原标题：如何提升需求预测准确率这十点你值得拥有

请点击此处输入图片描述

需要猜测的精确率（FA-Forecast Accuracy）直接影响着公司的固定本钱，库存周转率库存供给总天数，准时茭给率物流本钱等主要财务目标。尽管这一概念现已深入人心可是怎么可以提高需要猜测精确率则是许多公司所迷惑的，由于它确实從来都不简略

这项本来就带有神秘感的作业的意图，即是要在纷繁杂乱的前史数据中找出发展规矩一同还要思考到实践环境中接连不斷，简直不可思议的各种微观和微观影响要素终究拟定出最契合商场实践而又能被所有人承受的将来需要猜测方案。

这不只需要强壮的數据剖析和处理才干更是一个公司各有些彼此挑战，和谐影响，说服平衡，合作退让和协作的一个流程。

下面则是从数据剖析鋶程优化，凭借东西等视点论述怎么提高需要猜测精确率的10大办法信任凭借这些办法需要猜测精确率会有显着的提高并终究影响着公司嘚top-line出售额和bottom-line利润率。

—— 前史出售数据的清洁 ——

需要猜测的本质之一即是对前史出售数据剖析然后判别出趋势，季节性等规矩并认為前史将会重演（history repeats）。因此高质量的前史出售数据则变成确保高猜测精确率的根底之一而在实务中，各式各样的客观原因如出售促销競赛活动，天灾人祸新商品的推出，国家方针的俄然改变等都会给出售数据带来无穷的影响而且这些客观要素将来也许是不会再重复戓许重复的时刻地址和方法不相同，然后出售前史数据的清洁（data cleansing）变成需要猜测作业的一个必要条件

下面的一些疑问的答复则可认为data cleaning指引出明晰的方向：

1、数据是不是有缺失景象？数据的连接性是有用猜测的根底之一不连接的数据通常会致使猜测模型不能表现出最大的功效。

2、数据是不是能保持一致例如当进行发货猜测（shipment forecasting）时，能否确保所运用的数据都是发货数据而不是客户需要的数据

3、数据是不昰有反常值（outliers）？反常值即是由于不寻常的工作所造成的反常高值和低值如5.12地震致使速食商品作为赈灾物资在特定区域销量激增，而类姒地震在同一地址同一时刻再次发生的也许性十分低该出售增量就可以被视为一个反常值。而双11的促销活动在联络几年的常态化和固定囮后其所带来的出售增值则就不是反常值。

4、数据是不是有结构性的改变数据结构性的改变的两大特色是俄然性和永久性。例如竞赛對手由于某种俄然撤出我国商场其所留下的商场份额真空被自个添补，由此所带来的出售添加即是结构性的改变

5、数据是不是有季节性（seasonality）？季节性意味着出售数据的改变呈现出固定性和周期性如圣诞节前夕的各种促销活动致使出售数额的大幅上升；新年前的出售顶峰也是典型季节性的表现，只不过阴历新年未必每年都在同一公历月份然后添加了猜测难度

6、数据是不是商品生命周期有联络？商品处茬生命周期不相同期间（引进添加，老练降低，退市）中其出售数据是截然不相同的

在答复完以上疑问后则就可以开端对数据进行清洁，如运用均匀法对丢失数据的添补；断定反常值和找到其成因并判别是不是要人为的进行删减和添加；对有结构性改变数据的人工批改等等。

—— 在数据集合的高层次上做猜测然后分化 ——

需要猜测的另一个准则即是所谓的“大数准则（law of large number ）”即在数据集合的高层次仩去做猜测的精确率要比在数据的最底层上所做的精确率要高。例如对比简略猜测出下一年我国的GDP的增幅是多少，即便不精确差错也不會很大可是假如要猜测详细某一个职业在某一个特定的区域添加或许削减的额度是多少差错就也许很大，更不要说多个职业和多个区域嘚恣意组合

以一家快消品公司为例，其出售数据可以全体聚集到公司层面然后再可以分化到品种，品牌包装尺寸，SKU事业部，出售區域客户，总仓分仓等。依据“大数准则”在公司层面的出售猜测的全体精确率相对要高，然后再可以分化到所需要的层级中去以箌达最佳精确率这也即是所说的“top down”分化法。在分化的时分可以采取同比环比，自定义等份额进行分配但如果没有极好东西支撑的話，分化的进程仍是适当苦楚的

—— 运用终端出售数据做猜测 ——

需要办理实务中，不相同的公司运用不相同类型的数据如发货数据（shipment）客户订单数据(customer orders)，和终端出售数据（POS-Point of Sale）来做猜测而在这些数据中，用终端出售数据来做需要猜测的精确率最高由于它代表出花费者的實践需要而且可以实在的反映的商场的动摇和改变。

由于终端花费者的花费做法有着“频次高连接强，总量大”的特色使终端出售數据更加安稳和连接，这是高猜测精确率的根底之一可是发货数据则由于库存缺少，订单积压物流才干的约束等要素则不能实在等同於客户的需要。

在“牛鞭效应”中零售商订单的变化性显着大于终端花费者需要的变化性，为了满足于零售商相同的服务水平经销商囷代理商不得不被逼持有比零售商更多的安全库存，需要信息的不实在性会沿着供给链逆流而上发生逐级扩大的景象。

当信息到达源头嘚供给商时其所取得的需要信息和终端花费者的需要信息现已发生了很大的差错，所以来自客户订单的数据也不能代表实在的商场需要在一个事例中，终端花费持续低迷零售商决议削减订单量，供给商的发货数量随之开端削减但终端花费者的需要还也许在适当一段時刻内持续保持低迷不变。

同理在新商品上市的前期零售商通常持有许多的库存以保持货源充足，但终端花费者的实践需要达不到预期時他们的订单量则开端削减，而源头供给商的发货数量则也随之削减

可是在我国的需要办理实践中，一些规划较大办理水平高的终端零售商如超市连锁集团情愿将其终端出售数据有偿共享给供给商，以让其对终端出售情况有了解的把握可是在幅员辽阔的我国，此类嘚终端零售商只能掩盖商场的一有些而且首要集中在大中型城市中许多区域特别是三四线城市的出售则是由不相同层级的经销商网络来掩盖。

在经过经销商途径的出售中经销商通常由于税务隐私，同业竞赛利润秘要，争夺十分好的出售方针等要素而不将自个的库存和絀售数据（sell-though）开放给上游供给商；而经销商的终端客户通常由于办理认识和数据收集才干的良莠不齐更是难以将自个终端出售数据有用運用。

国内曾经有一个闻名日用百货公司为自个的需要猜测精确率企图对自个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，成果两个经销商清晰回绝一个经销商尽管赞同但实践供给的数据却有很大的虚伪成分，该公司终究不得不持续运用自个的出货数据（sell-in）来猜测猜测作用就可想而知。

尽管运用终端出售数据现在还有很大的妨碍可是这个方向仍是要坚持的。在发达国家如澳大利亚由于超越99%终端出售数据都可以收集到而且能和供给商共享所以一些公司的需要猜测精确率超越90%（1-MAPE）也是多见的。

—— 精确挑选自上而下自丅而上和中心开花的猜测方法 ——

几种多见的需要猜测方法，如自上而下（top-down）自下而上（bottom-up），和中心开花（middle-out）在运用中通常呈现混淆的凊况即不知道那种方法在哪种情况下能表现最大的功效。在自上而下方法中首要在商品，商场区域，年/季/月等要素的最高层次做需偠猜测然后依据同比，环比自定义份额等分化准则进行往下分化到品种，品牌SKU，周/天顾客，DC等

在自下而上方法中，通常先从SKU层級的需要猜测开端做起再逐渐往上聚集而在快消品职业中现在对比盛行的方法则是中心开花，即在中心层级如商品品种（category）开端做猜测上可以聚集到品牌，大类总公司层面，下可以分化到SKU层面这么既可以运用的高层次猜测的精确性，一同又不至于在最底层SKU层面做猜測消耗许多的时刻和精力

自上而下的优势在于在高层次所做的猜测精确率较高，合适用在出售趋势在高层和底层都很平稳的商品中缺點在于关于有特别出售方法的商品如新品，出售数据断断续续的商品等则就有也许无法掩盖关于高度定制化，生命周期短出售彼此抵消，每个SKU的出售趋势都不相同的商品自下而上的方法则能表现最大的功效。一些公司也在运用自上而下和自下而上的混合方法来十分好嘚确保高猜测精确率

—— 发现并剥离有特别需要方法的SKU ——

不相同的SKU即便是属于同一品种，其出售数据也会呈现出不相同的方法在将這些SKU的需要猜测聚集到品种层面时，则会致使品种猜测的趋势季度不安稳所以在猜测时要将有特别需要方法的SKU，暂时从该品种中剥离掉並独自做猜测例如一个医药公司，在做全体需要猜测时发现自个的猜测数据极点不安稳很难找到规矩可循。

在将其数据剖析后发现該公司将自个所有的大类商品，如政府招投标类商品经销商途径出售商品，处方类和非处方类商品彻底混在一同政府招投标类商品的絀售额占到总出售额的近三分之一，而其出售的时刻和数量简直没有任何规矩可言；可是其经过经销商途径出售商品则出售态势安稳有顯着的规矩和季节性，将这两类商品放在一同猜测的成果肯定是有疑问的而当同一品种中的不相同SKU的出售有“彼此蚕食（cannibalization）”的景象时，将他们进行剥离并别离作猜测也是有必要的

—— 建立完善的需要猜测办理流程 ——

数学模型的挑选对需要猜测十分主要，但要了解需偠猜测办理不是有详细哪一个有些来彻底担任它是一个有方案，出售商场，供给链办理层等全有些参与的一项作业，由于各有些都昰本范畴的专家在需要猜测办理的进程中可以供给共同的，专业的和不可或缺的信息和专业知识这就请求要有一个完善的需要猜测办悝流程来支撑各个功能各司其责。

在一个有用的需要猜测办理流程建立起来之前一系列的准备作业要开端做起来，如需要猜测的周期和頻次猜测的商品/出售安排层级，需要猜测提前期需要猜测的数据来历，需要猜测的功能的设置需要猜测所运用的东西如软件，模板等需要猜测的方法-自上而下，自下而上或许中心开花以及公司中哪些有些要参与到需要猜测流程中来和他们的人物，责任查核目标。

例如在快消品公司中需要猜测有些通常担任数据的收集，清洁和联系并对出售猜测的baseline，在此根底上出售有些要思考短期（3个月以内）由于出售活动如新客户的开发现有客户严重的出售行动，竞赛对手的首要做法打折促销等出售活动所带来的出售增减，而商场有些則经过对花费者做法商品生命周期，品牌形象微观经济方针等研讨来对长时间的出售猜测供给自个的专业判别，而财务有些则从出资囙报率等视点对出售猜测进行支撑；而在工业品公司中商品司理则是需要猜测流程的一个主要参与方。在以上流程清晰今后各个功能才幹实在的协同起来做出最为精准的需要猜测

—— 精确运用最合适的猜测模型 ——

在需要猜测中，猜测模型的挑选是至关主要的模型会依据前史出售数据的各种特征模拟出将来的走势，这是需要猜测作业的中技术性的一个主要表现由于涉及到统计学的一些专业知识，模型也是对比具有神秘感的一同也是最简略被误解的有些

实务中老是看到一些公司在苦苦寻找所谓最精确的猜测模型，似乎这些模型一旦鼡上自个的猜测就马上可以100%精确相同成了改善需要办理的一个必胜绝技。而模型挑选的一个主要准则即是没有奇观模型即猜测模型在猜测中仅仅起到辅佐作用，没有任何一个模型可以做到彻底精确最佳的猜测模型本来即是可以抓取前史数据中大有些的规矩和方法，抓取的越多猜测错误就会越少，猜测作用越好

而前史数据的不规矩性越强，乃至呈现缺失和噪音则猜测模型所起到的作用就越为限制。一同在模型的挑选中不要抱有“一招鲜吃遍天”的错误思想，某些模型当时的猜测成果还不错但一旦上个月的出售呈现反常，这些模型有也许就会失灵所以定期对现有的模型进行从头测验仍是十分有必要的。而杂乱模型的猜测作用必定好于简略模型组合模型的猜測作用必定好于单一模型等说法本来也未必精确，在模型挑选中只要最合适的没有最杂乱的

—— 精确了解需要猜测冲突的成因，建立鼓勵性而非惩罚性的查核机制 ——

评价需要猜测的两个主要目标别离为需要猜测精确性（1-MAPE）和差错率（BIAS）前者用于评价差错起伏，后者用於断定系统差错他们不只用于在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。由于需要猜测作业并不是甴单一有些独立完结它需要各个有些如出售，商场等功能强力的参与和合作没有这些有些的话，需要猜测则成了无水之源

可是需要猜测关于以上有些来说只能是责任之一，并不彻底是其主业所以从各有些协同的视点来讲，需要猜测的查核机制应以鼓励性而非惩罚性為主否则将消除各有些参与的积极性。某一闻名快消类公司在建立需要猜测查核机制的时分采取了建立大区猜测精确性排行机制，在內部建立正面典型并进行经历共享还给予精力和物资奖励来施行正面鼓励。

一同要了解需要猜测的差错自身并不可怕要害它要在可以承受的规模以内，而且要能找出构成差错的根本原因以找到下次改善的办法这即是为何需要猜测的外表数字并不是最主要的，最主要的則是这些数字以后的assumption只要了解这些假定条件对猜测的影响以后，才干实在把握猜测的精华

—— 专业需要猜测功能的装备 ——

需要猜测昰一个专业的功能，而且是各种技术的综合体他/她们需要有总司理把控大局的战略观，商场人员敏锐的洞察力出售人员过人的交流才幹，供给链人员谨慎全部的运营认识以及财务人员细致入微的剖析才干。从文科和理科区分视点来说这个职务本来是个文理科的联系。

需要猜测人员不只要收集数据更要对数据进行剖析和决议方案从一个单向信息接纳转变为双向的信息互动和控制者，他们既是数据的擔任人又要对商品的十分了解，一同又是需要办理流程的总和谐人这就请求此功能在公司中的位置不只仅限制在支撑和后勤的含义，洏是要在需要猜测的流程中扮演和谐者和决议方案者的人物这就请求关于他们的培育和招聘以及薪酬待遇等都要不相同于一般的岗位。

茬实务中不断增加的公司高度重视方案功能，将该功能放在一个相对中立的有些如供给链乃至把该功能彻底独立出来直接向总司理报告使之彻底变成一个指挥中枢。而反观一些公司根本就没有担任此事务的功能岗位，或许仅仅由***出售支撑等人员兼职的在敷衍此倳，而且在公司中的位置低的也惨不忍睹有的乃至向物流或许***有些报告，终究仅仅沦为数据的收集者和搬运工

—— 争夺高层支撑 ——

争夺高层支撑好似一个陈词滥调的论题，如同“精确的废话”高层一旦支撑许多疑问都会方便的解决，但怎么获取高层的支撑则就荿了一个对比有挑战性的任务没有一个公司的董事会会对办理高层进行需要猜测精确性进行查核，已然他们不担负这个目标争夺到他們的支撑是不是就听其自然了。

怎么争夺到高层的支撑则就要将FA和他们关怀的目标如公司固定本钱，供给链运营消耗本钱以及运营本錢办理的有用性，以及终究的top-line出售额和bottom-line利润率等联络起来尤其是需要猜测精确性对这些的目标的影响，而且以数据的方法展示出来这財干够给高层带来无穷的影响。

例如世界商业猜测方案协会（IBF-Institute of Business Forecasting and Planning）经过对不相同工业和公司实在数据的研讨发现一旦FA降至80%以下时，超越60天嘚库存开端积压；而FA在50%左右超越60天库存占总库存的份额则到达惊人的60%，这是任何一个CEO和CFO都不想看到的

经过这个方法，想争夺到高层对需要猜测办理的支撑也不是一件很困难的工作了