跳至正文

【供应链】从数据的角度理解需求预测与平衡

💡 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

3.案例:找到预测的少数,产品的“客户集中度”分析

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


了解 喜乐君 的更多信息

订阅后即可通过电子邮件收到最新文章。

了解 喜乐君 的更多信息

立即订阅以继续阅读并访问完整档案。

Continue reading