下载掌阅APP，畅读海量书库
立即打开
从数据开始，由判断结束难不难？不难，如果你是个小公司的话。试想想，如果你开的是个夫妻店，你在前台卖烧饼，你老公在后台烤烧饼，你一眨眼睛，你老公就知道该烤几个烧饼，这样的前台、后台的对接有什么困难？难就难在公司大了，全国、全球运营，后端动辄有几十个、几百个运营人员，前端有几百个、几千个销售人员，他们分布在不同地域、不同时区，操不同的语言，再加上几十个、几百个产品，对应众多的产品管理、市场营销人员，要把前后端有效连接起来，有数据的出数据，有判断的出判断，其复杂度可想而知（见图1-11）。
有趣的是，公司大了， 有数据的职能往往没有判断，有判断的职能往往没有数据 。谁有数据？供应链部门。确切地说，是供应链的计划职能：相比其他职能，计划的强项是数据分析，它最熟悉信息系统里的每个角落、每个数据点，清楚地知道这产品上周卖多少，上个月卖多少，去年卖多少，前年卖多少，卖给哪个客户，从哪个仓库、渠道出的货等。但计划远离一线客户，对市场需求的 判断 有限。
图1-11 不是难，而是复杂，销售与运营的协调流程难以通畅
那谁有判断呢？销售、市场、产品管理等，特别是一线销售。这些职能跟客户、消费者打交道，能较好预判还没有发生的事情。但一线销售的天职是在地上跑，每天敲门谈生意、接订单、要账收钱，要不就是被客户追着要料，被供应链逼着消化库存，外加填写总部要求的一堆又一堆的表格，能有多少时间对着计算机分析数据呢？如果他们整天挂在ERP上，我们还不早就喝西北风去了。
这就是公司大了后的挑战：有数据的职能没判断，有判断的职能没数据，这就注定“从数据开始，由判断结束”是个
跨职能行为。但凡跨职能的任务，如果由任何单一职能来完成，得到的注定是次优化的解决方案
。企业的预测准确度低，往往能看到单一职能做预测的影子。而企业的挑战呢，就是在需求预测上没法有效跨职能协作，结果要么是计划，要么是销售单一职能做预测。
在需求预测上，层层报批是种很常见的做法。就如图1-12中描述的，案例企业是个乳制品企业，在全国有几十个片区，汇总到几个大区，最后汇总到总部。每个月做计划的时候，几十个销售经理滚动预测各自片区未来3个月的需求，分别提交给自己的大区总监；大区总监汇总、调整后，提交给总部的计划；总部计划汇总、调整后，驱动生产和采购执行。
图1-12 层层提需求，上下级、跨职能博弈，藏着掖着，信息不对称
这算不算“从数据开始，由判断结束”？当然不算。
首先，越往片区，数据分析能力越弱，预测的颗粒度越小，预测的准确度越低。片区的销售经理们学历普遍不高，有些人连Excel都不会用，你不能期望他们做什么数据分析；整天做生意，也没多少时间做数据分析。所以，他们提交的预测，主要以经验判断为主，是“从判断开始，由判断结束”。而总部的计划呢，因为远离客户端，其实是没有判断的。这就陷入没有数据的职能提供数据，没有判断的职能做判断，错误的人在做正确的事，预测准确度注定不高。
其次，层层提需求，层层审批，其实是层层做承诺，注定充满博弈。比如，片区经理们知道，他们提的需求可能成为后续绩效考核的依据，那他们就藏着掖着；大区总监们当然知道下面提交的数据有水分，但究竟有多少却不知道，而他们提交给总部的时候，同样会藏着掖着；总部计划也是如此，藏着掖着做调整，然后给生产、采购。前端的需求职能这样做，时间长了，后端的供应职能肯定也开始博弈。于是，上下级、跨职能的层层博弈下，信息不对称，形成多重需求预测，加剧了部门、公司内部的“牛鞭效应”
。
要知道，“从数据开始，由判断结束”的本质是消除信息不对称：计划分析历史数据，运用数据模型制定基准预测，拿出来放在桌面上；销售、市场、产品等职能提交活动、促销和新产品导入方案，以及其他可能显著改变需求的变量，评估对需求的影响，放在桌面上；信息对称下，数据和判断相结合，就得到准确度最高的错误的预测。这也是基于共识的预测。如果大家没法达成共识，则申诉到更高管理层。
一直以来，公司的计划模式为：计划提出收集需求—业务提交—计划汇总—业务领导根据计划汇总的结果给出总数量调整意见—计划调整然后敲定。按此做出来的计划总被生产和采购投诉不准，如何才能提高准确度？
这是典型的层层提需求，其实也是计划职能薄弱，退化成打杂职能的表现，只能做点数据收集工作。那么多的业务人员，预测颗粒度那么小，数据分析能力那么弱，其预测准确度可想而知。那么多的烂数字，加到一起会不会互相抵消，东边不亮西边亮？往往不会，因为业务人员受同样的外界因素影响，比如短缺时大家都拔高预测，过剩时大家都降低预测，这些都注定预测准确度不高。
有个企业的需求计划由各大区提交，在总部汇总，预测准确度历来不高，造成供应链有很多库存问题。供应链部门就建立了需求评审制度，让总部的营销、市场、财务和供应链等部门评审需求预测。但大区的销售们不满意，认为评审增加了一环，阻隔了销售与生产的有效对接。案例企业就问我，需求评审流程该如何设置。
我说，这里的问题是预测准确度不高，我们得先弄清楚为什么不高，然后看总部的需求评审是不是合适的解决方案。如果是的话，再探讨需求评审应该怎么做，由谁做。
预测准确度低，要么是因为缺数据，要么是因为缺判断。前者是历史数据分析不足，后者是业务端的判断没有整合进来。我问案例企业，你们究竟是缺什么？答曰“两者都缺”：（1）虽说有专门的需求计划，但只是简单地将销售的目标分解，收集各个大区、城市的需求数据，汇总后给供应链，基本上没多少数据分析的成分；（2）虽说需求计划归销售部门，但与营销的对接却是形同虚设，促销活动、上新计划、竞品信息等很难有效整合到需求预测中。
我继续问，那在总部设立综合评审，究竟价值何在？具体地说，综合评审能增加数据吗，能增加判断吗？答曰：综合评审中，供应链会看需求历史，来判断需求计划是否靠谱；总部的营销、产品管理等做相应的判断，评判需求计划的合理性。
这就有两个问题：（1）该企业的促销、上新计划等显著改变需求的决策，主要是在大区层面做出，总部的营销其实不熟悉，也就很难做出有效的判断；（2）即便供应链和总部的营销、产品管理等认定需求预测不合理，也已经太晚了，因为需求预测报到总部，留给需求评审的也就一两天时间，根本来不及让大区层面重新做预测——生产线、供应商都在等着用下个月的计划呢，耽误生产的责任谁都担当不起，供应链最后也只能妥协，无非出了问题后拉总部营销、市场一起免责罢了。
所以，总部的综合评审在预测准确度上价值非常有限，反倒在需求预测流程中增加了一环。大区的销售当然清楚这一点，这不，已经在挑战综合评审的价值。而供应链呢，以为评审流程效率低，没有意识到或者不愿意承认，综合评审本身并不是解决方案。
解决方案呢，还是要回到“从数据开始，由判断结束”上：在哪个层面，数据和判断能够最佳对接，如何对接？在案例企业，大区是最佳的对接点：每个大区有计划经理，可以做该区的数据分析，套用合适的预测模型，制定基准预测；每个大区有销售、市场等职能，制订本区的促销方案、上新计划等，预估相应的增量。两者结合，就在大区层面，得到了准确度最高的错误的需求预测。
等各大区的预测整合到一起，在总部做综合评审时，可以根据公司层面的市场计划、业务目标等进一步调整，但这样的调整应该是微小的，如果有的话。对于总部的供应链来说，更重要的是从供应的角度，来确认供应计划能否满足需求计划，而不是再做数据分析，重复需求计划应该做的，来判断预测是否准确。毕竟，要数据，供应链不如需求计划多；要判断，供应链不如营销、市场多。他们何德何能，能够判断预测的合理性，提高预测的准确度呢？
案例企业的供应链还是半信半疑：不让我评审预测的准确度，最后那么多的库存我怎么能负责？答案是你负责不了。要知道，库存多，是因为预测准确度低；预测准确度低，那是因为做预测的时候，信息不对称，跨职能博弈，数据分析与职业判断未能有效对接。预测准确度低，作为需求计划，就面临两种选择：如果保守（虚低），短缺的话销售会找计划算账，因为客户要的货没有，计划得负主责；如果激进（虚高），供应链会因库存过剩招来抱怨，但需求计划可以把责任往大区的销售、市场和客户头上推（谁又能把客户怎么样！）。两害相权取其轻，这就是为什么预测会虚高，供应链上放着一堆又一堆的库存。
对于供应链来说，建立总部的综合评审机制，更多的是减轻自己的压力：你们都是审批过的噢，库存高了，人人有责，所以财务不能每三天来一次，逼着供应链降库存；销售、市场、产品也不能抱怨，说为什么老产品的库存这么多。你看，“从数据开始，由判断结束”的根本问题没解决，预测准确度不高，组织博弈就成了预测中的重头戏，大量的精力都花在免责游戏上了。
这里说的调整，是指采购对预测的准确度或者供应商的交付能力不放心，因而调整预测的数量或时间。比如计划的预测是100个，月底要，采购拔高到120个，让供应商25日就交过来。这样做行吗？答案是不行，如果这个需求预测已经是“从数据开始，由判断结束”，准确度已经是最高了的话。
打个比方。假定需求预测是每周100个，采购担心供应商产能不足，就加码20%，供应商会不会知道？当然会，因为实践是检验真理的唯一标准：供应商按照120个来准备，结果订单只有100个，你不用是个MBA也知道发生了什么。那以后供应商会怎么办？打折。打折的话，采购会不会知道？当然会：我订了100个，你只能供应80个，这不明摆着打八折了嘛。作为反制措施，采购就加更多的码，而供应商就打更多的折；你打更多的折，我就加更多的码。博弈的结果呢，就是导入很多不确定性，而对于不确定性，供应链的自然应对就是加库存、加产能。
采购与供应商这么博弈，计划与采购、销售与计划、客户与销售也是这么博弈，你会发现，供应链上至少有四重博弈。四重博弈的结果呢，就是四个需求预测，而最多只能有一个是正确的，那就注定至少三个预测是错的。错误的结果呢，就是库存过剩或者短缺。更糟糕的是，这种博弈导致需求变动沿着供应链层层放大，形成“牛鞭效应”，如图1-13所示。要知道，“牛鞭效应”是供应链的大敌，导致短缺与过剩轮番出现。人类一思考，上帝就发笑：职能与职能、公司与公司之间的相互博弈，导致的多重预测和牛鞭效应显然属于此列。
图1-13 层层博弈，势必助长“牛鞭效应”
数量上博弈如此，时间上博弈也是如此。比如我们把需求日期提前，但到时候供应商准备好了货，我们却不让交货，除了给供应商带来库存问题外，势必刺激供应商跟我们博弈，让我们的需求日期失去严肃性，系统增加了供应的不确定性，而供应链的自然应对就是增加安全库存，整体库存又上去了。
多重需求预测是个大问题。企业的管理能力越薄弱，多重需求预测的问题越严重。销售与运营计划（S&OP）的一大目标是“同一个计划”，即消除多重预测，驱动从销售到计划再到供应链执行的协同。我们经常说的“供应链协同”，就是围绕“同一个计划”的协同。否则的话，多重预测下，就如销售念的是佛经，计划念的是圣经，采购念的是道德经，大家都念不同的经，怎么能协同呢？
多重预测下，企业就面临可能被“乱棍打死”的困境。要知道，企业做生意就如赌博，而赌博的体现就是需求预测，“从数据开始，由判断结束”，这个凝聚了前后端最佳智慧的数字赢面最大。对于企业来说，你是希望“被一根棍子打死”，还是“死于乱棍”？你的选择当然是不死，但果真要死的话，死在一根棍子下当然要比死于乱棍好，至少你知道是死于哪根棍子之下。多重预测下，很多企业习惯性地处于可能被乱棍打死的境地，总是一笔糊涂账，最后都不知道问题出在哪里。
采购调整预测是件很糟糕的事：更加远离需求源，采购论数据不如计划多，论判断不如销售多，何德何能比计划、销售预测得更准？但是，计划给的预测虚高，供应商已经吃过N次亏了，前年的呆滞库存还没处理掉呢，不调整行吗？是啊，你明知按照计划的指令，往前走会掉到坑里去，而且已经掉进去N次了，那你当然要调整。作为采购，你怎么调整呢？把需求历史调出来，根据过往的需求来打个折，或者加个码。得，这不就是计划应该做的数据分析吗？
这里的根源呢，是在很多企业里，销售“提需求”，而计划职能薄弱，简单汇总起来就给采购和供应链，只起个传声筒的作用。看得出，这需求预测不是“从（计划的）数据出发，由（销售的）判断结束”，而是销售“由判断开始，由判断结束”，习惯性地使预测虚高。因为缺了“从数据开始”，采购调整预测，其实是在弥补计划的不作为。
这儿或许有人会说，我们是严格遵循“从数据开始，由判断结束”的，相信得到了“准确度最高的错误的预测”。但这个预测一到采购的手上，鉴于人之常情，不做点调整就发给供应商的话，好像自己没有价值一样。那好，解决方案就是信息化，比如通过电子商务，把预测通过系统直接发送给供应商，甚至供应商的供应商，避免每个环节的人工调整。这都是在消除信息不对称，减少组织之间的博弈。
供应商要预测，给还是不给？给的话，要承担风险。
不给的话，供应商要么被迫自己做预测，但因为更加远离需求，预测准确度更低；要么不见兔子不撒鹰，最后造成更多的问题，还是会影响到采购方。不愿承担任何风险，崇尚空手套白狼的做法不会长久。
在缺少契约精神、蔑视规则的环境下，怎么办？
如果你足够强大，能改变规则的话，那就改变规则；否则的话，你八成得继续原来的博弈——毕竟，那是既定能力下的理性选择。比如作为供应商，你的胳膊足够粗，而客户端的预测经常虚高，那你可以让客户下订单，由他们自己承担预测的风险；如果你的产品竞争力强，你也可以淘汰那些劣质客户。如果你是采购方，则要尽量约束内部客户和供应商，减少博弈。
预测是跟不确定性打交道。当不确定性很高时，比如新产品、新项目、新客户，预测的准确度低，对口职能往往迟迟给不出预测。给不出预测，并不意味着没有预测，相反，这意味着有N个预测。因为无预不立，每个职能都得基于预测来行事：生产需要预测来准备产能，采购需要预测来跟供应商定价，财务需要预测来做预算。这N个预测注定不同，给跨职能、跨公司的沟通造成诸多问题。
对于管理粗放的企业来说，表面的挑战是没有预测，实质问题则是预测太多——不确定性太大，企业没有预测，每个职能都在自己做预测；有预测而不信任预测，各个职能会制定自己的预测。这都造成多重预测的问题。这就如没有真相的时候，人人都觉得自己掌握的是真相，也正是谣言满天飞，难以形成共识的时候。多重预测，也是最原始的预测模式。解决方案呢，就是“从数据开始，由判断结束”，对接前端的销售和后端的运营，制定准确度最高的错误的预测。