下载掌阅APP，畅读海量书库
立即打开
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；6·18、“双11”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。
那么究竟什么情况下需要判断，判断的话判断什么？
其一，严格意义上，“从数据开始”是基于数理统计的，得到的是 区间预测 ，需要判断来确定 点预测 。比如基于类似的新产品，这个新品的预测是1000件，在95%的情况下会介于300～1700。这是个很大的区间，我们需要熟悉业务的人来帮助判断，实际需求会更乐观，靠近1700，还是更悲观，靠近300？靠近的话究竟该有多近？为什么？判断者或许说，这个产品是跑量的，生命周期长，我们就多生产点，比如1500件，大不了慢慢卖；或者说这个产品的季节性强，宁缺毋滥，那就生产700件；或者说是产品大概介于中间状态，就按照1000件来生产了。
其二， 凡是可能显著改变需求的，如果在需求历史中没有反映出来，就需要判断 。打个比方。门店的小姑娘们在门口吆喝做生意，以前每天这么做，以后还会这么做，那不需要判断，因为已经体现在需求历史中，可以通过数据分析反映到后续预测中；但如果临时雇了10个实习生，满城发传单做地推，那可能显著改变需求，需要提前预判，调整预测来备货。
很多因素可能显著改变需求，有的是客户驱动的，有的是自己驱动的，有的来自竞争对手。比如对电商来说，VIP直播、店铺的主推策略、平台的活动等都可能显著改变需求。6·18、“双11”那样的电商节就自不待言。对于品牌商来说，新老产品的交替，新客户、新市场的打入，渠道政策的改变等，都可能显著改变需求。经济、政治大环境的变化，线上、线下的促销活动，以及新产品导入交织在一起，让判断更加复杂和充满不确定性。我们必须要提高判断的质量来应对，这里主要讲三点。
第一，判断也要有计划、有条理地做 。判断本身充满不确定性，但做判断要按照一定的条理，有计划地做。比如我在工业品公司做全球计划时，给我的计划员团队制定了一个清单，让每个计划员每周跟主要的销售经理对接，逐个清单地过：客户的产能利用率会不会改变？新的市场开拓计划进展如何？关键产品的导入和替代进展如何？关键产品的市场份额会不会改变？有无重大质量问题？这些都是可能显著改变需求的事情，需要每周更新，督促销售、计划团队一起来计划，评估可能的需求变动。
行业不同，公司不同，这样的清单也会不同，但共性是，我们得有这样一个清单，以一定的确定性比如每周、每两周过一遍，来应对需求变动的不确定性。没有这样的清单，没有结构性的做法，判断就变成了有一搭没一搭，完全取决于计划和销售、产品管理人员的主观能动性，直接表现就是惊奇不断，层出不穷，从销售到供应链都是摁下葫芦起了瓢。
比如一个饮品企业的销售说，分销商结婚去了，所以这个月的销量没达标。结婚可是件大事情，不可能今天决定，明天就结婚，为什么就不能提前知道，提前应对？作为负责一个渠道的销售，如果定期给分销商打电话，问他下一步有什么可能显著改变需求的计划，上次制订的计划能不能实现，我才不信分销商会不告诉你他要结婚呢——估计他还在等你随份子呢。结婚显著改变了需求，那生孩子，天下雨，太冷太热还不都成了需求异动的借口？借口文化就开始泛滥。
再比如有个车企的员工说，这两年的政策变化很大，对尾气排量一直有新规定出台，影响车辆销量，言下之意是这就是为什么预测准确度低。不过想想看，这么大的政策，能够显著改变一个行业，能是突然冒出来的吗？我就不信作为业界的主要企业，他们就一点没有耳闻，坐地等死！政策历来在变，天灾人祸也是：地震，火灾，洪水，罢工，瘟疫，金融危机，行业性短缺，这个世界就没有一年太平过。这些都相当于发在你手里的一把烂牌，为什么有的企业打得好，有的企业就打得差呢？
变化本身有不可控之处，但如何系统地应对变化，却有可控之处 。制定需要判断的清单，定期会议回顾，不管是跟销售、市场还是产品经理，都会增加判断的及时性和一致性。要避免的是借口文化，以没法控制的因素来掩盖自己的不作为。
第二，判断不能等同于“拍脑袋”，不但要有数据，而且要有故事 。你问销售，下个月要做什么促销，预计能带来多少需求，答复往往是这不好说。不好说，也就是说你在申请经费时对老板说，给我x万元的市场推广费，不过效果嘛是不知道的，老板您就祈祷吧！当然不是：你花每一分钱，都是有目标的。那好，把你申请经费的方案拿出来，把那上面的故事讲一讲：你要花多少钱，做什么广告，跟什么媒体合作，买多少流量，预计带来多少业务，反映到哪些产品上……那这些数字是怎么来的？要么是参考以前做过的，要么是基于更细更具体的假设。那好，把那些都拿出来，我们逐条一起过一过。
比如在一个快时尚企业，要导入新产品，这是一位销售对上新30天的销量判断：
1.历史上的类似款上架30天销量将近600件，以此为基数。
2.要新开天猫店了，会增加销量，但开业时间不长，预估增加50%销量，+300件。
3.因为“三八妇女节”活动和天气回暖，往年3月的流量和销量都会上升，+200件。
4.店里的同类竞品较多，-100件。
结论：她认为需求预测应该是600+300+200-100=1000（件）。这个判断有数据，有故事，而且运用了“费米估算法”，把预测分解为多个部分，各个击破，看上去更靠谱（实际上也的确如此：实际首月销量858件）。
她的一位同事正好相反，其判断既没数据也没故事，而只是简单地说该产品“适用用户广，颜色清新自然，价格亲民”，所以他预测2960件。为什么是2960而不是3960，或者1960？你这60件的零头是怎么来的？你知道，他的判断能有多可信了。
再比如在一个化妆品企业，在每个月的销售与运营计划（S&OP）上，市场部门要提供媒体计划、市场趋势、新品计划，以及终端销量数据及分析；销售要提供开店计划、新品铺货计划、促销计划等；财务会准备好每月的销售目标，也在会前提供给需求计划。这些输入都是为“由判断结束”服务的，不但有数据，而且有故事，帮助计划职能滚动更新需求预测。
作为计划职能，我们要督促判断者把这些写下来，一方面约束他们信口开河式地“拍脑袋”，另一方面也督促他们更详细、深入地分析问题。我们理解，有些东西一时很难量化，那好，你总得有个故事来支持吧？那你先把这个故事给讲出来。
比如有个电子产品公司，计划每周跟销售开会。这是个经理层面的会议，对于每一次计划变更，计划经理都要问原因；原因没法量化，也要听听销售端的“故事”；没有“故事”的话，计划不予执行——连个“故事”都没有，八字不见一撇，就想让我们把真金白银转换成库存，你难道就不知道把现金转换成库存容易，把库存转换成现金难吗？
在能够量化之前，很多事情都以“故事”的形式存在，比如要进入更多的渠道，面对新的竞争，打入更多的客户等。销售们习惯性地活在当下，对未来的计划性往往不够，逼着他们“讲故事”，有助于督促他们尽早思考这些问题，帮助调整预测——有些长周期物料动辄就要3～6个月的提前期，不及早调整预测的话就来不及了。
第三，判断一定要聚焦具体的产品、客户或渠道 。在需求预测上，计划和销售的视角不同，看待问题的层面也不同。计划天然着眼于 全局 ，在预测产品需求时，考虑的是所有的客户、所有的地区。而销售呢，特别是一线销售，则习惯着眼于具体的地域、具体的渠道、具体的客户等。于是就经常出现这样的情况：作为计划，他的基准预测是针对整个产品的，发给销售征求意见，销售总监一看傻眼了——我只负责华南区，怎么能帮你判断整个产品的预测呢？即便在华南区，下面还有几十个销售，销售总监、销售经理也没法完全知道几十个销售的故事。
作为应对方案，要求销售做判断，一定要把需求预测分解到适当的层面，找准产品、找准客户，找到合适的人来判断，才能更好识别和量化影响因素。比如改变需求的决策主要发生在销售大区层面，那就分解到销售大区；如果在具体的客户层面，就得分解到客户层面，让相应的客户经理、客户总监来做判断。
举个例子。对于一个产品，假定未来13周的预测是每周200个，其中有个大客户，需求历史占总需求的30%。这意味着基于需求历史，这每周预测的200个中，有60个是为该客户准备的。征求销售的判断，就是找到这个客户对应的销售，给他这个客户的销售历史，让他判断每周60个的预测是否靠谱。这里的关键是对 增量 的判断，要他 讲故事 ，比如这个客户在扩张产能，需求可能拔高20%。那好，这意味着每周有12个的 增量 ，反映到产品层面，预测就从200个变成了212个。
对于很多产品来说，虽然每个产品有多个客户，但需求相对均匀地分散到各个客户，每个客户只占微不足道的份额，需求变动不大，而且东边不亮西边亮，变动往往会互相抵消。这些客户就是典型的“沙子”，根本用不着去麻烦一线的销售人员：计划人员按照需求历史，加上对整体业务发展的判断，就能做出相当准确的预测来。当然，对整体业务的判断可能得借助市场、产品管理、销售的管理层，但用不着找一线销售来帮忙。
真正重要的呢，是那些需求集中度高的产品。比如一个产品虽然有25个客户，但其中一个客户的需求占比为40%，这个大客户的需求一旦变动，对供应链的影响就很明显。这样的产品—客户组合就是“大石头”，要从众多的“小沙子”中筛选出来，让对应的销售重点关照，有的放矢地管理需求变动。
狐狸知道很多小事，刺猬知道一件大事。聚焦影响深远的“大石头”。
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。
作为代理商，案例企业处于典型的“两头难”境地：一头是大客户，对按时交付的要求很苛刻；另一头是大供应商，都是体量很大的全球企业，很难驱动。作为应对，他们就得更加依赖计划，尽量做准，尽早调整预测，尽可能给供应商更长的响应周期。
对于案例企业来说，需求的变化，不管大小，都由具体的客户开始；即便有多个客户，大麻烦也主要是由那些主要客户造成的。所以，为了探知变化的根源，一定要落实到具体的客户。也就是说，针对每个产品，需求一定要分解到每个客户头上，就是我们这里讲的“料号—客户”层面。比如一个料号有5个客户，那么就有5个“料号—客户”的组合；另一个料号有20个客户在用，那相应地就有20个“料号—客户”的组合。
对于案例企业来说，“料号—客户”组合共有32 000多个（平均每个料号大致有3个客户）。我们当然没有能力管理这3万多个组合，我们得设计一套筛选机制，层层过滤，来突出重点，缩小管理范围。
如图1-20所示，我们的第一道过滤器是销量变动。供应链有相当多的冗余，比如安全库存，可以有效应对一定幅度的需求变动，我们需要识别的是超出一定变化幅度的。比如对比最近3个月与之前3个月的订单量，升降幅度超过15%的有20 000个左右，约占60%的“料号—客户”组合。这太多，还是管理不过来，那就继续缩小范围。
图1-20 层层筛选，寻找高影响、高风险的“大石头”
于是我们就导入第二道过滤器：销货成本
。我们用上述的销量变化，乘以产品的单位成本，得到相应的销货成本变动。我们把销货成本下降超过1万元（意味着最多可能有相同金额的库存积压），或者上升超过5万元（意味着可能有短缺）的筛选出来，得到1700个“料号—客户”组合。这些产品有显著的库存影响，要么短缺，要么过剩，对业务影响也更大。
在这里，销货成本下跌的门槛之所以是1万元，显著低于上升门槛的5万元，是因为对于后者可能造成的短缺，有多种渠道可以获知，而对前者可能造成的呆滞库存呢，则不容易被注意到，所以我们把过剩的门槛设得比较低。但不管怎样，这都是经验值，这里只是示意，我们要按照自己公司、产品的情况来调整。
这1700个“料号—客户”组合占总数的约5%，分配给上百个一线销售人员来跟进，每人平均有一二十个，可操作程度相对高多了，但还是觉得有点多。
于是，我们进一步提高销货成本的门槛，比如升降幅度都提升到5万元，就得到713个“料号—客户”组合，只占“料号—客户”组合总数的约2%，却对应了50%的销货成本变动。这对案例企业来说是“大石头”，影响大，风险高，需要及时驱动相应的销售来确认需求、管理需求变化、调整预测。同时，供应链也要采取行动，比如驱动供应商增加产能，应对短缺；或者让供应商停止未完工的订单，这样万一出现过剩，我们也可能把半成品做成别的产品，最坏的情况下，也只用给供应商支付半成品的钱。
这就是个简单的需求变动预警系统，用来识别那些重要的需求变化，筛选出那些影响最大的“大石头”，把有限的资源投入到回报最高的产品、客户上。分摊到上百个销售头上，每人平均10个不到，花几分钟时间采取行动，也是很值得的，况且这中间的大多数他们应该已经知道，比如促销活动，新市场、新客户的开拓等，可以很快剔除。
那销售拿到这个清单，具体要做什么？他们得判断，这是一次性情况，还是会持续？持续的话有没有上升的趋势？客户的这个工厂需求改变了，那别的工厂呢？需求变动的驱动因素是什么？我们得采取什么行动来影响需求？如果需求下降是因为客户在偷偷导入我们的竞争对手，那销售现在就得跟客户谈，设法赢回生意，最不济也得让客户把供应链上的库存消耗掉，因为那可是为他们备的啊。
在案例中，我们选择3个月的销量，以及15%作为销量变动的下限，主要是因为补货周期太长（动辄十几个星期），微小的变动都可能需要很长时间才能恢复。在实际应用中，建议大家按照自己行业、公司的情况，以及供应商的交期、需求变动等因素来确定，比如业务变动越剧烈，产品的生命周期越短，建议的时段就越短。
有几点需要补充一下。
其一，寻找“大石头”，并不是说要在客户层面上针对这些料号做预测——那可能陷入预测颗粒度太小、预测准确度太低的陷阱，这是给相关的销售人员提示，驱动他们做出判断：你的客户在这几个料号上的需求变动很大，你知道吗？这是短暂的变化，还是会持续？如果持续的话，未来的变化会更大，还是更小？大多少，小多少？
不变的不需要管理，小的变化可以通过现有的系统、流程来对付，而显著的变化呢，系统和流程没法有效应对，必须得靠组织措施，不但是计划团队，而且有销售的介入。
其二，这里寻找“大石头”的过程，并不是为了取代日常的计划，而是作为后者的补充，即单纯从数据分析角度识别影响大、风险高的变化，驱动销售和供应链及时应对。一般企业都有滚动预测的做法，围绕“大石头”的分析也可以纳入滚动预测，成为“从数据开始”的一部分。
其三，在一个稍有点规模的企业，产品动辄几十、几百个，每个产品动辄几个、十几个规格型号，后面跟着几十、几百、上千的客户时，把需求历史分解到产品、型号、客户层面，按周、按月排列，数据量相当大，这后面动辄就是几十万、几百万行的数字，一般的人根本没有能力驾驭这么大的数据。这就是为什么，这样的分析建议由计划团队统一完成，而不是指望几十、几百个销售或者他们的助理来做。
众多研究表明，对重复性的常规决策，依据基本的规则，简单模型的预测准确度高过人工判断。不管是做需求预测，还是医疗诊断，或是大学录取，都是如此。
比如同样的预测者，同样的产品，同样的环境，每次的预测结果都可能不一样。没有别的原因，根源就是人做判断时的不一致性：每次决策，人总是想调整些什么，否则觉得就跟没有增加价值似的。有个专门的名词，叫“虚幻的控制感”，就是用来描述人的这种心理。做了点什么，让你心里感觉更踏实，但因为每次的决策标准都有不同，决策的一致性就成了问题。
对于这种不一致性，我们可以考虑把预测拆分为两部分，有重复性的（存量）交给数据模型，没有重复性的（增量）拆分出来让判断。这样对于 存量 部分，就根本不让人来碰：如果预测模型都从数据中找不出规律的话，让人从数据里面看出规律则纯属徒劳。拆分以后，即便判断有不一致性，也只影响 增量 部分。试想想，存量是100个，增量是20个，都让判断的话，误差10%就相当于12个，但如果只判断增量的话，误差就变成了2个，对整体的影响显然更小。
对于 增量 部分，我们要尽可能地借助统一的标准和决策流程，采取更加结构化的方式来应对。前面讲过的德尔菲专家判断法，从定义问题到组建专家团队、提供背景信息、循环判断等，就是这样的流程。再比如在定期的S&OP会议上，让各职能单列增量，加上基准预测，得到最终预测，也是结构化的做法。
此外，还有一系列的方法，也可以提高判断的质量。
·在“从数据开始”上，人脑算不过电脑， 不要调整数据模型的结果 。如果数据有问题，直接调整数据，比如清除一次性需求，清洗短缺、过剩造成的需求异动等。
·
只做大的调整
。制定严格的调整规则，什么能调整，什么不能，也有助于避免为了调整而调整（虚幻的控制感）。人工做的小调整往往让准确度更低，做还不如不做。
· 调整百分比，而不是数量。 百分比更加符合一般人的直觉。比如问某产品的销量可能增加多少与问可能增长的百分比，后者一般更加容易判断。
·
避免过于乐观。
研究表明，悲观的调整更准确，所以尽量不要拔高基准预测。
·采用费米估算法，把大的问题 层层分解 ，然后适当估算，即便在微小要素上误差较大，也不会显著影响整体的判断质量。在百度上搜索一下“芝加哥有多少钢琴调音师”就知道了。
· 聚焦背后的故事和假设 。让一线业务人员讲故事，由计划人员来量化。这就相当于孩子放学回家，妈妈问饿还是不饿，很饿还是很不饿，而不是孩子究竟要吃几碗饭。
· 大的调整，以书面形式记录下来 。一方面，这促使调整者更加严肃对待；另一方面，也有利于后续闭环分析。管理层的主要调整，让他们签字确认，避免随意以销售目标作为需求预测。
· 形成闭环 ，反馈学习、改善。结果出来后，对比预测和实际值，反馈给判断者。比如哪些假设实现了，哪些没有；哪些估计准确，哪些不准确。判断能力是可以培养的。向失败学习：失败的例子让大家变得更聪明。
判断由人做，人是有缺陷的，表现为各种偏见。不管是在获取信息、处理信息的时候，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。
其一是 使用者偏见 。当预测的制定者也是预测的使用者时，容易产生偏见。比如销售提需求（做预测），作为销售业绩承诺时，他们会倾向于偏低；市场做预测，如果营销经费是基于预测的话，则容易倾向于偏高；为了能够“超额”完成任务，或者彰显营销措施的“有效性”，营销部门就有意调低预测；供应链做预测，但也对库存负责的话，则容易倾向于虚低。作为产品经理的话，他当然不会预测他的产品失败，所以新品预测往往偏高，同样也是因为使用者偏见。
比如有个手机企业，千亿级的营收规模，在全球有业务。他们的需求预测自下而上，来自两条线，一条线跟着产品，一条线跟着“战区”。“战区”的是目标导向，需求预测和销售目标交织在一起，“战区”做预测，“战区”也用预测，在“使用者偏见”的影响下，预测的准确度低；产品管理更加中立，不会受需求预测的影响，因而更加客观，预测的准确度更高。
我妹妹小时候给大家做饭，她饿的时候就做得多，大家下顿吃剩饭；她饱的时候就做得少，大家吃不饱。现在我明白了，这是“使用者偏见”在作祟。“医生不自医”跟这有点像：医生不能给自己看病，因为私心杂念会影响对病情的客观评估。解决方案就是找别的医生看病。
放在需求预测上，解决方案就是让预测的制定者和使用者分离。当然我们不可能完全跟使用者分离，因为我们还需要他们的判断。那好，让他们只辅助判断增量的部分，而把存量交给计划人员。这样即便是有“使用者偏见”，影响的也只是增量部分。而增量部分我们也可通过搜集多方信息来佐证，以尽可能客观。
此外，计划也是需求预测的使用者，如果他们对库存周转、按时交付两大指标负责的话。这可通过调整两个指标的权重，让它们权重差不多，成为一对强相关的矛盾指标来约束计划职能的行为：交付不好，你要挨板子；库存太多，你也要挨板子。或许有人会说，那会让计划里外不是人，还怎么做预测？不是的。人天生就会对付一对矛盾指标，这就如你家小孩一生下来，就有两个“老板”：你和你太太的诉求往往不同，一个让往东，一个让往西，但你家小孩总会让你们两个都满意。
其二是
近期偏见
。人的记忆非常短，决策很容易受最近发生的事情影响。比如给房子买洪水险最多的，就是洪水刚过的那段时间，而买洪水险最少的呢，正好是发生洪水前的那段时间——连续几年不来洪水，大家好了伤疤忘了痛，都把洪水险取消了。每到发奖金、涨工资那几天，有些员工就非常卖力，他们是在利用你的“近期偏见”呢。
放在需求预测上，就是新近发生的事会显著影响销售的判断。比如最近几个电话打得顺利，销售就拔高预测；昨天丢了一个客户或订单，销售就对预测打折；一旦发现总部短缺，每个销售都竞相拔高预测。这都是微观体感主导理性判断，让个例代替了普遍性，是近期偏见在作祟。关键元器件短缺期间，大家就疯狂拔高预测、拔高安全库存，给供应商下一年两年的订单，其实也是近期偏见下的非理性行为，解决不了眼下的短缺问题，反而造成最终的过剩问题。
近期偏见可通过长期的、历史的角度来纠正。比如要意识到时间长了，一定会有周期性，我们要慎始如终，不要被眼前发生的所左右。这些都是波浪式前进，螺旋式上升的一部分。这就如美国的股市：如果光看2020年3月的四次熔断，标准普尔500指数下跌三分之一，你跳楼的心估计都有了，但如果看看过去30年、50年，保准你又吃得香睡得着了（见图1-21）。我亲身经历了2001年、2008年和2020年的三次大幅崩盘，一次比一次严重，但每次都能很快恢复过来：这些崩盘更多的是由惶恐引起的，而惶恐的根源正是近期偏见。一旦过了，人们的信心又会回来。
透过现象看本质，探究深层次的影响因子，也是纠正近期偏见的一大方式。这就如股票投资要看基本面一样，如果我们深究需求背后的驱动因素，就可能降低短期“杂音”的影响。有经验的计划人员熟知这点：他们跟需求端沟通的时候，更注重探听数字背后的故事；他们知道销售有活在当下的倾向（其实就是近期偏见），就把以前销售的判断记录在案，与实际对比，帮助销售更好地从过往历史中学习。
图1-21 近期偏见需要长远视角来纠正
资料来源：Google Finance。
其三是 可得性偏见 。人们习惯于基于所知做决策，而我们的所知是有限的，信息不对称。这就如美国人的一个笑话：听说有人失业了，就觉得经济不景气；看到邻居失业了，就觉得经济衰退了；现在轮到自己失业了，经济就陷入了大萧条——经济还是那个经济，不过是现在自己失业了。说起吸烟有害健康，人们就想到自己的邻居张老头每天一包烟，都活了九十几岁；提起空难，人们总是充满恐惧，殊不知死于车祸的概率大多了，无非是新闻中不报道罢了。
2020年新冠肺炎疫情最严重期间，美国每天有近30万人感染，但在我所在的城市，9万居民中只有3人因为新冠肺炎住院。如果只看到这3个人的话，你八成会认为新冠肺炎没什么。正因为很多人持这种看法，美国的疫情才发展到不可收拾的地步，死亡人数远超第二次世界大战。这背后，都能看到可得性偏见的影子。
放在需求预测上，我们经常征求需求端的判断，但销售、市场、产品等职能知道自己知道的，不知道自己不知道的，又没精力、没兴趣去探究自己不知道的，往往是基于片面信息，没法给出全面、可靠的判断。如果逼着销售要预测的话，或者滚动预测的截止期限马上要到了，销售就看到什么给什么，胡乱填个数字。你知道，你得面对可得性偏见了。
可得性偏见的解决方案是让信息变对称，给大家完整的信息，比如一方面是把系统中已有的需求历史信息整合起来，分发给大家；另一方面就是将多个专家的意见和依据整合起来，反馈给大家。计划处于更好的位置来做这些。在提供信息的时候，要保持中立，不要有倾向，促进发散思维。
有经验的管理者会征集多人的意见，也是在避免可得性偏见。组建不同背景的团队，持开放性心理，不先入为主等，佐以更长期、更全面的需求历史数据，都是应对可得性偏见的有效举措。
可得性偏见和近期偏见常常并肩出现：最近发生的往往就是最可得的。比如，上次因为短缺被客户痛斥，没完成销售任务的经历，就都反映到下期的预测里了。这不，预测就这样虚高了。
除了上述三类偏见外，我们的决策还受很多别的偏见影响，比如目标影响判断，再比如有选择地吸收自己喜欢的信息（“选择偏见”），先入为主的“锚定偏见”，对自己的能力、判断过于乐观的“过度自信偏见”（专家尤其容易犯这种错误，岂不闻“打死的拳棒手，淹死的会水的”）。至于销售、市场人员整体上乐观，容易高估，却是不争的事实——这是职业病。
或许有人会问，个人偏见能否由团队决策来避免？答案是否定的：大家坐在一起讨论问题时，随大流的群体盲思是更糟糕的偏见；集体决策也容易让我们更冒险，因为责任更难落实到人。
要知道，“由判断结束”是跟人打交道，偏见是不可避免的，但一旦意识到并且挑战其存在，你就会成为一个更好的决策者。
判断错了的话，该怎么惩罚销售呢？
判断总会有对有错。判断错了，是问题难解决，还是判断者不努力，或者在博弈？如果判断者已经尽力而为了，有数据，有故事，那还能怎么惩罚呢？承认错误，汲取教训，严防再犯就得了。对事严厉，对人宽容，培养开放、信任、非惩罚性的文化，对促进跨职能协作至关重要。
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，是因为他们见多识广，“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。
放在计划上，如果说“从数据开始”是教条主义，是“数据派”的话，那么“由判断结束”就是经验主义，是“实战派”。“实战派”的经验是独特的，只能把你带到经验主义的高度，那就是你现在所处的位置；到了一定地步，光靠经验，你只能是原地踏步，不进则退。“数据派”的教条有普适性，是我们更上一层楼的基础，但光靠教条，你也会“死”得很惨。企业到了一定规模，教条主义为本，经验主义为辅，两者结合才是更好的解决方案。
为什么企业大了就要更“教条”？这是因为企业小的时候，业务相对简单，经验主义就能够对付；小企业数据不健全，也只能更依赖经验主义。但是到了一定规模，企业的复杂度大增，就没有人能够知道真相，真相在数据里，我们就得更重视教条主义。我理解，教条主义的“教条”二字的形象并不好，但这里强调的是基于数据分析的教条，而不是食古不化的教条。
经验主义是小公司的做法。当企业增长到一定地步，就没法在经验主义的基础上快速复制，因为经验不可替代。随着公司规模的增大，经验其实一直在稀释：招了越来越多的新人，有经验员工的比例在下降；最早是创始人们在做一线的决策，现在变成了一帮职场新人。对这些新人来说，经验的积累需要时间，而“积累”呢，其实是在试错，快速增长期间的大规模试错，可能让我们到不了目的地就“死”在路上。
那怎么办？我们还是要回到教条。比如就需求计划来说，要回到数据，从数据开始，制定基准；由判断结束，加以调整。毕竟，我们以前吃过的苦、受过的罪，有相当大的一部分已经留存在需求历史里。只要我们“拷打”得足够久，还是能从历史数据中学到很多东西的。
但是，数据分析能力太低，数据分析不到位，教条主义解决不了问题，人们就容易滑向经验主义，开始特殊化自己的问题，怀疑数据分析，对凡是基于数据分析的，比如预测模型、库存计划公式等，就产生天然的怀疑甚至反感：我们的情况特殊，我们都试过了，不起作用。于是就倒退为经验主义，一线提需求，销售做计划，继续深陷在粗放管理的泥淖里。