需求预测是“从数据开始，由判断结束”

公司大了，有数据的没判断，有判断的没数据，注定需求预测是个跨职能行为。

我们从妈妈给孩子做饭的比方知道，需求预测首先是根据需求历史，借助一定的预测模型，制定未来一段时间的基准预测（见图1-4）。这就是需求预测的“从数据开始”。

从需求历史开始，其基本假定是 业务的重复性 ，也就是说，以前发生过的对未来有一定的指导性。经常听有些人说，我们的影响因素太多了，业务变化实在太快了，言下之意是不能参考历史数据。且慢，这么说你们做的都是一次性业务？光靠一锤子买卖能把企业做到几千万、几个亿、几十亿的规模？你一定是在做某种意义上的重复业务，这种重复性不体现在成品上，就体现在半成品、原材料上，至少在生产工艺上是有共性的。

人们习惯性地 低估业务的可重复性 。要知道，可口可乐一直卖糖水和饮料，不造飞机；麦当劳一直卖汉堡和薯条，不做芯片。一旦过分强调需求的不可重复性，我们就容易特殊化我们的挑战，为需求预测上的不作为制造借口，必然会误入一线销售提需求、内部用户做预测的歧途。

或许有人说，这是新产品，以前没有销量，怎么借鉴需求历史呢？这个新产品的确没有销量，但类似的产品总会有的。新老产品会有不同，但都是同一类产品，还是有一定可比性的。比如类似的新产品导入后，3个月、6个月的需求会翻多少倍，生命周期会有多长，我们都能从需求历史中了解到，并总结出规律将其用在对未来的新产品的预测上。

比如有个手机厂家，这些年单机定价从1000多元一直增加到4000多元，后续还要推出5000多元、6000多元的手机。它一直在往高端走，每年都在进入新的市场、新的价位区间，每年做预测都很发怵，但并不是说以前价位的产品就没有参考性。比如它的手机一直面对的是小众市场，针对极客类消费者；线上业务起量很快，但降落也很快，生命周期短，基本没有平台期；产品日渐趋于饱和，在由增量市场向存量市场转变，表现在以前定的目标很容易达到，现在则越来越难。这些信息虽然很难精确量化，却都可以帮助更好地计划下一代产品，降低大错特错的风险。

在富含哲理的《牧羊少年奇幻之旅》一书中，保罗·柯艾略说道：“所有发生过一次的事，可能永远不会再发生；但所有发生过两次的事，肯定还会发生第三次。” 美国前总统杜鲁门说：“太阳底下没新事，如果有的话，也不过是我们不知道的历史罢了。”这些听上去有点绝对，其苦心都是在提醒不要低估重复性，放在需求预测上，也很贴切。

但是，历史会不会百分之百地重复？当然不会。有些发生过的事可能不会再发生，有些没发生过的事可能会发生。对于那些还没发生的，谁最可能有一定的预判呢？销售、市场、产品管理等接近市场需求的职能，高层管理也有可能。有时候工程师、客户服务也能判断，因为他们经常接触客户。这些职能的判断，在市场促销、新产品、新项目等方面尤为重要。他们的判断是做假设，也是讲“故事”，比如“销售计划在月底做促销，预计增加10%的营收”“客户下个季度要开5个新店，预计需求增加20%”，或者“竞争对手低价进入，这个产品的需求可能降低1/3”等。

根据这些判断，我们适当调整需求预测。这样， 数据加判断，代表着对过去的最佳总结和对未来的最好预判，整合了跨职能的最佳智慧，就能得到准确度最高的错误的预测 （见图1-5）。你知道，这样的预测注定还是错的，但错得最少。

可以说，预测的准确度来自两部分：数据和判断（见图1-6）。所以，一旦预测准确度不高，我们首先应该问的是，这是因为缺数据还是缺判断？缺数据，是因为数据不足还是对数据分析不够？缺判断，是需求端不愿意信息分享还是愿意分享但判断的质量不高？

人们往往分不清数据不足和数据分析不足，误把后者当前者。经常有人跟我说，他们新上了电商业务，但数据还不够。我就问他，电商业务上了多久？答曰：才半年。才半年？你知道半年按月切分的话有6个数据点，已经可以看得出趋势了；按周的话已经有26个数据点，样本已足够多，数理统计的可靠性相当高；按日划分的话，已经有180多个数据点，什么样的分析还不够用呢？

当然，有人会说，我们连半年的数据都没有，只有两个月的。可别忘了，两个月也有60天，60天也有60个数据点啊。还不够？那你继续抱怨，转眼就有3个月的数据了，即便按周汇总的话那可是13个数据点，一般的数理统计模型已可以用了。

实践者问

每次看到“所有的预测都是错的”，觉得“所有的预测都是不准（确）的”是否会更合适一点？

刘宝红答

“所有的预测都是错的”最早受统计学家乔治·博克斯的名言启发：All models are wrong,but some are useful（所有的模型都是错的，但有些是有用的）。要改为“所有的预测都是不准的”也没错。但是，只因为前面在下雨，后面也在下雨，所以就原地踏步，停止提高预测准确度，显然不是个好主意。要知道，紧接“所有的预测都是错的”的是“但错多错少可不一样”，我们的目标是追求更准确的预测。

小贴士 从数据开始是种习惯

上帝说啥我们信啥，其他所有人必须拿数据说话。

——戴明

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，计划人员多年来靠传帮带的方式培养，以数据收集、汇总为主，在需求预测上严重依赖销售、产品和高管的判断。

一谈到“从数据开始”，很多人就联想到数据模型和数理统计。我想说的是，这两者并不是一回事：在数据分析中，数据模型和数理统计只占很小的一部分。对计划来说，从数据开始与其说是数据模型和数理统计，不如说是一种工作习惯：在开口问销售、市场、产品等内部客户，或者不知从哪里开始之前，先分析数据，总结出规律，识别潜在的问题，再找合适的人来确认、判断、调整等。这些分析中，绝大多数任务用简单的加减乘除就能解决，在Excel表中即可实现，不需要懂多少数据模型和数理统计。

看她有点迷惑，我就举了个例子。

有个公司的“双11”备货历来挑战很大，我就找出它的一个主要产品，指导它的跨职能团队以该产品为例，设计一套“德尔菲专家判断法” ，以整合跨职能团队的智慧，群策群力，避免大错特错。德尔菲专家判断法中，一项关键任务是确定专家团队。几个小组的讨论结果出来后，几无例外，列的专家团队都是各个职能的老总、各大客户总监，外加主要的大区、城市的业务负责人。这一看就是漫天撒网：他们有十几个大客户、四个大区和二三十个城市，对应有几十号人，你总不能都找来做判断吧？

就该产品，我分析了这个公司的发货历史，发现在过去三个月里，对两大客户的发货就接近总量的50%，其余30%左右归线上散户（通过App下单）、20%左右归渠道客户。你马上发现，核心的判断人员其实就是两个大客户总监，外加渠道经理和线上业务经理各一名（渠道经理在统一制定政策，策划渠道活动，所以对“双11”备货有一定的判断能力。线上业务也类似，由线上业务经理统一管理）。

大客户的情况则比较复杂，因为那些大客户都是几十亿、百亿级别的企业，业务遍及全国各地，总部与分部之间联系并不一定紧密。大客户总监对应的是客户总部，难以就具体的城市分部做判断。那好，我们就细分到城市层面，结果发现两大客户60%的需求集中在深圳、广州和无锡三个城市，别的每个城市占比都在5%以内。于是，我们就把这三个城市的客户经理纳入专家团队，一个更加有的放矢的专家团队就建成了。

我简单分析了该企业前半年的数据，在大客户、渠道和线上业务中都能看到清晰的波动，在短短几周内，发货量动辄翻数倍。这背后一定有能够显著改变需求的事情在发生，有的是外在驱动，比如大客户自己的活动；有的是内在驱动，比如渠道政策、线上活动等。在历史数据中，稍做分析，比如把发货量按周汇总，做个简单的折线图，就能识别这些大的异动，然后找到合适的客户经理、渠道和线上业务经理，预判未来是否会发生类似的事，就可做出更准确的预测来。

这些都是基于数据分析的，但不需要进行任何数理统计，需要的仅仅是看数据的习惯。

有趣的是，在这个案例中，我把上述的分析结果都附在小组讨论的材料里，但绝大多数的小组连看都没有看，就在那里“拍脑袋”，凭经验漫天撒网。没有数据支撑，就缺乏针对性；大海捞针，又会浪费掉太多的资源；资源太分散，真正需要聚焦的反倒没有足够的资源投入。

没有人知道得比数据还多。我最早是从一位财务总监那里意识到这一点的。这位财务总监新到计划部门，是个计划的门外汉。不过没关系，他把自己关在办公室里，对着计算机捣鼓了几天，就发出一份又一份报表，告诉计划团队这些产品看上去有这问题，那些产品有那问题，让计划员来调整计划。我一看，我熟悉的那些“问题”产品大都在清单上，除此之外还有一些我不知道，但趋势显示在变坏的产品。这让我意识到数据的强大。是的，对于那一万多个SKU，谁的经验也比不上数据分析，问谁也不如问数据。

计划是个分析型岗位，要改变依赖业务端的反馈，被动反应的习惯。要知道，对于已经发生的，业务端所知的大多是局部的、滞后的；数据分析往往能提供更及时、更全面的信息。就拿我们经常面对的短缺和过剩来说，销售是怎么发现问题的？往往是库存太多或太少，有人反映到销售那边了。但这已经太晚了，如果监控数据，分析客户的订单、发货历史，你往往会提前几周就发现短缺或过剩的端倪。这些其实都不需要多少数据分析能力，需要的是“从数据开始”的工作习惯。

小贴士 从数据里学什么：以发货记录为例

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，都到千亿元规模了，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？

其实一个公司数据再少，也不会没有发货数据，否则的话怎么跟客户收钱呢？那我们就以发货记录为例，光从这些发货数据中就能发现很多有用的信息，帮助我们更好地理解客户期望，判断供应链的绩效，识别能力短板。

先看发货数据汇总的时间单元，也就是说，是按周还是按月汇总发货量。在供应链运营上，周是个比月更理想的时间单元，是企业运营管理精细度的体现。管理能力越强，管理力度越大，企业的时间单元就越小，就越可能用周而不是月。试想想，如果以一个季度的需求历史为基准，预测未来的需求，一个季度有3个月，3个数据点能做什么样的分析？但如果分成13周，我们就有13个数据点，数据样本就更大，在数理统计上就更有意义。另外，按月划分，一个季度只有3个控制点，那就只有2次发现问题、解决问题的机会（第三个月的数据出来时，已经没机会改进了，因为季度已经结束了）；按周划分，就有13个控制点，意味着有12次发现问题、解决问题的机会。

讲到这儿，可能有人说，我们按天划分，不是数据点更多、更好吗？不过这样做可能分得太细了，需求的“杂音”可能会被不必要地放大，增加了数据分析的难度。比如我在看一个产品的需求历史，以寻找合适的预测模型。按周汇总，该产品呈现明显的下降趋势，尽管数据点只有6个；试着分解到天，就有42个数据点，虽然数理统计上有了更多的样本，但一周里不同日期的需求变动情况被呈现出来，让本来清楚的趋势中，增加了更多的变动性，看上去更像趋势中嵌套着“季节性”，分析难度大增（见图1-7）。

对于很多企业来说，每周补一次货，周五送到，以满足下周的需求，所以按周汇总数据、做分析应该能够满足需要。当然，如果补货频率更高的话，比如每天都补货，那么需求历史就需要按日汇总，在预测每日的补货量时，也就不能忽视一周内的“季节性”。

相反，按月汇总数据，则可能掩盖很多本来不应该被掩盖的“杂音”，造成错误的决策。比如每月需求是100个，这100个集中在1个星期与平均分散到4个星期，对供应链的挑战可大不一样。如果按月汇总，我们看不出需求的波动；如果按周分解，需求的波动则能更清晰地反映在数据和统计结果中。

再看客户的期望，以及企业的实际交付能力。你问企业的管理者，客户对我们的期望是什么？大家往往各执己见，就是一笔糊涂账。那好，发货历史可以给你相当可靠的判断：客户订单是什么时候录入的（订单录入日期），客户希望什么时候发货（客户需求日期），我们实际发货是什么时候（发货日期），客户期望就是需求日期与录入日期的差值，录入日期与发货日期之差就是企业的实际交付表现。两者对比，你马上就看得出两者的差距，即客户期望与供应链能力的差距。

那如果客户的期望是3天交货，我们是平均5天交付，这差距是不是个问题？不一定。有些客户习惯性地“高要价”，比如今天下单明天要货，期待你3天后送来，供他们7天后用。有的差距却要消除，不能因为你一直不及格，就以为客户可以接受不及格——你可能因此在损失营收。怎么才能知道是否需要消除差距？你当然不用去问销售，发货历史就能告诉你，只要你进行分析的话。

比如对于客户A，从去年到今年，你的交付表现没有改变，但业务量却在增加——你知道客户的整体业务没增加，那意味着你的份额在上升，也意味着你虽然达不到客户的“期望”，但你的竞争对手可能做得更糟。相反，对于客户B，类似情况下，你的业务却越来越少，表明你的竞争对手可能做得更好，客户对你更不满意。作为后端的供应链，我们不是生活在前线的炮火中，不大直接接触客户，也对销售的“危言耸听”充满戒心，但佐以这样的数据分析，还是可以相当可靠地判断出发生了什么。

发货数据中还蕴藏着更多的客户信息。比如客户的订货习惯：每周还是每月下订单？是不是接受部分发货？这跟我们的关系可不小：如果是每月订货，而且不接受部分发货，那你就得备更多的安全库存来应对；如果订货频率更高，还接受部分发货，那么你可适当降低安全库存。背后的逻辑是，订货越频繁，需求量就相对越稳定，计划也就越容易做。

订货的频次也反映了客户的运营水平：运营水平越高，订货的频次一般也越高，订货量一般也越平稳，这些更可能是优质客户的体现。而习惯性地给你一个大单子，让你分N次送货的客户，就跟那些习惯于大批量运作的企业一样，往往在管理上也更粗放。这类企业呢，整体计划性往往有待提高——如果统计它们的急单比例，你就能够通过数据来验证。

从发货历史中，你还可以分析客户的集中度。摘取一段时间的需求历史，比如6个月，按照料号、客户、月份分解，你就能判断，对于特定的料号，是否有客户占了相当大的比例。如果有，这些客户就是“大石头” ，在进行需求预测和需求管理时就要特别关注，比如积极对接销售，了解信息系统外的信息；紧盯客户的需求变化，及时采取补救措施。在“大石头”的识别上，你得借助数据分析，而不是寄希望于销售，因为他们只知道自己的客户，并不熟悉别人的客户，没法告诉你他们的客户是不是“大石头”。

你还可以从发货历史中看需求的变动性。比如基于13周的发货历史，你可以计算每个产品的需求标准差，跟13周平均需求值相除，就得到度量变动性的离散系数或离散度。你马上可以看得出，不同料号的变动性大不一样，一刀切的管理方式比如都设置x天的用量作为安全库存，导致的结果就是要么多了，要么少了，短缺与过剩并存。你还可以设定一定的规则，比如过去4周的平均需求与过去8周的相比，上升或下降超过一定比例时，就需要额外关注等。

再看货是从哪里发出去的。比如对某个客户，企业默认是由最近的仓库A发货，但货物实际是从较远的仓库B发出的，那往往意味着仓库A的计划薄弱，没有备足货，造成更高的运营成本。或许有人会说，为什么不是客户需求问题呢，比如仓库B的客户调货频率高，每次调货量少，这样好对付，而仓库A的客户3个月不订货，一订就要3个月的量，谁都难应对，所以就不得不向仓库B借货，由仓库B发出？

那好，我们还是看数据。相同的料号，不同的仓库，计算需求的离散系数，这问题不就有了答案吗？你也用不着去问两个仓库的客服人员或者相应的销售人员，数据就放在那儿，答案就在数据里，你该先看看数据。

要知道，上帝只给了我们一张嘴，却给了两只手，就是让我们在动嘴之前，先动手分析数据。没有人比数据知道得多。如果你从数据中看不出什么，原因很简单，你的分析还没到位，最常见的呢，就是你还没有花足够多的时间来分析。

从数据开始：不但要有数据，而且要有分析

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，从而指导后续的工作。这是我从雀巢的一位计划总监的报告中体会到的。

先说数据。雀巢的需求计划把数据分成三个层次：事务数据、计划数据、外来数据，如图1-8所示。

事务数据： 这是操作层面的数据，比如围绕订单、工单、产品的进出存数据。这是ERP里最原始、最基本的数据，也可以说是我们在信息系统中留下的每一个脚印。比如在ERP软件SAP中，物料的每一次移动——由谁移动，从哪个库位移到哪个库位，都有清晰的记录；客户订单什么时候接到的，什么时候发货的等，也是典型的事务数据。提供完整的事务数据，是ERP系统的强项。

资料来源：Olivier Gléron.How Nestlé Deployed Predictive Analytics for Better Planning[C].Business Planning,Forecasting and S&OP Conference,Europe,2018.

计划数据： 事务数据并不能直接用来做计划，而是需要进一步整理、清洗，比如把需求历史按日、按周或按月汇总，按照产品线、产品、SKU分解，剔除其中的一次性需求等之后，就成为计划用的数据，供进一步的数据分析。计划数据也包括主数据，比如采购提前期、最小起订量、供应商等。计划数据的信息来源是ERP系统，但往往储存在专门的计划系统里或者单独的数据库里。

外来数据： 来自第三方，比如电商平台、销售终端等。这些外来数据更加真实地反映了需求，对计划的价值更高，当然也更难获取。另外，行业性研究、第三方数据也算外来数据。比如在导入新产品前，有些企业会参考行业的研究数据，判断潜在市场的大小以及可能获得的份额，来确定新产品的预测等。

企业大了，没人知道真相，真相在数据里。当然，在测不准定律下，我们可能永远没法知道真正的“真相”。真相是相对的，很多时候，所谓的真相就是多数人认可的真相。 没有共同的数据，就没有共同的真相，也就缺乏协作的基础 。计划数据就扮演这样的角色。

说是“计划数据”，其实不光是计划职能用的；每个管理者都在做计划，虽然他们的头衔、职能中并不一定有“计划”二字。比如生产要用计划数据，来规划未来的产能；仓储要用计划数据，来规划仓库的容量；物流要用计划数据，来计划物流费用；采购要用计划数据，来制订采购计划，跟供应商商定价格；财务也用计划数据，来模拟现金流；销售当然也得用计划数据，来预测营收，及时安排促销、活动等。

对于企业来说，一大挑战是有统一的事务数据，因为那是ERP系统的原始记录，但没有统一的计划数据，每个职能都各行其是。小企业如此，大企业也不例外。比如有个百亿级的电子企业，总部和各分部用不同的数据，销售、产品、计划和供应链也是各自用各自的数据，财务当然也有自己的数据，数据来源不同，格式不同，鸡同鸭讲，很多时间不得不花在确认数据上，效率低下，沟通起来就很困难。

解决方案其实很简单：构建统一的计划数据，形成各职能的共同语言。谁来主导？计划职能来主导，而且是总部的计划。就如我们在一家电商做的，计划和财务协作（计划最熟悉ERP系统，财务的数据最可靠），基于客户订单层面的数据，建立共同的计划数据库，放到统一的服务器或者云端，让各个职能都来用。

这里的基本假定是，客户订单的数据是真实的，比如订单是什么时候接到的，要什么产品，要多少，什么时候要，价格是多少，什么时候发货的，因为这是向客户收账的依据，是销售、客服、物流和财务部门都依赖的。在这样的原始数据基础上，按照不同的时间、产品、地域、客户维度等切分（就如Excel中的透视表），就成为不同职能共用的数据。

在这家电商，计划安排专门的人，每周定期把上一周的数据添加到数据库里，不同职能、总部和门店都用这些同样的数据。从管理的角度看，每周更新，能够满足大多数职能的时效要求。当然，对于日常补货这样的活动，更新的频率要更高，比如每天，那每次要更新的数据也就更少。

共同的计划数据，不但降低了职能与职能、总部与分部的沟通成本，也减少了原始数据出错的概率，提高了决策质量。在这样的数据基础上，计划人员就跟医生看病一样，先分析已经发生了什么（现状），再分析可能发生的情况（预测），最后提出指导性的建议（行动方案）。这分别叫作描述性分析、预测性分析和建议性分析，它们构成了“从数据开始”中的三大分析。

描述性分析： 是什么，或者说已经发生了什么。比如通过折线图，来判断需求历史有没有趋势性、季节性、周期性等特征；借助标准差、离散度、极大极小值等，判断需求历史的变动性。至于说平均值、中位值、众数等，也都是常见的指标，可以帮助我们理解需求量的大小。

预测性分析： 可能发生什么。在描述性分析的基础上，借助数理统计模型来预测可能发生的情况，这是数据分析的核心，是对未来的预判。其后的逻辑是需求的延续性、相关性等。比如需求呈现季节性，那就可根据过往数据，预测未来数个季度的需求。值得注意的是，预测性分析是基于数理统计的，比如需求在多大概率下，会落在某个区间。

建议性分析： 这是在前两者的基础上，建议的行动方案。打个医生的比方：描述性分析就如“望闻问切”，预测性分析是预判病情的走向，而建议性分析则是开药方。描述性分析着眼于“已经发生的”，预测性分析着眼于“可能发生的”，建议性分析则是回答“怎么办”的问题，为不确定的未来指出一定确定性的行动方案。

作为计划人员，不管是哪一种数据分析，我们都应该是假设驱动，在业务指导下，为解决业务问题而分析，而不是为分析而分析。这也是计划人员与分析人员的一大区别：计划人员一般有业务背景，从业务角度往往已经有假设，数据分析更加有针对性，而很多分析人员虽然IT背景很强，但没有需求预测、库存计划等方面的实际工作经历，结果是虽然分析做了很多，报表一大堆，却不能解决任何问题。

实践者问

一堆数据乱如麻，不知道从哪里下手，怎么办？

刘宝红答

对着数据，做一系列的透视表，按照客户切分，按照地域切分，按照月份、周数切分，按照产品、SKU切分，求平均数，求标准差，统计13周或12月频次 ，做出折线图，你总会发现规律性的东西。企业数据不会是一团乱麻，企业数据总会有一定的规律性。我们之所以觉得像一团乱麻，十有八九是因为花的时间还不够。

借用诺贝尔经济学奖得主科斯的话，就是“ 只要你拷问足够久，数据总会招供的 ” 。

实践者问

那如何知道数据分析到位了？

刘宝红答

投入足够多的时间，找到规律性的东西，不管谁来挑战你，你都能自圆其说。有了“虽千万人吾往矣”的豪迈，你就知道数据分析到位了。

实践者问

没有准确的数据怎么办？

刘宝红答

没有准确的数据可能让我们预测的准确度降低几个点，但那一般不会造成灾难；“拍脑袋”或者因为没有完美数据就不计划，更可能导致大错特错。很多时候，预测的目的是避免大错特错，而不完美的数据也能接受。此外，数据不可能完美，不完美的数据也比没有强；分析不完美的数据，也比不分析数据强。

由判断结束，必须要有针对性

数据知道它知道的（已经发生过的），不知道它不知道的（尚未发生的）；对于已经发生的，如果重复性高的话，数据分析能做到精益求精（这也是计划软件的优势），但对没有发生过的，却难以避免大错特错。人正好相反，很难在重复性的事情上做到精益求精，却更可能在不重复的事情上避免大错特错，这就是为什么要“由判断结束”，把数据的智慧和人的判断结合起来。

数据分析天然有集中倾向，因为集中了就会有需求的聚合效应，预测准确度就高；判断天生有分散倾向，因为判断跟具体的客户、渠道、地域和活动相关，企业大了，没有一个人能够同时管理这么多。比如负责大客户的人，往往不管理渠道；管理线下渠道的经理，往往不管线上业务：内容太多，业务特点不同，兼职是做不来的。

但对具体产品来说，往往是既有大客户需求，也有线下、线上渠道，甚至有时候还有项目需求，这就意味着判断可能是分散的，来自四面八方。集中的数据分析，要与分散的判断对接，这是“由判断结束”的一大挑战。

让我们通过一个案例来说明。

案例 分解需求，对接合适的判断者

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。大客户和渠道客户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、渠道客户和零星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由客户驱动，比如客户自己的促销、活动等；渠道客户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。

在案例企业的一个主要城市市场，我们确定了一个有代表性的产品，基于过去13周的需求历史（6月9日～9月1日），用简单指数平滑法 预测该城市未来4周的需求。如图1-9的左图，预测做好了，该城市需求的总预测是每周32个，这算是“从数据开始”，但判断到哪里找线索？我们还是得从数据中寻找线索。

如图1-9的右图，分解这个城市过去13周的实际需求，你会发现零星散户、大客户KA-2、渠道客户占了绝大部分，他们的需求变动会显著影响整个产品需求，造成短缺或过剩。看得出，在过去一个季度里，零星散户的需求有大起大落，很可能是由线上活动所导致的；大客户KA-2的需求也有剧烈变动，表明客户那里可能发生了显著改变需求的事。线下渠道不用说，一旦渠道政策改变，需求就可能显著改变。这些驱动因素要么是内在的（比如线上、线下活动），要么是外在的（比如大客户），我们都需要找到合适的人来帮助判断，在未来几周是否可能出现这样的变动。

顺藤摸瓜，我们围绕这三大块需求，找到相应的能够帮我们做判断的人：负责大客户KA-2的大客户经理、负责线上零星散户的电商经理，还有负责渠道的渠道经理。这三个人找到了，把图1-9中的预测拿给他们，他们能否做出判断？当然不能，因为我们给他们的是整个产品的预测，而他们各自负责特定的客户、特定的业务。比如渠道经理熟悉未来的渠道政策是否会改变，如果改变的话，会如何影响需求，但他不知道大客户、线上散户的情况；线上散户的电商经理能判断未来线上是否做促销、做活动，但没法判断渠道和大客户的情况。

要知道，销售一般按照客户、地域、渠道等划分职责，每个人知道自己知道的，不知道自己不知道的，所以没法判断整个产品层面的需求。那好，我们把总的预测分解为相应的三大块，如图1-10的右图，拿给相应的判断者。这时候，我们谈的是具体的产品、具体的渠道或客户，找的是具体的负责人，“冤有头债有主”，这样才可能得到更具体、更可靠的判断。

那让他们判断什么呢？对于大客户经理来说，他需要了解大客户KA-2有没有大的变动，比如是否进行促销、活动等；对于渠道和零星散户来说，他们的需求变动是自己驱动的，比如给渠道返利的政策、线上线下的促销活动等。这里要判断的是增量，即投入多少资源，带来多少额外的新生意。

比如找到负责线上零星散户的电商经理，说这是零星散户过去3个月每周的需求，有高有低，最近两个月在下滑，我们的预测是每周21个，你觉得这数字靠谱吗？他说“不靠谱”，因为临近季末冲量，他正在计划推出促销活动，希望把营收提高20%，以完成这个季度的销售目标。那好，针对线上零星散户的预测就变成21+21×20%=25个/周（四舍五入）。相应地，总预测也由原来的每周32个增加到36个。依次类推，我们找到大客户KA-2、渠道对应的销售经理，让他们帮助判断各自负责的部分，从而得到最终的总预测。

就这样，数据分析和职业判断就结合起来了。

在具体操作中，“由判断结束”可以直接调整基准预测，也可以把各项增量单列出来，比如新产品、新客户、促销活动等可能带来的额外需求。直接调整基准预测的好处是简单，缺点是难以跟踪、复盘、改进。管理更精细时，企业会清洗数据，制定基准预测，然后叠加各项增量。这种做法相对复杂，但好处是清楚，便于记录、分析和改进。

比如在表1-1中，假定我们基于1、2、3月的需求，预测4、5、6月的需求为每月900个。这是基准预测，是在清洗掉历史数据中的一次性需求后，采用一定的预测模型计算出来的。也就是说，这是重复性业务。但有些能够显著改变需求的事情没有体现在历史数据中，比如4月要做促销，5月计划进入更多渠道，还有6月要扩展到更多的城市等。那好，跟相应的市场经理、渠道经理、城市经理对接，纳入各自的判断，就会得到相应月份的增量。

当然，作为判断者，他们可不能光给个数字，他们还得讲故事——故事比数字更重要。就拿促销来说，为什么在5月带来的额外销量是100个，而不是80个或者200个？这背后一定有故事，比如以前做过类似的活动，投入x元的资源，增加了50个的销量；这次投入2x的资源，增加了100个的销量等。这些都得作为附注整理起来，作为后续复盘改进的依据。

基准预测是存量，判断调整是增量，两者相加，就得到表1-1中4、5、6月的预测。但是，老总可能觉得还不够，想拔高预测，那好，专门给他留一行，把他的数字填进去。就这样，我们得到了最终的预测。

为什么要给每样调整都安排独立的一行？为了冤有头，债有主，一方面好找到相应的人做判断，另一方面在复盘的时候好评估判断的质量，是增加价值，还是制造问题。必要的时候，这也有助于“秋后算账”：渠道经理说5月新的渠道会增加300个的需求，现在只增加了200个，问题出在什么地方，如何才能改进？毕竟，不统计就不知道，不知道就不能改进。

更为重要的是，一旦我们记录下来有据可查，做判断的人就会更加认真，降低了随意性，限制了博弈冲动，客观上也有助于提高准确度。

小贴士 存量来自数据，增量来自判断

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。

销售天生对增量感兴趣，因为那跟他们的提成挂钩；对于存量则不一定，因为存量是维持现状，提成也往往已经拿过了。所以，如果你问销售，未来3个月能够卖多少，他往往很难回答。但是，如果你问，未来3个月的需求大概会变化多少，则更可能得到个更好的答案：客户的新工厂要开工了，需求应该上升20%；要过春节了，客户会提前备料，所以下个月的需求会提高30%，节后的一个月会降低40%……

这就如有经验的妈妈，她们很少会问，宝贝，今天你能吃几碗？她们更喜欢问的是，你今天饿还是不饿？很饿还是很不饿？这都是在问增量的问题——存量是不用问的，已经存储在她们的头脑里了，就如需求历史已经存储在企业的信息系统里一样。

在实践中，人们习惯性地拿存量问题来“折磨”销售，浪费掉他们的宝贵资源，他们反倒连增量问题都回答不好了。有些公司有几百上千个销售，每人每月都得针对每个产品“提需求”（做预测），整理几十、几百行数字，把大量的精力花在整理存量信息上，做了很多无用功，反倒没有时间判断增量，需求预测的质量高不高，也就可想而知了。

比如有个公司的计划部来了个新总监，新官上任三把火，要求销售们更好地管理需求，给他们布置的任务之一就是预测那些销量金额大的产品。他的理由很“充分”：这些产品是销售们的“身家性命”，他们当然应该了如指掌；销售对这些产品能否预测好，也是他们需求管理工作的体现。但问题是那些产品的需求相当稳定，我们在公司层面就能很好地预测，驱动供应商生产合适的数量出来，为什么要一个个销售经理来预测？销售关注的是变化的，而不是不变的。这就如你是个老总，部门的大多数事、大多数人你是不用管的——不变的不需要管理，系统、流程和操作层面就能对付。

小贴士 多少数据，多少判断呢

销售是哨兵，打探情报；计划是军师，运筹帷幄。

虽说需求预测是“从数据开始，由判断结束”，但并不是说两者的比重一样。那么究竟多少数据，多少判断呢？这很难清楚地定义，这里只是分享一些个人看法。

总体而言，可重复性越高，数据的成分就越多；可重复性越低，判断的成分就越多。客户、渠道的集中度越高，判断的成分就越多，因为单一客户、渠道的变动可能显著影响整体需求；相反，客户、渠道越分散，需求变动就越容易互相抵消，数据分析在决策中的角色就越重要。

就产品的生命周期来说，越是在产品生命周期的两头，判断的成分就越多；越是在成熟期，数据的成分就越多。一提到预测，人们总是习惯性联想到营销，其实在产品的整个生命周期里，计划在大部分时间处于主导地位，即便在新品上市、老品下架的计划上也是如此。

此外，我们还得考虑行业特性：不同的行业，数据分析和职业判断的比重可能也不一样。

比如在快消品、家电、手机等行业，产品生命周期短，市场竞争异常激烈，市场促销、季节性需求、新老产品交替，给生产与供应带来诸多挑战，需要计划人员更多地与销售、市场、产品等职能互动，这也意味着前端职能的判断比例更高。

而在工业产品行业，特别是MRO 领域，产品往往批量小、品种多，料号动辄数以万计，每个计划员需要管理的产品非常多，但只有很少的产品需要借助市场、销售等的判断，绝大多数通过需求历史、装机量 等数据来计划。当然，客户定制、项目型需求的重复性较低，对销售端的判断就更加依赖。

另外，需求越是容易改变，判断的成分也就可能越多。就拿电商业务来说，改变需求的事情很多，比如早晨买流量，中午订单就来了，所以线上业务一般更加动荡，跟业务端的对接也就更重要。同理，产品的竞争力越弱，就越得依赖销售行为，比如打折、促销等，需求预测对业务端判断的依赖度一般也越高。

不过，判断并不等同于“拍脑袋”，判断也是基于历史数据的，无非这些数据往往不以结构化的方式存储在计算机里，而是以非结构化，也就是说经验的方式装在某个人的脑子里。这就容易引申出两点：（1）管理越粗放，信息化程度越低，对业务端的判断就越依赖，表现为啥事都得靠销售；（2）信息化程度越低，经验就越重要，对“能人”也就越依赖——这顺便也解释了迷信的人找人算命的时候，为什么更喜欢找个老算命师，神婆、神汉一般都是上了年纪的人，花白头发的顾问看上去更可信，也是同样的道理。 LcIHoiqmMebDPrOfNXRJb6QardBWDVTiCnXeq3LerQwtfTDb7TDViRnpyau/r0Mp