新品，銷售數據斷斷續續的産品等則就有可能無法覆蓋。對于高度定制化，生命周期短，銷售相互抵消，每個SKU的銷售趨勢都不一樣的産品，自下而上的方式則能發揮最大的效用。一些公司也在使用自上而下和自下而上的混合方式來更好的确保高預測準确率。

—— 發現并剝離有特殊需求模式的SKU ——

不同的SKU即使是屬于同一種類，其銷售數據也會呈現出不同的模式。在将這些SKU的需求預測彙集到種類層面時，則會導緻種類預測的趨勢季度不穩定，所以在預測時要将有特殊需求模式的SKU，暫時從該種類中剝離掉并單獨做預測。例如一個醫藥公司，在做整體需求預測時發現自己的預測數據極端不穩定，很難找到規律可循。

在将其數據分析後發現，該公司将自己所有的大類産品，如政府招投标類産品，經銷商渠道銷售産品，處方類和非處方類産品完全混在一起。政府招投标類産品的銷售額占到總銷售額的近三分之一，而其銷售的時間和數量幾乎沒有任何規律可言；但是其通過經銷商渠道銷售産品則銷售态勢穩定，有明顯的規律和季節性，将這兩類産品放在一起預測的結果肯定是有問題的。而當同一種類中的不同SKU的銷售有“相互蠶食（cannibalization）”的現象時，将他們進行剝離并分别作預測也是有必要的。

—— 建立完善的需求預測管理流程 ——

數學模型的選擇對需求預測非常重要，但要明白需求預測管理不是有具體哪一個部門來完全負責，它是一個有計劃，銷售，市場，供應鍊，管理層等全部門參與的一項工作，因為各部門都是本領域的專家，在需求預測管理的過程中能夠提供獨特的，專業的和不可或缺的信息和專業知識，這就要求要有一個完善的需求預測管理流程來支持各個職能各司其責。

在一個有效的需求預測管理流程建立起來之前，一系列的準備工作要開始做起來，如需求預測的周期和頻次，預測的産品/銷售組織層級，需求預測提前期，需求預測的數據來源，需求預測的職能的設置，需求預測所使用的工具如軟件，模闆等，需求預測的方式-自上而下，自下而上或者中間開花，以及企業中哪些部門要參與到需求預測流程中來和他們的角色，職責，考核指标。

例如，在快消品企業中需求預測部門一般負責數據的搜集，清洗和整合，并對銷售預測的baseline，在此基礎上銷售部門要考慮短期（3個月之内）由于銷售活動如新客戶的開發，現有客戶重大的銷售行動，競争對手的主要行為，打折促銷等銷售活動所帶來的銷售增減，而市場部門則通過對消費者行為，産品生命周期，品牌形象，宏觀經濟政策等研究來對長期的銷售預測提供自己的專業判斷，而财務部門則從投資回報率等角度對銷售預測進行支持；而在工業品企業中，産品經理則是需求預測流程的一個重要參與方。在以上流程明确以後各個職能才能真正的協同起來做出最為精準的需求預測。

—— 正确使用最适合的預測模型 ——

在需求預測中，預測模型的選擇是至關重要的，模型會根據曆史銷售數據的各種特征模拟出未來的走勢，這是需求預測工作的中技術性的一個重要體現，因為涉及到統計學的一些專業知識，模型也是比較具有神秘感的同時也是最容易被誤解的部分。

實務中總是看到一些公司在苦苦追尋所謂最精确的預測模型，仿佛這些模型一旦用上自己的預測就立刻能夠100%準确一樣，成了改善需求管理的一個必勝絕技。而模型選擇的一個重要原則就是沒有奇迹模型，即預測模型在預測中僅僅起到輔助作用，沒有任何一個模型能夠做到完全正确，最好的預測模型其實就是能夠抓取曆史數據中大部分的規則和模式，抓取的越多，預測錯誤就會越少，預測效果越好。

而曆史數據的不規則性越強，甚至出現缺失和噪音，則預測模型所起到的作用就越為局限。同時在模型的選擇中，不要抱有“一招鮮吃遍天”的錯誤思想，某些模型當前的預測結果還不錯，但一旦上個月的銷售出現異常，這些模型有可能就會失靈，所以定期對現有的模型進行重新測試還是非常有必要的。而複雜模型的預測效果一定好于簡單模型，組合模型的預測效果一定好于單一模型等說法其實也未必正确，在模型選擇中隻有最适合的沒有最複雜的。

—— 正确理解需求預測沖突的成因，建立激勵性而非懲罰性的考核機制 ——

評估需求預測的兩個重要指标分别為需求預測準确性（1-MAPE）和偏差率（BIAS），前者用于評估誤差幅度，後者用于确定系統誤差。他們不僅用于在SKU層次衡量，還要在其他層次上如品牌，品類，事業部，總公司等層面來衡量。因為需求預測工作并不是由單一部門獨立完成，它需要各個部門如銷售，市場等職能強力的參與和配合，沒有這些部門的話，需求預測則成了無水之源。

然而需求預測對于以上部門來說隻能是職責之一，并不完全是其主業，所以從各部門協同的角度來講，需求預測的考核機制應以激勵性而非懲罰性為主，否則将打消各部門參加的積極性。某一知名快消類企業在建立需求預測考核機制的時候，采取了建立大區預測準确性排名機制，在内部樹立正面典型并進行經驗分享，還給予精神和物資獎勵來實施正面激勵。

同時要清楚需求預測的偏差本身并不可怕，關鍵它要在可以接受的範圍之内，而且要能找出形成偏差的根本原因以找到下次改進的辦法，這就是為什麼需求預測的表面數字并不是最重要的，最重要的則是這些數字之後的assumption，隻有理解這些假設條件對預測的影響之後，才能真正掌握預測的精髓。

—— 專業需求預測職能的配備 ——

需求預測是一個專業的職能，而且是各種技能的綜合體。他/她們需要有總經理把控全局的戰略觀，市場人員敏銳的洞察力，銷售人員過人的溝通能力，供應鍊人員謹慎全面的運營意識，以及财務人員細緻入微的分析能力。從文科和理科劃分角度來說，這個職務其實是個文理科的結合。

需求預測人員不僅要搜集數據更要對數據進行分析和決策，從一個單向信息接收轉變為雙向的信息互動和控制者，他們既是數據的負責人，又要對産品的非常熟悉，同時又是需求管理流程的總協調人，這就要求此職能在企業中的地位不僅僅局限在支持和後勤的意義，而是要在需求預測的流程中扮演協調者和決策者的角色，這就要求對于他們的培養和招聘以及薪酬待遇等都要不同于普通的崗位。

在實務中，越來越多的企業高度重視計劃職能，将該職能放在一個相對中立的部門如供應鍊，甚至把該職能完全獨立出來直接向總經理彙報使之完全成為一個指揮中樞。而反觀一些企業，根本就沒有負責此業務的職能崗位，或者隻是由客服，銷售支持等人員兼職的在應付此事，并且在企業中的地位低的也慘不忍睹，有的甚至向物流或者客服部門彙報，最終隻是淪為數據的搜集者和搬運工。

—— 争取高層支持 ——

争取高層支持好似一個老生常談的話題，如同“正确的廢話”。高層一旦支持很多問題都會迎刃而解，但如何獲取高層的支持則就成了一個比較有挑戰性的任務。沒有一個公司的董事會會對管理高層進行需求預測準确性進行考核，既然他們不肩負這個指标，争取到他們的支持是否就聽天由命了。

如何争取到高層的支持，則就要将FA和他們關心的指标如公司固定資本，供應鍊運營消耗成本，以及運營資本管理的有效性，以及最終的top-line銷售額和bottom-line利潤率等聯系起來，尤其是需求預測準确性對這些的指标的影響，并且以數據的形式展示出來，這才能夠給高層帶來巨大的影響。

例如，國際商業預測計劃協會（IBF-Institute of Business Forecasting and Planning）通過對不同産業和公司真實數據的研究發現一旦FA降至80%以下時，超過60天的庫存開始積壓；而FA在50%左右，超過60天庫存占總庫存的比例則達到驚人的60%，這是任何一個CEO和CFO都不想看到的。

通過這個方式，想争取到高層對需求預測管理的支持也不是一件很困難的事情了。

高峻峻：上海大學需求鍊研究院院長，供應鍊管理博士、教授；專業領域橫跨商品管理、供應鍊管理、信息技術、算法應用和運籌學等學科。

本文系投稿稿件，作者：高峻峻；轉載請注明作者姓名和“來源：億歐”；文章内容系作者個人觀點，不代表億歐對觀點贊同或支持。

0

0

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!