供应链的三道防线：需求预测

供应链要么是预测驱动，要么是订单驱动。举个例子说明一下订单驱动，比如小姑娘在网上买衣服，她得给商家下订单，这是基于她预测未来自己会穿这衣服。不过看看她的衣橱，有多少件衣服买来后就再也没碰过？很简单，小姑娘预测失败了呗。要说区别呢，就是对预测风险的承担，订单是供应链双方力量博弈的结果，由弱势一方承担预测的风险。但往往因为能力更差，没法把预测做得更好，最后造成积压或短缺。

预测驱动也叫推式供应链，订单驱动也叫拉式供应链。实践中，供应链既没有百分之百的退，也没有百分之百的拉，每条供应链都是推拉结合，如下图所示：

先根据需求预测推到一定地步，以获取规模效益，降低成本，提高响应速度；再由客户订单拉动，以满足差异化的需求，并降低风险。从本质上来讲，供应链成本和速度的决定性因素是推拉结合。

按库存生产模式下，推拉结合点设在成品层面，即按照预测来生产成品，客户需求一来就可立即满足；按订单组装模式下，推拉结合点设在半成品层面，按照预测在组件、模块等半成品层面建库存，客户订单一到，就按照客户需求来组装；对于按订单生产、按订单设计，推拉结合点更加后移，设在零部件、原材料层面，先按照预测来准备原材料、零部件，再按照客户订单要求来生产、设计。每个推拉结合点都有库存。凡是建库存，不管是成品、半成品还是原材料，都离不开需求预测。

为什么要预测？答案很简单：供应链的响应能力有限，或者说，在响应成本一定的情况下，供应链的响应速度有限。所以，缩短供应链的响应周期，提高供应链的响应能力，是提高预测准确度、更好地匹配需求与供应的关键。

需求预测是从数据开始，由判断结束：先根据需求历史做个基准预测（数据），然后搜集销售、市场、产品经理、高层管理等的意见（判断），修正预测。所有的预测都是错的，但整合了历史数据和专业判断的预测错的最少。这样就提高了首发命中的概率，也就是说，增加了供应链第一道防线的胜算。总体而言，SKU越多，意味着需求预测、库存计划越依赖历史数据，对信息系统的依赖程度也越高。

需求预测可以分解成两部分：存量和增量。简单地说，存量就是经常性的业务量。比如开了个小饭馆，每天中午大概有50人来吃饭，这就是存量。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，对这个小饭馆来说就是增量。“从数据开始”指的是存量，“由判断结束”指的是增量。

有数据的没判断，有判断的没数据，这就注定需求预测是个跨职能行为。但凡跨职能的任务，如果任由单一职能来完成，得到的注定是次优化的解决方案。企业的挑战就是在需求预测上没有有效跨职能协作，结果要么是计划，要么是销售单一职能做预测。这里的原因并不是难，而是复杂。

对于新产品、新项目的需求预测，人们总是说没数据可参考，言下之意是不得不靠销售、产品经理给个预测。其实，人们习惯性地把“没有准确的数据”等同于“没有数据”：数据远比我们想象的要多，而且我们并不需要多准确的数据才能做预测。“从数据开始”并不意味着你得有多完美的数据，把问题分解的足够细，用一些蛛丝马迹的信息，配以简单的假设，照样可以得到足够好的预测。

对于需求预测来说，数据分析一定要和业务判断相结合，离开了判断，数据往往没有意义，经不住业务推敲，分析的结果自然是误导的。“由判断结束”还有一层含义，就是这数字看上去有没有道理。要知道，直觉告诉你有问题的数据，八成有问题。

计划和销售的视角不同，双方看待问题的层面不同。计划天然地着眼全局。他们在预测产品需求时，考虑的是所有的客户、所有的地区。而销售呢，特别是一线的销售，则习惯于着眼具体的地域、具体的客户。这两个职能的关注点不一样。所以，要求销售做判断，一定要把需求预测分解到适当的层面，针对特定的产品，找到合适的人来做判断。如果判断主要集中在销售大区层面，那就分解到销售大区；如果得依赖地上跑的销售，就得分解到客户，再找到对应的销售。

需求越频繁，客户就越分散，需求的客户集中度就越低，计划就越可能通过需求历史，适当结合产品管理、市场营销等判断来做预测，而不需要项目驱动，依赖一线销售提需求。作为计划职能，要能够标识那些需要销售提供判断的产品，这里就是那些有“大石头”的产品。