近期需求预测基本方法（深度干货提升需求预测准确率的十大利器）

图片来自“视觉中国”

需求预测的准确率（FA-Forecast Accuracy）直接影响着公司的固定资本，库存周转率，库存供应总天数，准时交付率，物流成本等重要财务指标。尽管这一概念已经深入人心，但是如何能够提升需求预测准确率则是很多公司所困惑的，因为它确实从来都不容易。

这项本来就带有神秘感的工作的目的，就是要在纷繁复杂的历史数据中找出发展规律，同时还要考虑到现实环境中纷至沓来，几乎难以想象的各种宏观和微观影响因素，最后制定出最符合市场实际而又能被所有人接受的未来需求预测计划。

这不仅需要强大的数据分析和处理能力，更是一个公司各部门相互挑战，协调，影响，说服，平衡，配合，妥协和协作的一个流程。

下面则是从数据分析，流程优化，借助工具等角度阐述如何提升需求预测准确率的十大方法，相信借助这些方法需求预测准确率会有显著的提升并最终影响着公司的top-line销售额和bottom-line利润率。

—— 历史销售数据的清洗 ——

需求预测的本质之一，便是对历史销售数据分析从而判断出趋势，季节性等规律，并认为历史将会重演（history repeats）。因而高质量的历史销售数据则成为确保高预测准确率的基础之一。而在实务中，各种各样的客观原因如销售促销，竞争活动，天灾人祸，新产品的推出，国家政策的突然变化等都会给销售数据带来巨大的影响，并且这些客观因素将来可能是不会再重复或者重复的时间地点和方式不同，从而销售历史数据的清洗（data cleansing）成为需求预测工作的一个必要条件。

下面的一些问题的回答则可以为data cleaning指引出清晰的方向：

1、数据是否有缺失现象？数据的连贯性是有效预测的基础之一，不连贯的数据往往会导致预测模型不能发挥出最大的功效。

2、数据是否能保持统一？例如当进行发货预测（shipment forecasting）时，能否保证所使用的数据都是发货数据而不是客户需求的数据。

3、数据是否有异常值（outliers）？异常值就是由于不寻常的事件所造成的异常高值和低值，如5.12地震导致速食产品作为赈灾物资在特定区域销量激增，而相似地震在同一地点同一时间再次发生的可能性非常低，该销售增量就可以被视为一个异常值。而双11的促销活动在联系几年的常态化和固定化后，其所带来的销售增值则就不是异常值。

4、数据是否有结构性的变化？数据结构性的变化的两大特点是突然性和永久性。例如竞争对手由于某种突然撤出中国市场，其所留下的市场份额真空被自己填补，由此所带来的销售增长就是结构性的变化。

5、数据是否有季节性（seasonality）？季节性意味着销售数据的变化呈现出固定性和周期性。如圣诞节前夕的种种促销活动导致销售数额的大幅上升；春节前的销售高峰也是典型季节性的表现，只不过农历春节未必每年都在同一公历月份从而增加了预测难度。

6、数据是否产品生命周期有联系？产品处在生命周期不同阶段（引入，增长，成熟，下降，退市）中其销售数据是截然不同的。

在回答完以上问题后则就可以开始对数据进行清洗，如使用平均法对遗失数据的填补；确定异常值和找到其成因，并判断是否要人为的进行删减和增加；对有结构性变化数据的人工修正等等。

—— 在数据聚集的高层次上做预测然后分解 ——

需求预测的另一个原则，就是所谓的“大数原则（law of large number ）”即在数据聚集的高层次上去做预测的准确率要比在数据的最底层上所做的准确率要高。例如，比较容易预测出明年中国的GDP的增幅是多少，即使不准确误差也不会很大，然而假如要预测具体某一个行业在某一个特定的区域增长或者减少的额度是多少偏差就可能很大，更不要说多个行业和多个区域的任意组合。

以一家快消品公司为例，其销售数据可以整体汇集到公司层面，然后再可以分解到种类，品牌，包装尺寸，SKU，事业部，销售区域，客户，总仓，分仓等。根据“大数原则”，在公司层面的销售预测的整体准确率相对要高，然后再可以分解到所需要的层级中去以达到最好准确率，这也就是所说的“top down”分解法。在分解的时候可以采取同比，环比，自定义等比例进行分配，但如果没有很好工具支持的话，分解的过程还是相当痛苦的。

—— 使用终端销售数据做预测 ——

需求管理实务中，不同的公司使用不同类型的数据如发货数据（shipment），客户订单数据(customer orders)，和终端销售数据（POS-Point of Sale）来做预测。而在这些数据中，用终端销售数据来做需求预测的准确率最高因为它代表出消费者的实际需求，并且能够真实的反映的市场的波动和变化。

由于终端消费者的消费行为有着“频次高，连贯强，总量大”的特点，使终端销售数据更加稳定和连贯，这是高预测准确率的基础之一。然而发货数据则由于库存短缺，订单积压，物流能力的限制等因素则不能真实等同于客户的需求。

在“牛鞭效应”中，零售商订单的变动性明显大于终端消费者需求的变动性，为了满足于零售商同样的服务水平，经销商和代理商不得不被迫持有比零售商更多的安全库存，需求信息的不真实性会沿着供应链逆流而上，产生逐级放大的现象。

当信息达到源头的供应商时，其所获得的需求信息和终端消费者的需求信息已经发生了很大的偏差，所以来自客户订单的数据也不能代表真实的市场需求。在一个案例中，终端消费持续低迷，零售商决定减少订单量，供应商的发货数量随之开始减少，但终端消费者的需求还可能在相当一段时间内继续保持低迷不变。

同理在新产品上市的前期，零售商往往持有大量的库存以保持货源充足，但终端消费者的实际需求达不到预期时，他们的订单量则开始减少，而源头供应商的发货数量则也随之减少。

然而在中国的需求管理现实中，一些规模较大管理水平高的终端零售商。如超市连锁集团愿意将其终端销售数据有偿分享给供应商，以让其对终端销售状况有清楚的把握。然而在幅员辽阔的中国，此类的终端零售商只能覆盖市场的一部分并且主要集中在大中型城市中，很多区域特别是三四线城市的销售则是由不同层级的经销商网络来覆盖。

在通过经销商渠道的销售中，经销商往往由于税务隐私，同业竞争，利润机密，争取更好的销售政策等因素而不将自己的库存和销售数据（sell-though）开放给上游供应商；而经销商的终端客户往往由于管理意识和数据搜集能力的参差不齐，更是难以将自己终端销售数据有效利用。

国内曾经有一个知名日用品企业为自己的需求预测准确率，试图对自己的核心经销商的进销存进行管控并找了四个经销商来试点，结果两个经销商明确拒绝，一个经销商虽然同意但实际提供的数据却有很大的虚假成分，该企业最后不得不继续使用自己的出货数据（sell-in）来预测，预测效果就可想而知。

虽然使用终端销售数据目前还有很大的障碍，但是这个方向还是要坚持的。在发达国家如澳大利亚由于超过99%终端销售数据都能够采集到并且能和供应商分享，所以一些公司的需求预测准确率超过90%（1-MAPE）也是常见的。

—— 正确选择自上而下，自下而上和中间开花的预测方式 ——

几种常见的需求预测方式，如自上而下（top-down），自下而上（bottom-up），和中间开花（middle-out）在使用中往往出现混淆的情况，即不知道那种方式在哪种情况下能发挥最大的效用。在自上而下方式中，首先在产品，市场，区域，年/季/月等因素的最高层次做需求预测，然后根据同比，环比，自定义比例等分解原则进行往下分解到种类，品牌，SKU，周/天，顾客，DC等。

在自下而上方式中，往往先从SKU层级的需求预测开始做起再逐步往上汇集。而在快消品行业中目前比较流行的方式则是中间开花，即在中间层级如产品种类（category）开始做预测，上可以汇集到品牌，大类，总公司层面，下可以分解到SKU层面，这样既可以利用的高层次预测的准确性，同时又不至于在最底层SKU层面做预测耗费大量的时间和精力。

自上而下的优势在于在高层次所做的预测准确率较高，适合用在销售趋势在高层和底层都很平稳的产品中，缺陷在于对于有特殊销售模式的产品如新品，销售数据断断续续的产品等则就有可能无法覆盖。对于高度定制化，生命周期短，销售相互抵消，每个SKU的销售趋势都不一样的产品，自下而上的方式则能发挥最大的效用。一些公司也在使用自上而下和自下而上的混合方式来更好的确保高预测准确率。

—— 发现并剥离有特殊需求模式的SKU ——

不同的SKU即使是属于同一种类，其销售数据也会呈现出不同的模式。在将这些SKU的需求预测汇集到种类层面时，则会导致种类预测的趋势季度不稳定，所以在预测时要将有特殊需求模式的SKU，暂时从该种类中剥离掉并单独做预测。例如一个医药公司，在做整体需求预测时发现自己的预测数据极端不稳定，很难找到规律可循。

在将其数据分析后发现，该公司将自己所有的大类产品，如政府招投标类产品，经销商渠道销售产品，处方类和非处方类产品完全混在一起。政府招投标类产品的销售额占到总销售额的近三分之一，而其销售的时间和数量几乎没有任何规律可言；但是其通过经销商渠道销售产品则销售态势稳定，有明显的规律和季节性，将这两类产品放在一起预测的结果肯定是有问题的。而当同一种类中的不同SKU的销售有“相互蚕食（cannibalization）”的现象时，将他们进行剥离并分别作预测也是有必要的。

—— 建立完善的需求预测管理流程 ——

数学模型的选择对需求预测非常重要，但要明白需求预测管理不是有具体哪一个部门来完全负责，它是一个有计划，销售，市场，供应链，管理层等全部门参与的一项工作，因为各部门都是本领域的专家，在需求预测管理的过程中能够提供独特的，专业的和不可或缺的信息和专业知识，这就要求要有一个完善的需求预测管理流程来支持各个职能各司其责。

在一个有效的需求预测管理流程建立起来之前，一系列的准备工作要开始做起来，如需求预测的周期和频次，预测的产品/销售组织层级，需求预测提前期，需求预测的数据来源，需求预测的职能的设置，需求预测所使用的工具如软件，模板等，需求预测的方式-自上而下，自下而上或者中间开花，以及企业中哪些部门要参与到需求预测流程中来和他们的角色，职责，考核指标。

例如，在快消品企业中需求预测部门一般负责数据的搜集，清洗和整合，并对销售预测的baseline，在此基础上销售部门要考虑短期（3个月之内）由于销售活动如新客户的开发，现有客户重大的销售行动，竞争对手的主要行为，打折促销等销售活动所带来的销售增减，而市场部门则通过对消费者行为，产品生命周期，品牌形象，宏观经济政策等研究来对长期的销售预测提供自己的专业判断，而财务部门则从投资回报率等角度对销售预测进行支持；而在工业品企业中，产品经理则是需求预测流程的一个重要参与方。在以上流程明确以后各个职能才能真正的协同起来做出最为精准的需求预测。

—— 正确使用最适合的预测模型 ——

在需求预测中，预测模型的选择是至关重要的，模型会根据历史销售数据的各种特征模拟出未来的走势，这是需求预测工作的中技术性的一个重要体现，因为涉及到统计学的一些专业知识，模型也是比较具有神秘感的同时也是最容易被误解的部分。

实务中总是看到一些公司在苦苦追寻所谓最精确的预测模型，仿佛这些模型一旦用上自己的预测就立刻能够100%准确一样，成了改善需求管理的一个必胜绝技。而模型选择的一个重要原则就是没有奇迹模型，即预测模型在预测中仅仅起到辅助作用，没有任何一个模型能够做到完全正确，最好的预测模型其实就是能够抓取历史数据中大部分的规则和模式，抓取的越多，预测错误就会越少，预测效果越好。

而历史数据的不规则性越强，甚至出现缺失和噪音，则预测模型所起到的作用就越为局限。同时在模型的选择中，不要抱有“一招鲜吃遍天”的错误思想，某些模型当前的预测结果还不错，但一旦上个月的销售出现异常，这些模型有可能就会失灵，所以定期对现有的模型进行重新测试还是非常有必要的。而复杂模型的预测效果一定好于简单模型，组合模型的预测效果一定好于单一模型等说法其实也未必正确，在模型选择中只有最适合的没有最复杂的。

—— 正确理解需求预测冲突的成因，建立激励性而非惩罚性的考核机制 ——

评估需求预测的两个重要指标分别为需求预测准确性（1-MAPE）和偏差率（BIAS），前者用于评估误差幅度，后者用于确定系统误差。他们不仅用于在SKU层次衡量，还要在其他层次上如品牌，品类，事业部，总公司等层面来衡量。因为需求预测工作并不是由单一部门独立完成，它需要各个部门如销售，市场等职能强力的参与和配合，没有这些部门的话，需求预测则成了无水之源。

然而需求预测对于以上部门来说只能是职责之一，并不完全是其主业，所以从各部门协同的角度来讲，需求预测的考核机制应以激励性而非惩罚性为主，否则将打消各部门参加的积极性。某一知名快消类企业在建立需求预测考核机制的时候，采取了建立大区预测准确性排名机制，在内部树立正面典型并进行经验分享，还给予精神和物资奖励来实施正面激励。

同时要清楚需求预测的偏差本身并不可怕，关键它要在可以接受的范围之内，而且要能找出形成偏差的根本原因以找到下次改进的办法，这就是为什么需求预测的表面数字并不是最重要的，最重要的则是这些数字之后的assumption，只有理解这些假设条件对预测的影响之后，才能真正掌握预测的精髓。

—— 专业需求预测职能的配备 ——

需求预测是一个专业的职能，而且是各种技能的综合体。他/她们需要有总经理把控全局的战略观，市场人员敏锐的洞察力，销售人员过人的沟通能力，供应链人员谨慎全面的运营意识，以及财务人员细致入微的分析能力。从文科和理科划分角度来说，这个职务其实是个文理科的结合。

需求预测人员不仅要搜集数据更要对数据进行分析和决策，从一个单向信息接收转变为双向的信息互动和控制者，他们既是数据的负责人，又要对产品的非常熟悉，同时又是需求管理流程的总协调人，这就要求此职能在企业中的地位不仅仅局限在支持和后勤的意义，而是要在需求预测的流程中扮演协调者和决策者的角色，这就要求对于他们的培养和招聘以及薪酬待遇等都要不同于普通的岗位。

在实务中，越来越多的企业高度重视计划职能，将该职能放在一个相对中立的部门如供应链，甚至把该职能完全独立出来直接向总经理汇报使之完全成为一个指挥中枢。而反观一些企业，根本就没有负责此业务的职能岗位，或者只是由客服，销售支持等人员兼职的在应付此事，并且在企业中的地位低的也惨不忍睹，有的甚至向物流或者客服部门汇报，最终只是沦为数据的搜集者和搬运工。

—— 争取高层支持 ——

争取高层支持好似一个老生常谈的话题，如同“正确的废话”。高层一旦支持很多问题都会迎刃而解，但如何获取高层的支持则就成了一个比较有挑战性的任务。没有一个公司的董事会会对管理高层进行需求预测准确性进行考核，既然他们不肩负这个指标，争取到他们的支持是否就听天由命了。

如何争取到高层的支持，则就要将FA和他们关心的指标如公司固定资本，供应链运营消耗成本，以及运营资本管理的有效性，以及最终的top-line销售额和bottom-line利润率等联系起来，尤其是需求预测准确性对这些的指标的影响，并且以数据的形式展示出来，这才能够给高层带来巨大的影响。

例如，国际商业预测计划协会（IBF-Institute of Business Forecasting and Planning）通过对不同产业和公司真实数据的研究发现一旦FA降至80%以下时，超过60天的库存开始积压；而FA在50%左右，超过60天库存占总库存的比例则达到惊人的60%，这是任何一个CEO和CFO都不想看到的。

通过这个方式，想争取到高层对需求预测管理的支持也不是一件很困难的事情了。

高峻峻：上海大学需求链研究院院长，供应链管理博士、教授；专业领域横跨商品管理、供应链管理、信息技术、算法应用和运筹学等学科。

本文系投稿稿件，作者：高峻峻；转载请注明作者姓名和“来源：亿欧”；文章内容系作者个人观点，不代表亿欧对观点赞同或支持。

0

0

,