💡 Jan 2, 2024 高铁🚄
昨日“广州睿至”电话沟通，给他们分享了一些内容，今天路上重新思考这个问题，本文增加了“再平衡”的概念。 share分享是思考的催化剂。 Jan 13, 2024 参加刘宝红老师课程一天，进一步理解预测的含义（对未来销售数量的预估），强调如何做预测（各种模型）、谁来做预测、错了如何调整；而不强调预测之后的动态平衡。 Mar 20,2024 重写本章，提出三个概念：record、retrospect和re-balance 这一章的内容，作为4月11日瑞典商会分享的主题。
相比其他行业，供应链行业更加依赖于上下游的协调、分工，因此，信息收集、需求规划和预测变得尤为重要，这也催生了企业中专门负责预测的“计划岗位”。供应链企业中普遍使用ERP，全称叫做Enterprise Resource Planning“企业资源计划”，也强调了计划的重要性。
new 计划来自于不确定性，不确定性意味着风险。优秀的ERP能提高计划性，控制风险；反之则会扩大不确定性，转嫁风险而非降低风险。随着数字化的扩展，企业也可以借助于ERP记录不确定性。
本文将从实践角度详述需求预测的不同阶段，进而分析提高预测准确性和一致性的方法。可以归纳为三个关键词：记录（Record）、回顾（Review）和再平衡（Re-Balance）。
一、需求预测的重要性及其困境
1、预测无处不在
供应链（supply chain）是前后相序的链条，上游做出计划传递给下游相应，前后相序最终满足最终端客户的需求——可能是现场交付一辆汽车，也可能是快递一个净化器给消费者。Chopra在书中概括为五个循环，从supplier到customer前后相续，其中是信息流、资金流和物流的双向流动。
上图：供应链的循环和信息流（来自 Chopra）
按照供应链的环节（客户-零售-分销-制造-供应）来看，一个供应链链条中会有很多个预测。如果把注意力聚焦到一家制造工厂内部，也会有多个部门的预测和计划，比如：
- 销售部门的需求计划：上游品牌工厂何时需要多少产品。 在每个制造业企业，销售部门的预测都是最关键的计划起点，后续生产、采购都向销售计划对齐的同时加以调整。所以，销售预测的准确性至关重要。
- 生产需求计划：根据销售部门每周提交的需求，综合考虑生产产能、产能利用率、半成品重叠度等情况，做出自己的生产计划。 在很多传统企业，销售预测是以Excel的方式传递到生产部门的，此时生产还要考虑数据延迟导致的风险，综合各种要素形成自己的生产计划。
- 采购需求计划：根据销售和生产的计划，综合考虑不同物料的采购提前期、合理采购单位，制定采购的计划。 从销售到生产，再到采购，企业的不确定性依次放大。在我的项目实践中，基本就是销售数据勉强说得过去，生产数据马马虎虎，采购数据一地鸡毛，典型的“一蟹不如一蟹”。
在完美假设之下，销售需求=生产供给=采购计划；但是考虑到现实中的各种限制性要素，比如客户需求波动、生产残次和产能利用率、采购提前期和最优采购单位等要素，实际情况是销售需求<仓储需求<生产需求<采购需求，每个环节需求的“盈余”是对不确定性的应对之策，也是企业库存高企的基本来源。
需求预测、生产计划、采购计划，最终都把风险多半转嫁给了库存。所以业内常常说“企业业绩年年增长，老板最终赚了库存”。
2、预测的悖论
为了应对不确定性，企业的各个部门都力求制定最优计划，将需求计划控制在合理范围内，以实现本部门的最优化，或至少追求最佳的绩效考核。销售部门增加库存以提高客户满意度，生产部门追求生产稳定性和最佳产能，采购部门则努力尽可能满足生产需求。
需要强调的是，每个部门都在进行预测，但这并没有消除不确定性，反而有可能因为过度追求“部门最优”而忽视了“整体最优”。计划人员在每个步骤中都增加了自己的“安全垫”，这不仅放大了不确定性的风险，而且还可能转移和掩盖风险。最后，风险会以库存等形式回到供应链的每个环节，像回旋镖一样回来，侵蚀企业的利润。
我们一方面强调预测和计划的重要性，另一方面又强调“预测永远不准确”，这为各个部门的数据偏差创造了合理性。
如今，传统的策略已经难以寻找降本增效的空间，只能从管理理念和数字化手段中寻找机会。我们可以合理使用ERP工具量化供应链背后的不确定性，~~利用数据的精确性来对冲预测的不确定性，~~利用软件工具的高效率来减少预测的“分散性”，并利用高效的分析服务来提高决策效率。
这里介绍三个行之有效的方法，分别是：
- Record记录：一切行为都应该、都可以被记录，基于数量才能量化不确定性
- Review回顾：数据记录是为了回顾、改进，将经验上升为方法，方法上升为最佳实践
- Re-balance再平衡：减少预测，追求动态的平衡，预测永远不准，但平衡是永恒的。用数据和分析，“牵一发而动全身”，任何一个地方的变化，都能马上引发全局微调
二、Record：一切皆可被量化
管理学中有一句话，If you cannot measure it, you cannot manage it，更不能improve it。这句话在需求预测中尤为突出。
1、从无记录到有记录：充分利用ERP的功能，加强数据衔接
过去，很多人的预测难以被记录，经常在Excel中反复修改，导致经验难以量化，知识缺乏记录。利用优秀的ERP工具，可以实现更轻松的数据记录和相应的预测扣减。
企业信息化应以ERP为基础，ERP应尽可能详细地记录客户的每一个细节，为后续的回顾、分析和优化奠定基础。在Monitor ERP中，详细记录订单明细和发货是必要的，但许多产品和企业没有记录“预测”，因为他们认为预测过于抽象。
在Monitor ERP中，我们与客户合作，使用“框架协议”（blanket）功能来记录远期的预测，并制定了2+2+4W的时间安排。每周，跟单员推进自己的订单，每月推进自己的预测。每个月底，销售部的跟单员需要预测四周后连续四周的产品销售量。根据预测的精细化程度，可以预测整个月，也可以分周预测。
- 两周：未来两周的订单基本确定，体现为订单行，细化到“物料*天”；物流根据拣货单依次发货，而生产部门合理调度排产
- 再两周：未来第3-4周的订单有不确定性，提现为“物料*周”，销售可以适时调整；采购据此生产采购订单。
- 再四周：未来第5~8周的订单具有高度不确定性，以关键物料*月/周为单位总体预测，体现为框架协议；采购根据采购建议，同步供应链远期计划。
例如，现在是四月份，在四月底之前，跟单员需要根据客户的生产计划、库存水平等因素，预测关键物料在六月份的需求。
示例图：
2、从粗糙到更有代表性的样本（review推动record）
为了提高记录的针对性，我们期初很粗糙地约定预测的范围：每个跟单员的TOP10产品（按照货值）计算。
随着预测质量的提高，预测的范围可以逐渐扩大，比如关注物料货值最高的TOP20产品，或者关注TOP客户中占比超过一半的关键产品。
案例：物料集中度——每一周中，单物料在客户贡献中超过50%的物料数量比例
很多企业忽视这个的重要性，特别是让跟单员以Excel记录预测数据，这就导致后续review回顾缺乏准确性，更让数据的动态平衡失去稳定的支点。
三、Review回顾和分析
销售预测和计划的难点，是在事后分析每个人的预测水平，然后总结优秀经验，不断提高预测水平。 简单的数据回顾，特别是明细级别的回顾是ERP自带的功能，我们称之为明细级别的数据查询；当然，Monitor也在不断增强它自身的BI功能，今年就会发布其中的BI Function。
更高级的分析则需要更强大的分析工具，比如敏捷BI的代表作Tableau。借助于敏捷BI，业务分析师和咨询顾问可以把分析中总结、提炼的分析思路，逐渐在ERP中固化下来，类似于嵌入视图。
1、预测偏差：衡量不确定性并描述规律，才能持续改进
以销售预测为例，基于框架协议记录的历史预测，分析师可以分析历史预测与当前实际发货之间的偏差，从而帮助跟单员更好地做好接下来的预测。
当前，首先这要依赖于框架协议和销售订单之间自动建立的匹配关系，只要是同一个客户、同一个产品，销售订单都会自动与预测区间的数量自动对应，并计算预测的剩余。 基于这样的数据关系，可以使用Monitor Bi或者Tableau计算关键物料的预测偏差。
图：框架协议与订单的对应关系
不同物料之间的预测没有可性比（标准单位或者来源不同），但是可以查看每个跟单员、关键物料的预测点图（类似于美联储的利率点图），以及历史的波动水平。
- 预测剩余D = 框架协议预估数量（P） – 同期同产品的订单数量 （O）
- 预测偏差% = 预测的剩余 / 预测的数量
- 如果偏差等于0，意味着该产品的预测完全准确，如果大于0，说明预测有剩余；反之预测超过实际需求。
基于这样的逻辑，Review可以精确地量化每一位跟单员在关键物料上的预测水平，帮助跟单员更好地了解自己的预估偏好，配合更进一步的管理动作，可以把优秀跟单员的经验转换为有效的方法予以推广，不管提高跟单员整体的预测水平，从而降低不确定性。
回顾可以是明细级别的检查，比如在Monitor BI或者Tableau中展现每一次预测的情况，可视化的分析逻辑有助于更好地展现规律，推动提升改进。
图：一方面展现跟单宏观数量和拆分，另一方面展现点阵图。
喜乐君- 部分摘要