供应链的三道防线：需求预测、库存计划、供应链执行
刘宝红 赵玲 著；ISBN：978-7-111-59514-4
目录
引言：供应链的三道防线 1
第一篇 供应链的第一道防线：你没法回避的需求预测 5
【小贴士1】推拉结合也离不开预测 6
【小贴士2】要预测，是因为供应链响应能力或者响应速度有限 7
【小贴士3】没有预测，意味着有多个预测 7
【小贴士4】存量来自数据，增量来自判断 8
【小贴士5】数据远比我们想象的要多 10
【小贴士6】光有数据，没有判断会怎么样 10
寻找和管理“大石头”（一）：聚焦影响深远的“大石头”，好钢用在刀刃上 11
寻找和管理“大石头”（二）：所有的预测都是错的。我们要做的是尽早发现，尽快纠错 12
寻找和管理“大石头”（三）：他没说，罪在不赦；你没问，同样该挨板子。 14
【小贴士7】聚焦重点客户的重点变化 15
【小贴士8】让听到炮声的人做计划是个误区 16
【小贴士9】为什么没法建立独立的计划职能 17
【小贴士10】分析能力是可以评估的 22
【小贴士11】如何提高需求计划人员的影响力 22
【小贴士12】计划与执行的二度分离 22
【小贴士13】需求预测汇报给销售vs.一线销售提需求（做预测）并不是一回事 23
【小贴士14】自来水模式的预测机制 23
【小贴士15】SKU和SKU泛滥 25
【小贴士16】一线销售做预测vs.主教练兼任总经理 25
【小贴士17】如何应对向渠道压货行为 27
【小贴士18】销售目标10万，年中调为8万，现在能做6万，怎么办 28
【小贴士19】即便考核，也没法让一线销售“做准”需求预测 28
【小贴士20】要不要考核预测准确度 29
【小贴士21】销售老总要对需求预测的最终结果负责 30
【小贴士22】按哪个预测评估准确度，非限制性预测还是限制性预测 30
【专题一】长周期物料的预测：需求预测的一大难点 31
【专题二】计划体系改进：你不能忽视现状的合理性 33
【专题三】改善计划以改善供应链：一个本土企业的变革之路 34
第二篇 供应链的第二道防线：库存计划 35
【小贴士1】你是怎么设定库存水位的 35
【小贴士2】第一步：当需求陡变时，如何量化需求的不确定性 35
【小贴士3】第二步：供应周期如何确定 37
【小贴士4】第三步：量化服务水平（有货率），不缺货的代价是？ 38
【小贴士5】服务水平不能是一笔糊涂账 39
【小贴士6】承诺的是服务水平，还是库存水平 39
【小贴士7】适当拔高预测，并不能替代安全库存。 40
【小贴士8】再订货点法的几个变种 40
【小贴士9】设再订货点，还是安全库存+预测 42
【专题一】VMI是好东西，对供应商也是 44
【小贴士10】VMI和寄售没关系 44
【小贴士11】VMI的库存水位如何设置 46
【小贴士12】VMI是对供应链三道防线的终极挑战 47
【专题二】“长尾”产品：库存计划的终极挑战 47
【小贴士13】库存的边际周转率 52
【小贴士14】优化能力来优化库存 52
【小贴士15】所有的短缺，最后总是以过剩收尾 54
【小贴士16】聚焦成本vs.聚焦库存 56
第三篇 供应链的第三道防线：供应链执行 57
【小贴士1】虽然抱怨，但其实最喜欢的还是催货 57
【小贴士2】为什么MRP跑不起来 61
【小贴士3】采购自动化带来的更快、更多、更便宜 66
引言：供应链的三道防线
1. 供应链是企业的三大战略职能之一，对企业的经营利润率和资本周转率的影响重大。
1) 企业有三大支柱职能：研发（产品管理）设计个好产品，营销（需求管理）卖个好价钱，供应链（供应管理）以合适的成本和速度生产出来、配送出去。对于非制造企业来说，比如零售、电商和贸易，自己一般没有研发功能，就变成选择个好产品。
2) 供应链的三大执行职能，是采购把东西买进来、生产来增值、物流来配送。供应链管理是计划加三大执行职能。
SKU，stock keeping unit“存货单元”，是我们识别产品所必需的，也是商场进出存的最小单元。
计划是供应链的引擎。各个供应链职能都按照计划的指令行事：计划告诉采购买什么、买多少，告诉生产生产什么、生产多少，告诉配送配送什么、配送多少。
供应链的成本做不低，交付做不快，库存水平居高不下，库存周转太慢。这些问题，表面上看是供应链的执行不到位；但仔细探究，根源却都离不开计划，比如需求预测变动频繁，紧急需求频发，没有足够的响应时间等。改善计划以改善执行。
与企业的计划部门对接，发现很多共性的组织、流程和系统问题。导致的结果就是，供应链的成本越来越高，库存越来越多，但客户服务水平越来越低；企业的生意越做越多，钱却越赚越少；或者说账面上赚了，却都赚到库存里去了。
比如虽然规模很大了，很多企业却没有独立的需求计划职能，需求计划由销售、生产计划甚至老总兼任；
库存计划拍脑袋，库存水位一刀切，统一设成一定天数的用量，一边是短缺，一边是过剩；
信息系统落后，BOM、库存和主数据准确度太低，物料需求计划MRP没法跑，员工大量的时间花在做本来该由信息系统做的事情上。
2. 做好计划，以及计划与执行的联动，要从供应链的三道防线入手：需求预测、库存计划和供应链执行。
1) 三道防线的逻辑
所有的预测都是错的，但错多错少可不一样。有效对接销售和供应链，制定“准确度最高的错误的预测”，提高首发命准率，这就是需求预测，也是供应链的第一道防线的核心任务，希望能把80%左右的洪水拦住，拦不住的就溢出来，进入第三道堤坝。
预测不准怎么办？那就得靠第二道防线：建立安全库存，以应对需求和供应的不确定性。如何科学合理地设置库存水位，兼顾客户服务水平和库存周转率，是库存计划需要解决的核心问题，希望把10%～20%的洪水拦住，拦不住的就溢出来，进入第三道堤坝。
安全库存不意味着绝对“安全”，而是一定波动范围内的“安全”。当安全库存被突破时，就需要执行来弥补。这就是供应链的第三道防线。比如，赶工加急，压缩响应周期；整合供应商，集中采购额，驱动供应商更快响应等。用来对付那5%～10%的洪水。这是良性的三道防线。
2) 供应链的首要任务是建好前两道堤坝，洪水溢出可以，但不能冲垮，尤其是第一道堤坝被冲垮的话，后面两道注定会垮掉，导致所有的“石头”都落到执行者的头上，供应链就不可避免地陷入救火模式。而计划呢，就不得不花费大量的精力来管理供应，比如催货加急，导致花在需求预测、库存计划上的时间更少；计划上的资源投入不足，导致需求预测和库存计划做得更差，给后续的执行带来更多问题。这就陷入恶性循环。
3. 一提到成本，人们就习惯性地想到采购成本发挥巨大的作用，这没错，因为对于一般的企业，产品成本的70%左右是给供应商的。但是，人们习惯性地忽视了运营成本和库存成本，因为两者主要是隐形成本。供应链的三道防线直接影响的就是这两类成本。
1) 库存成本包括资金成本（银行的贷款利率）、仓储成本、库存折损（比如过期、产品的更新换代），保险等。对于一般企业来说，年度的库存成本一般在产品成本的20%到30%之间。
2) 运营成本，公司管理成本，员工工资，额外发生的“救火”费用等等。
4. 计划的本质是三分技术、七分管理。我们的一大误区就是过于强调计划的技术特性，而忽视其管理本质，这也是导致供应链计划做不好的一个根本原因。时时刻刻，这本书都是从管理的角度入手，在管理层面阐述需求预测、库存计划和供应链执行的解决方案。
1) 太阳底下无新事，我们每天都在重复老问题。企业如果把老问题解决了，一半的人就不用上班了。老问题之所以得不到解决，根本原因是我们的方法论有问题：我们总是一遍又一遍地用老办法，试图得到新结果。
2) 《供应链管理：高成本、高库存、重资产的解决方案》（蓝皮书）是从公司层面出发，阐述三管齐下改善供应链绩效，那就是①前端防杂，降低产品的复杂度，提高规模效益来降低供应链成本；②后端减重，就是通过市场手段，而不是竖向集成来获取资源，走轻资产之路，提高投资回报率，这要求选好、管好供应商；③中间治乱，就是通过改进供应链的计划，理顺需求以理顺供应。
3) 这本书是蓝皮书的延伸，聚焦“中间治乱”的问题，更系统、更全面地阐述供应链计划，兼顾供应链执行，以降低运营成本，提高库存周转，同时改善按时交货率。
5. 需求预测：供应链的第一道防线
1) 基本的方法论：“从数据开始，由判断结束”。在历史数据分析的基础上，计划做出基准预测；根据营销等的反馈（判断），做出适当调整，成为最终的需求预测。
在这个流程里，计划有数据，因为他们熟悉信息系统，精于分析信息系统里已有的需求历史数据；营销有判断，因为他们整天跟客户、市场打交道，对未来没发生的事有一定的判断。两者结合，已知的数据加上对未知的判断，造就了准确度最高的错误的预测——虽然所有的预测都是错误的，但这个结合供应链前后端智慧的预测错得最少。
特别注明
“计划”并不一定是“计划部门”，而是专职做需求计划的人。他们可能是计划部门，也可能是销售、市场、产品等部门下专职负责需求计划的人。
“营销”也不单指销售和市场，而是包括所有熟悉客户、市场的人，也包括产品管理、高层管理、客户服务等贴近需求的人。
在有些企业里，有数据的职能往往没有判断，有判断的职能往往没有数据。这就是为什么需要跨职能协作，对接判断与数据，做出质量最高的决策来。而次优化的决策，往往由于要么缺乏数据，要么缺乏判断，把本来需要跨职能协作的决策，由单一职能完成。
2) 误区1：销售提需求，计划做判断
很多企业习惯性地低估业务的可重复性。其实是把所有的产品、所有的业务都当作例外来处理，完全依赖销售来预测，是计划没能力或者不作为的体现。
销售是没有数据的，他们的任务是跟人打交道，不是跟数字打交道，做预测就是拍脑袋为主。当不确定性非常高、业务的重复性很低时，企业不得不主要依赖判断来做预测，于是销售提需求就成了理性选择。
预测颗粒度，是预测对象的范围大小，颗粒度大的预测更容易。如预测全国的需求一般要比预测一个城市要容易；预测产品线的需求一般要比预测具体的型号更准确。
大企业中，销售动辄有几十、几百人，每一个人最多也就知道几十、几百分之一的需求历史。而且销售人员的流动性往往很高，知识和经验的传承也值得怀疑。人们习惯性地高估一线销售的经验，在预测颗粒度那么小的地方做预测，预测准确度自然不会高。
销售是最糟糕的预测者，却是最佳的调整者，你可以依赖他们的判断来优化预测，而不是由他们来做预测。
计划缺失一线市场信息，相比销售，计划更加远离需求，怎么能做好判断呢？没数据的提供数据，没判断的做判断，就如“盲人骑瞎马，夜半临深池”，需求预测自然一团糟。
更多的情况是，需求的可预见性很高，没有人知道得比需求历史数据更多。虽然新老产品会有不同，但都是同一类产品，还是有一定的可比性。即使完全靠项目驱动的行业，比如建筑业，至少在钢筋、混凝土等原材料层面，还是有相当的重复性，因而有相当的可预见性。
3) 误区2：胡子眉毛一把抓，无法突出重点做判断
需求预测是三分技术、七分管理：企业最大的挑战不是选择什么样的预测模型，而是建立销售与运营对接的流程，有数据的出数据（计划），有判断的出判断（销售），把公司前后端最佳的智慧凝聚到一起，做出准确度最高的判断，尽量提高首发命中的概率。
计划需要提炼出真正需要销售判断的产品来，如在“沙子”里挑“大石头”。
“沙子”，大多数产品相对均匀地分散到多个客户，每个客户所占的比例都很小，他们的需求变化一般会相互抵消；所以根本用不着具体的销售做判断。计划只需要根据需求历史，加上对业务增长的整体判断，就可以做出准确度相当高的预测。这里的整体判断或许需要销售的管理层协助，但不需要一个个具体的销售来参与。
“大石头”，真正需要一线销售反馈的，是那些需求集中在有限客户的产品，这些特定的客户所占比例相当高，其需求一旦变化，会对产品层面的预测带来很大影响。计划需要分析需求历史，识别这样的产品和客户，让相应的销售做判断，销售才能有的放矢。
找到“大石头”的过程也是数据分析的过程，是计划职能的一大任务。找不到“大石头”，销售没法有针对性地提供判断，看上去是销售不作为问题，其实更多的是计划的数据分析不到位。
当企业到了一定规模，就面临一个有趣的问题：有判断的职能没有数据，有数据的职能没有判断。这注定了需求预测是个跨职能行为。需求预测要么是计划独立完成，要么是完全由销售“提出”。这是预测准确度低的根本原因，也是个典型的管理问题。
6. 库存计划：供应链的第二道防线
1) 预测注定是错的。这错的部分，靠第二道防线——库存计划来应对（安全库存、安全产能）。
安全库存生来就是为应对不确定性。安全产能的说法不常见：工厂在设计产能时，正常的产能利用率一般为80%上下，剩下的20%就是安全产能。安全产能其实也是安全库存，只不过是固定资产的安全库存，比库存更难对付罢了。
安全库存取决于需求和供应的不确定性，以及有货率目标（服务水平），有成套的统计模型和数学公式来计算。
2) 误区1：库存水位一刀切，短缺与过剩并存
凡是有库存的地方，十有八九有安全库存。一刀切的好处，便于跨职能沟通。但问题是，对于不同产品来说，需求的不确定性、供应的不确定性、有货率的要求都可能不同，所以一刀切的结果，就是有些产品短缺，有些产品过剩。过剩与短缺并存，是这些企业的普遍挑战。
就方法论而言，安全库存也得遵循“从数据开始，由判断结束”的决策模式。也就是说，先分析历史需求、历史供应的模式和不确定性，套用数理统计的公式，计算出理论上的安全库存；然后，根据实际情况来调整。比如要导入新产品了，那就适当调低老产品的安全库存；销售旺季来了，需求会更旺盛，那就适当调高安全库存。
在供应链领域，库存计划可以说是最具技术含量的分支，它需要数理统计的思维，一般的计划人员是经验主义者，库存计划就如赌博。
赌徒们拍脑袋，从判断开始，由判断结束（多像一线销售做需求预测啊）；赌场更重视数据分析，根据数理统计判断多大的概率赌徒会赢，多大的概率赌场会赢。就靠这，赌场赚得盆满钵满，而赌徒则往往把衬衣都输掉了。
从某种意义上讲，企业都是开赌场的。企业那么大，产品那么多，数据那么多，对付这样的大样本，没有人能斗得过数理统计：你可以在一个特定的料号上比数理统计准，但千百甚至上万个产品下来，没有人能比数理统计和数据分析的赢面更广。也就是说，光凭判断，我们在库存计划上可以赢得一个个战斗，但赢不了战争。
看到“赌场”方式在计划一些特定产品时效果差，就全盘否定数理统计和数据分析。殊不知，他们基于经验的一刀切，最后却制造了更多的问题。
3) 误区2：服务水平没有清晰的定义
服务水平就是客户给我们订单，我们何时能够给客户发货，比如75%当天、90%三天内、100%一周内发货等。对企业来说，服务水平是一个最基本，也可以说是最重要的业务指标，因为它直接决定了供应链的速度、成本和库存水平。
有货率是服务水平的一种，就是订单来了，多大概率下我们已经有货。有货率越高，安全库存就越高；反之亦然。是个公司，不管大小，总有详细的发货记录，因为得靠这来向客户收钱。数据拉出来，稍加分析，服务水平就有个八九不离十。
管理粗放的企业就如同文盲，只会干活儿，没能力算账，凭着本能生存；要么是有基本的定义，但实际水平跟意想中的目标相差甚远，而老总却一点概念也没有。这跟众多的企业重经验、轻数据不无关系。当企业成长到几亿元、十几亿元的规模后，谁的经验也没法应对那么复杂的业务。这时候，管理方式上就得改变，从经验驱动变为数据驱动。
库存计划的本质是数据驱动，但实际上成了经验主义的试验田，计划习惯性地把矛头指向销售、客户。安全库存的设置就是例子——加强数据分析，计划就能做得更好，减轻短缺和过剩的问题。
7. 供应链执行：供应链的第三道防线
1) 所有的计划都是错的，需要执行来弥补。这就是供应链的第三道防线。对于本土企业来说，规模能做大的，执行能力都不会差；看上去差，根本原因是计划太差，需求预测和库存计划两道防线习惯性地失守，严重影响到执行部门。
2) 执行力强，并不是说执行就做得不错，因为是以高昂的运营成本为代价：
①信息化程度低，员工深陷琐碎杂务；信息化，旨在通过自动化解放员工，以便把更多资源投入到高附加值的活动中，比如需求预测和库存计划。
②供应商的选择和管理不到位，没法有效驱动供应商快速响应；需求预测是供应链的原始驱动力，而供应商在做供应链上的绝大多数活动，是否给供应商分享需求预测，以及如何分享。这不但包括一级供应商，还包括关键的二级、三级供应商（统称下级供应商）。要知道，供应链协同的基础是同一组数字（需求预测），如果没法把需求预测准确，可靠地传递给供应商、下级供应商，供应链协同就无从谈起。
③催货流程不清晰，资源重复浪费严重。跟计划的先天不足交织在一起，执行问题让供应链的绩效问题更加复杂化。
8. 表面上，企业的麻烦是这些难以有效应对的“例外”造成的；但实际上，更多的是来自那些本来可以有效应对的“例内”。
1) 例外，比如新产品、长尾需求——常规的做法不能有效应对这些。不可否认，这些例外给我们带来很大的挑战。企业围绕“例外”问题设计了解决方案，而这解决方案却往往不能有效应对“例内”问题。这是企业在管理方法上一刀切，差异化不足，或者说缺乏灵活性，用同样的方式来应对所有的问题，在管理粗放的企业很有普遍性。
新产品没有需求历史，所以我们不得不依赖销售“提需求”。但是，对于那些需求比较稳定的产品来说（“例内”），销售“提需求”却造成更多的问题，比如预测习惯性地虚高，以及由此而来的大量风险库存。（超出周转库存、安全库存的部分。）
需求计划上，对于需求稳定，特别是多个客户通用的产品，销售的预测准确度更低，显著不如计划用简单的统计模型，单纯凭借需求历史做预测来得准。
供应链执行上，比如战略供应商胳膊粗，拳头大，我们没法有效驱动也就罢了（例外），而一般的供应商没能力，也没脾气，本来应该很好驱动，但因为我们导入太多的竞争，导致采购额分散，把自己做成了小客户，反倒不把我们当回事。
2) 一方面，不能因为“例外”没有很好的解决方案，就丧失信心，对“例内”问题也投降了；另一方面，也不能广义化“例外”问题的解决方案，一刀切地对付“例内”问题，反倒妨碍了“例内”问题的解决。
3) 做我们能够做的——只要把这些“例内”问题解决好，我们就比以前做得好，我们就比我们的竞争对手做得好，这就是竞争优势。
第一篇 供应链的第一道防线：你没法回避的需求预测
【小贴士1】推拉结合也离不开预测
1. 从供应链的全局观而言，预测和订单是一回事：一个人的订单注定是另一个人的预测。区别在于，就是对预测风险的承担。
1) 订单也会改变，数量、日期、配置都有可能改变，甚至会取消。订单是供应链双方力量博弈的结果，由弱势一方来承担预测的风险。比如在快消品行业，有的企业习惯性地向渠道压货，迫使渠道商、门店提前几周、几个月下订单。渠道、门店不可能提前那么久拿到消费者的订单，就只能做预测；但因为预测颗粒度远比制造商小，渠道的预测准确度也更低。品牌商已经拿到钱了，好像这些问题跟他们无关，但渠道库存积压，占用了渠道自己有限的资金，同时也造成库存的新鲜度不够，或者“跳楼”大甩卖，，品牌商辛辛苦苦建立的品牌也就毁了。
2) 当供需双方的力量比较均衡的时候，预测的风险就由双方分担。这表现在虽然客户会下订单，但要求的交期短于供应链的正常交期。比如正常交期是7个星期，客户只给我们4个星期，那剩下的3个星期呢，就只能靠预测来补齐。这意味着在原材料或半成品层面，特别是长周期的物料，我们得建立预测，提前驱动供应链来准备。在那些“订单驱动”的行业，长周期物料的预测历来是个大挑战，需求预测仍然是没法回避的话题。
2. 预测驱动也叫推式供应链，订单驱动也叫拉式供应链。
1) 拉式供应链成本更高，一方面是因为客户要1个就得生产1个，要100个就得生产100个，生产的规模效益难以实现；另一方面是因为响应周期太长，没法有效满足客户需求，就得通过催货加急来弥补，增加了运营成本。拉式供应链的库存也不低，因为响应周期长，在制和在途库存就高。要说低，只是库存的风险相对较低，因为有客户订单。拉式供应链的库存并不一定低，推式供应链的库存也并不一定高。即使是丰田离所谓的“零库存”还有十万八千里。
2) 推式供应链呢，因为库存风险较大，经常被视作落后、低效的代名词，特别是在产品更新换代快，需求差异化大的今天。其实，推式供应链有规模效益，因为根据需求预测，可以批量生产，批量运输，降低生产和物流成本；忙的时候少生产，闲的时候多生产，提高产能利用率。所以，在库存风险可控时，推式供应链是个好东西：能推的就不用拉。
3) 实践中，供应链既没有百分之百的推，也没有百分之百的拉，从本质上讲，供应链成本和速度的根本决定性因素是推拉结合：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，并降低库存风险。
4) 不管哪种供应链方式，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。需求预测是供应链的第一推动力。
3. 根据推拉结合点的位置，我们把供应链细分为四类：
1) 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。
2) 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。
3) 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。
【小贴士2】要预测，是因为供应链响应能力或者响应速度有限
1. 响应周期越长，响应能力越有限，对需求预测的依赖就越高，这也意味着需求预测要做得越早；而需求预测越早，准确度就越低。这就陷入了死循环。
2. 缩短供应链的响应周期，是提高预测准确度、更好匹配需求与供应的关键。
3. 不过在大多情况下，供应链的响应能力是既定的，发到我们手里的就是副烂牌，那我们也不能一味地怨天尤人，而是要做我们能够控制的，把这副烂牌打好。
【小贴士3】没有预测，意味着有多个预测
1. 对于管理者来说，表面的挑战是没有预测，实质问题则是预测太多。公司与公司、职能与职能之间关系不顺、互信度低、流程不通畅，是滋生多个预测的土壤。各个职能会制定自己的预测，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。
2. 同一个数字是供应链协同的关键，而多重预测是供应链协同的大敌。最终的需求只有一个，这意味着，在这N个预测中，至少有N-1个是错的；而错的结果呢，就是库存。
3. 解决方案，就是对接公司前端的销售和后端的供应链，制定准确度最高的错误的预测，然后让大家都死在同一个数字上。做生意就如赌博，而赌博的体现就是需求预测，这个汇集了前后端最佳智慧的数字赢面最大。需求预测是“从数据开始，由判断结束”。
1) 需求预测的方法论，先根据需求历史做个基准预测（数据），然后跨职能搜集销售、市场、产品管理、高层管理等的意见（判断），修正预测。
2) 这里的基本假定是业务的重复性。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。有些发生过的可能不会再发生，有些没发生过的可能会发生。对于这些还没发生的，经常接触客户或者市场需求，高层管理，工程师的这些职能的判断，在市场促销、新产品、新项目等方面尤为重要。
3) 在整个生命周期里，计划在大部分时间处于主导地位
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。越是在产品生命周期的两头，判断的成分越多；越是在成熟稳定时期，数据的成分越多。
客户或地域越集中，判断的成分越多（单一客户或地域的变动对整体影响明显）；客户或地域越分散，数据在决策中的角色就越重（多个客户、地域的变动容易互相抵消）。
不同的行业，数据分析和职业判断的比重可能不一样。
比如在快消品、家电、手机等行业，产品生命周期短，市场竞争异常充分，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，每周甚至每天调整计划，这也意味着前端职能的判断比例很高。
在工业产品行业，特别是MRO（maintenance维护、repair维修、operation运行。通常是指在实际的生产过程不直接构成产品，只用于维护、维修、运行设备的物料和服务。）领域，批量小，品种多，料号动辄以十万计，每个计划员需要管理的SKU（存货单元）非常多，但只有很少的SKU需要借助市场、销售等的判断，绝大多数的SKU可以通过需求历史、装机量等数据来计划，而且库存水位一经设定，往往数月甚至数年可以不变。
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，对高级计划系统（APS）的需求就更强烈，对ERP的自动化功能，比如自动生成订单、驱动供应链补货，也就要求更高。
【小贴士4】存量来自数据，增量来自判断
1. 需求预测可以分解成两部分：存量和增量。
1) 存量就是经常性的业务量。“从数据开始”指的是存量。
2) 增量是变化的部分，“由判断结束”指的是增量。销售天生对增量感兴趣，因为那跟他们的提成挂钩。如果你问，未来三个月能够卖多少，他往往很难回答。但是，如果你问未来三个月的需求大概会变化多少，则往往会得到个更好的答案：
2. 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，反倒连增量问题都回答不好了。需求预测的质量，也就可想而知了。
1) 谁有数据？供应链的计划职能：相比其他职能，计划的强项是数据分析，他们更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了多少，上月卖了多少，去年卖了多少，卖给哪个客户，从哪个仓库出的货等。但计划远离客户，对市场需求的判断有限。
2) 谁有判断？销售、市场、产品管理等。这些职能更多地跟客户、消费者打交道，能较好预判未来。但销售的天职是敲客户的门做生意、接订单、要账收钱，要不就是被客户追着要料，要不就是被供应链逼着消化库存，在企业的各大职能中，销售估计是离ERP最远的一帮人了。
3. 企业的挑战，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。这里的原因并不是难，而是复杂。
1) 对于一个多阶段的供应链，究竟是用谁的需求历史数据？这取决于企业的渠道透明度，以及供应链管理能力。
拿消费品为例，制造商在工厂生产产品，发送给经销商，由经销商发送给零售商。一般的企业就以工厂的发货数据为基础，预测未来的需求。但是工厂发货与门店的销售数据之间，还隔着通路库存，即渠道和门店的库存：工厂发货量大增，是来自终端的销量大增，还是渠道的铺货行为？
统计通路库存，成千个经销商和SKU和门店，合起来就是几万几十万个数据点，复杂度可想而知；经销商大小不一，管理水平参差不齐，准确度、时效性都是大挑战。在有些企业，收集通路库存数据是销售的任务，谁见过销售因为收集库存数据不到位而被开掉的？这注定销售不会下大力气来统计。比如销售为了达到当期的销售目标，就故意低估渠道的库存，好多向渠道压货；渠道为了得到更多的返点，有时候也会虚报通路库存等。
没有信息系统支持是另一个大挑战。手工根本没法承担那么大的工作量。
对于制造商来说，最理想的就是越过渠道，直营的好处是减少了组织博弈，直接利用零售终端的销售历史，来生成需求预测。协同计划、预测和补货（CPFR）就是打通制造商和零售商的通道，提高信息的透明度，及时、准确地把终端销售数据传递给制造商，以安排后续的库存计划、补货和需求预测。这一般是在大型制造商和大型零售商之间进行，CPFR自问世几十年来，因为诸多商务问题、技术问题，一直没法大规模应用，长期达不到预期。
2) 供应链的挑战，就是整合前端企业的判断能力和后端企业的分析能力，完成“从数据分析开始，由专业判断结束”的需求预测流程。
从制造商到经销商到零售商，越往前端，数据越多，但数据分析能力却越来越弱，是典型的“有数据的没分析能力，有分析能力的没数据”。比如门店直接面对消费者，但店员们整天忙着凭经验做生意，有几个在分析数据？所以，让他们做基于分析的工作，比如制定需求预测、设立库存水位、确定补货数量等，就很难做到位。制造商，虽然分析能力是整个供应链上最强的，却远离一手数据，不得不依赖经验判断做出各种决策来。
为了获取经销商、零售商数据，业界有种传统的做法，就是买数据。比如厂商给渠道商、零售商一定的报酬（通常以返点的形式），条件是获取他们的销售数据，特别是零售商的销售终端（POS）数据。跟买数据类似，厂商给经销商的员工支付费用，让经销商专人定期统计、汇报库存和出货量，也是有益的尝试；有个企业还通过数据分析，为经销商提供有力的决策依据，从而换取经销商的进出存数据，也是一种双赢的做法。
“工业4.0”，一大目的就是更快、更准、更经济地获取用户端的数据，比如设备在什么地方运作、产能利用率有多高、关键备件的更换情况等，以更好地做好备品备件、售后服务的需求预测、库存计划，有效增加在设备全生命周期内的营收，同时降低库存和运营成本。没有这些终端数据，需求信息主要是依赖客户订单；而订单一到，企业面临的就是响应时间不足的挑战。对于像GE这样的设备制造商来说，高达三分之一的营收来自备件、服务相关的售后市场，当经济不景气时，这一比例会更高。所以，获取用户端的数据有巨大的经济利益。
4. 从数据里面学什么：以发货记录为例
1) 先看发货数据的时间单元，在供应链运营上，周是个比月更理想的时间单元，是企业运营管理细度的体现。管理能力越强，管理力度越深。
按月划分，一个季度只有3个控制点；按周划分，就有13个控制点，意味着13次发现问题、解决问题的机会。
按天划分，数据可能更加不符合正态分布。需求的“噪声”会不必要地放大，可能误导你多放安全库存来应对。
2) 再看客户的期望，以及企业的实际交付能力。
客户对我们的期望是，客户需求日期与订单录入日期之间的差值；企业的实际交付表现，订单录入日期与发货日期之间的差值。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。
有的差距可能不需要关闭，因为有些客户习惯性地“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。有的差距却要关闭，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。
你不用去问销售——从发货数据中，还蕴藏着更多的客户信息，只要你肯分析。作为后端的供应链，你不大直接接触到客户，也对销售们的“危言耸听”充满戒心，但你可以分析数据来判断发生了什么。如果你从数据中看不出什么，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。
“选择性偏见”——你看到了你看到的，你没看到你没看到的，或者说，你不知道你不知道的。企业大了，离开数据，没人光靠经验就对各种情况了如指掌，“选择偏见”就是个大问题。
你可以继续深挖，落实到具体的产品类别、料号，从需求量的变化来判断客户的行为变化。没有对比就没有伤害：对于交货周期短的产品，这个客户的需求一直在上升；而对于同类但交期长的产品，这个客户的需求一直在下降，你八成可以看得出点什么了：作为一个公司，你的整体交付能力没改变（这从针对所有客户的交付周期上可以看得出）。他们根据你们的交货能力，给你们更多的是交付周期短的产品。只是你没做数据分析，不知道罢了。
客户的订货频率：每周还是每月下订单？接受部分发货吗？对于多品种、小批量的企业来说，订货频率是个尤其有用的决策参数。
a) 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；
b) 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，库存风险越低，需求量就相对越稳定，计划也就越容易。
c) 总体来说，订货的频次也反映了客户的运营水平：运营水平越高，订货的频次一般越高，订货量一般也越平稳，这些更可能是优质客户的体现。
d) 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，整体计划性也往往有待提高。这点你也可以从数据中找出来：看看它们的急单比例就知道了。
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的比例。这些客户就是“大石头”，在需求预测和需求管理时要特别关注，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。你得借助数据分析，而不是寄希望于销售，因为他们知道自己的客户，并不熟悉别人的客户，没法告诉你他们的客户是否是“大石头”。
需求的变动性。基于13个星期的发货历史，你可以计算每个料号的需求标准差，跟13周平均需求值相除，就得到度量变动性的变异系数。不同于一刀切的管理方式，比如都设置×天的用量作为安全库存，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，就需要额外关注等。
发货地点。比如某个客户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发送的，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，还是其他的原因。
【小贴士5】数据远比我们想象的要多
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。对于新产品、新项目的需求预测，只要问题分得足够细，用一些蛛丝马迹的信息，配以简单的假设，误差是可以相互抵消的，照样可以得到足够好的预测。比如“芝加哥有多少个钢琴调音师”。
【小贴士6】光有数据，没有判断会怎么样
1. 数据分析一定要和业务判断相配合，离开了判断，数据往往是没意义的，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。比如三峡大坝的竣工时间和日本人口增加率，“只是恰好出现在同一个时间点上的巧合而已”，但实际上没有任何因果关系。
2. 由判断结束之谁的判断：判断主要来自销售。当然，还有市场、产品管理、高层管理及其他接近需求的职能。
1) 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，特别是一线销售，则习惯于着眼具体的地域、具体的客户。
2) 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，那就得聚焦到具体的产品、具体的客户，再找到对应的销售。
3) 针对客户层面的显著变化，一般来自具体客户的变化，由客户主导，要落实到具体的一线销售人员以获取判断。真正重要的，是那些需求集中在有限客户的产品。比如一个产品虽然有25个客户，但其中一个客户的需求占比是40%。这个大客户的需求一旦变动，对供应链的影响就很明显，要么是短缺，要么是过剩。这样的产品——客户组合就是“大石头”，要从众多的“沙子”中筛选出来，让对应的一线销售重点关照，有的放矢地管理需求变动。
4) 对于公司自己主导的，比如促销、团购、新产品导入、老产品下市等，相对的判断层面就较高，比如在特定的销售区域，针对特定的产品，合适的判断者呢，就是负责这些区域的销售管理、产品管理、市场管理人员等。
5) 管理比较粗放的企业则经常分解不到合适的层面，或者找不到关键的“大石头”，导致需求预测“由判断结束”的闭环没法形成。
6) 一个产品有多个客户，需求相对均匀地分散到各个客户，每个客户只占微不足道的份额，需求起伏对整体影响有限，而且往往会互相抵消。这些客户就是典型的“沙子”，根本用不着去麻烦一线的销售人员：计划人员按照需求历史，加上对整体业务发展的判断，就能做出相当准确的预测来。当然，对整体业务的判断可能得借助市场、产品管理、销售的管理层，但用不着找一线销售来帮忙。
3. 由判断结束之判断什么：找出这些“大石头”，并呈现给相应的销售，而且只呈现他的客户的那一部分。
1) 你不能期望销售对数字，或者说存量有多敏感，这里的关键是对增量的判断，要他们讲故事，销售认为需求会拔高20%，反映到产品层面，总的预测就是增量对应的具体数字加上之前的存量。这就是“由判断结束”。
2) 所有的短缺都是以过剩结束。对于工业品而言，真正的判断来自一线，即销售——客户的组合层面（这里的客户也可能是渠道经销商）。考核对象是大区经理，预测也分解到大区一层，但真正的判断来自一线销售，而需求预测又分解不到那一层，就注定“从数据开始，由判断结束”的闭环流程没法完成，结果就是计划依赖需求历史做预测。这问题不解决，用不了多久，你就会发现该公司会走上另一个极端，开始由销售提需求了。
寻找和管理“大石头”（一）：聚焦影响深远的“大石头”，好钢用在刀刃上
1. “26周频率”，即在过去26周（半年内），一个特定产品在多少周有客户订单（当然，根据产品和业务的需求变动情况，26周频率也可换作13周频率、12月频率等）。26周频率越高，表明该产品的需求越频繁，相应地客户也越分散。
1) 把所有的产品分成26类，充当横轴。比如10意味着在过去26周内，该产品有10个星期有客户订单（但每一周具体有多少订单，并不能由26周频率来反映）。下订单的客户总数为14个客户（右边的纵轴，对应柱状图）。19%该产品有“大石头”，即单一客户需求占比过半（左边的纵轴，对应线状图）。
2) 当26周频率为1、2或3时，一半或以上的产品有“大石头”，即需求集中在有限的几个客户上；而当这一数值在15以上时，每个产品的平均客户数量就超过20个，只有16%不到的产品有“大石头”。对于每一周都有需求的产品（26周频率为26），每个产品平均有114个客户，而且没有一个客户的需求占比超过50%。
3) 有些公司用一段时间的订单数来描述需求的频繁度，比如过去6个月里有多少个订单。这种做法的缺点是有时候订单会集中在特定时间，比如某个月有很多，而另一个月没订单。另外，产品与产品之间的需求可比性也下降，因为理论上有无穷种比较关系。
2. 对于客户集中度的百分比，可根据产品的补货周期、需求变动性等因素来调整。补货周期越长，需求变动性越大，这一比例就越低；反之亦然。其目的是不但要筛选出重要的“大石头”，而且要让清单尽可能地短，尽量节省人力资源，提高管理资源的投入产出比。
1) 产品的需求越频繁，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，而不需要依赖一线销售提供产品料号、数量，否则是对一线销售的资源浪费。
2) 产品的需求越不频繁，客户的集中度就越高，就越需要一线销售的判断，这主要是针对定制化程度较高的产品，相应地，也是一线销售花更多资源来聚焦管理的对象。
3) 作为计划职能，此类“大石头”的产品，可以设有独特的分类号，比如X、Y是通用产品，U、V是独特产品，指导销售聚焦管理此类产品。还有一些公司用生命周期来标识这样的产品。比如有个公司规定，凡是开发阶段的产品（包括原材料料号），独特性较强，用D、DB等类别标识（Development，即纯粹是研发阶段，或许有一两个客户在合作开发；Development Beta开发试用，即已经有特定的客户在试用），需要产品管理、研发和销售来聚焦管理。在这个设备企业，一旦产品进入量产，且是为特定客户定制的，就定义为S（special）来识别，以提醒相应的销售特别注意。
通用产品也大都是由独特产品开始（即刚开始时只是给有限的客户，客户集中度高）；
新产品导入时，独特变通用；
老产品退出过程中，通用变独特。
4) 有时候，一线销售提交的预测不及时、不准确、不完整，是需求计划团队的一大“痛点”。这也被计划团队视为需求预测准确度低、库存水平高企的一大原因。对于客户集中度高的独特料号来说，这确实是问题的根源；对于客户相对分散的非独特料号来说，这是个误区：复杂度那么高，不管我们多么努力，都不会一帆风顺。作为管理者，我们不能因为得不到我们想要的期望，就简单认为那是问题的根源，就否定计划和销售团队的努力。
5) 并不是所有的问题都能有完美的解决方案。小批量、多品种、项目驱动的行业就是典型的例子。但是，不完美并不意味着不能够进行一定完善：只要我们能够更好地识别“大石头”，后端的供应链与前端销售更紧密地配合，这就是竞争优势。
寻找和管理“大石头”（二）：所有的预测都是错的。我们要做的是尽早发现，尽快纠错
1. 我们的挑战，一方面是预测准确度低，另一方面是预测错了但知道得太晚。比如短缺，等你接到客户的催货电话时，安全库存已经消耗殆尽，供应链上已经是“无险可守”；对于过剩，等你发现一堆呆滞库存时，客户的设计变更已经落地两三个月了，要消耗老库存已断无可能。
2. 公司业务一直处于变动中，变是绝对的，不变是相对的。实际上，绝大多数变化是“噪声”，你不能事无巨细都发出预警，因为供应链有相当的库存、产能冗余，能够消化大多变动。我们真正需要应对的，就是那些变化幅度大、变化金额高的“大石头”。
3. 公司的挑战，就是没法及时探知变动，调整预测。大多数变化不是突然发生，而是有个过程的。我们需要的是一套监测系统，跟踪需求变化，发现显著变化的端倪；及时识别“大石头”的变化，驱动供应链的前端和后端尽快响应，让他们确认是一次性变化，还是需要调整预测；不变化的不需要管理，管理的重点是管理变化，及早发现，尽快启动应急机制。
4. 如果你觉得你处于被乱棍打死的境地，八成是因为你没有识别那根关键的棍子，而这正是真正的问题所在。为了探知变化的根源，一定要落实到具体的客户上。针对每个料号，一定要分解到相应的每个客户上。即使有多个客户在改变，最大的麻烦也一定是由其中为数不多的一两个造成。
5. 料号—客户层面，一个料号有3个客户，那么就有3个料号—客户的组合。你当然没有能力管理几万条数据。其基本思路是，你得层层过滤，把有限的资源投入到回报最高的产品、客户上，一步步来缩小例外管理范围。
1) 第一道过滤器是销量的变化幅度（百分比）。
供应链有相当的冗余，比如安全库存，可以有效应对一定幅度的变化；我们需要识别的是超出一定变化幅度的。比如对比最近3个月与之前3个月的销量变化，升降超过15%的只有20000个左右，占60%的料号—客户组合。
15%的下限只是个例子，具体的下限取决于供应商的交期、需求变动等因素。比如交期越长，表明供应链响应能力越弱，能够有效承受的变化比例就越小；反之亦然。
业务变动越剧烈，建议的时段就越短，比如3周、6周；反之亦然。
2) 第二道过滤器：销货成本。
销货成本，就是制造费用，即企业为制造产品所直接投入的原材料、劳动力及分摊的费用。不包括无法轻易按合理比例分摊到各种产品上的间接成本（营业费用），比如销售及行政费用，广告推销及后勤部门的支出。
我们依据过去3个月的销货成本，把销货成本下降超过1万元（意味着最多可能有1万元的库存积压，过剩）或者上升超过5万元（意味着可能有短缺）的筛选出来，得到1700个料号—客户组合。
在这里，销货成本下降的门槛之所以是1万元，显著低于上升门槛的5万元，是因为造成呆滞库存的风险不容易被注意到，而短缺呢，我们可以通过更多的反馈渠道获知。但不管怎样，这都是经验值，要按照自己公司的情况来调整。
3) 如果1700个料号—客户组合还有点多的话，我们可提升销货成本下降的门槛，比如提升到5万元时，就得到713个料号—客户组合，只占总数的2%，但覆盖了20%的客户，占了50%的销货成本变化。
分配给一线销售人员，及时驱动相应的销售来确认需求、管理需求变化、调整预测。
供应链也要采取行动，比如驱动供应商增加产能，应对短缺；或者让供应商停止未完工的订单，这样万一出现呆滞库存，我们也可能把半成品做成别的产品，最坏的情况下，也只用给供应商支付半成品的钱。
有些变化我们是知道的，比如季节性需求，比如促销，比如新市场、新客户的开拓，可以把这些很快剔除。
4) 让我们的“大石头”清单变得更短、更具体，进一步分门别类，找出“大石头”里的“大石头”，设定优先级，从高到低，指导团队把资源优先投入到最重要的地方。。
按照销量变化幅度（%），如果升降幅超过50%，这表明变动非常大，优先级为1；25%～50%为2；15%～25%为3。
金额（销货成本），对于管理层来说，金额更容易看出整体影响。升降幅超过50万元的，表明变化非常大，优先级为1；升降幅为5万～10万元的，优先级为3。
13周频率变化，指在过去的13周中，对于特定的料号—客户有多少周有需求。13周频率越高，表明需求越频繁，需求一般也越稳定；反之亦然。13周频率虽然没法体现绝对需求量的变动，却从一个侧面反映了客户的需求行为，给我们多个维度来判断需求变动。比如需求频率明显下降，可能意味着客户导入了更多供应商，在调整份额；或者需求下降，在消耗手头库存等。这些都需要销售去及时确认。
综合优先级，把每个料号—客户的三维优先级都定好，相乘（另一种方法是相加），得到数字越小，表明综合优先级越高。这个报表主要是供管理层用。当团队的资源有限时，按照优先级从高往低处理，把管理资源花费在投资回报最高的“大石头”上。
6. 需要说明的是，
1) 这不是在客户层面上针对这些料号做预测，因为那会陷入预测颗粒度太小、预测准确度太低的陷阱；这是给相关的销售人员提示，让他们做出判断：你的客户在这几个料号上的需求变动很大，你知道吗？这是短暂的变化，还是会持久？如果持久，未来的变化会更大，还是更小？大多少，小多少？
2) 这里寻找“大石头”的过程，并不是为取代日常的计划流程，而是作为日常计划流程的补充，即单纯从数据分析角度识别影响大、风险高的变化，驱动销售和供应链及时应对。
3) 在一个稍有规模的企业，这里面数据量相当大，成百万行的数字，一般的人根本没有能力驾驭这么大的数据。建议由计划团队在公司层面统一完成。
寻找和管理“大石头”（三）：他没说，罪在不赦；你没问，同样该挨板子。
1. 层层分析，筛选出“大石头”来，在沟通需求变化时，计划和销售的对话如何避免流于形式？
1) 设计了个例会，由计划员主持，关键的一线销售人员参加，有时候也包括在客户现场服务的工程师，来系统地问些很具体的问题，识别变化，管理变化。
2) 当计划人员第一次跟销售会议时，销售对这里面的逐条内容八成一无所知。那好，下次会议上给答复，并记录在会议纪要中。第二次、第三次会议上，当计划继续问这些问题时，销售就会意识到以后会议还会问到这些，于是就开始提前准备。就这样，销售慢慢就走上了正轨，开始关注那些能显著影响需求的“大石头”
3) 需要强调的是，需求计划人员在这里扮演关键角色，不但要有数据分析能力，而且要熟悉业务，有组织、协调能力，更要勇于承担领导力角色。
2. 这个周例会，面对面或者电话会议，有三个特点：
1) 会议有固定的议程，比如客户产能的变化、销售的市场开拓计划、关键产品的替代计划，以及上面提到的高风险、高影响的产品；
2) 落实到具体的产品、规格、型号，以及客户端的具体信息，比如产线、设备等；
3) 有具体的行动，比如定量的变化通过表格传递给计划部门，定性的变化通过Email、会议纪要来沟通，供计划和供应链来调整预测、采取行动，比如通知生产和供应商，万一这个项目能够拿下来的话，有没有足够的产能、长周期物料来支持。
3. 对“大石头”的闭环管理。
1) 市场、销售主动或被动地识别显著的需求变化（“大石头”），计划调整需求预测后，由生产、采购来执行；执行部门反馈给计划，计划再反馈给市场、销售，这就是理想的闭环管理。
2) 在很多管理能力低下的企业，这个闭环并不能发生：营销确认了需求变化，就开始祈祷能拿到货；计划调整了需求预测，就以为自己的事儿做完了；生产、采购能做到哪里就做到哪里，客户只能自求多福。
3) 如果计划和供应链不改变能力，建立可靠的闭环执行体系，你不能期待销售改变行为。离开了闭环的执行，前端对后端没有信心，表现为营销经常让计划汇报进展，计划让采购做同样的事，采购让供应商定期更新。结果从前到后，各职能的注意力都是朝后的。
【小贴士7】聚焦重点客户的重点变化
1. 重点客户制造的麻烦一般比非重点客户多。管好了这些重点客户，大半问题就解决了。
1) 营销职能下，跟你做生意最多的客户、快速增长的客户、新近打入而且潜力巨大的客户都可能是重点客户。
2) 对于需求计划和供应链来说，谁给你制造的麻烦最多，谁就可能是最重要的客户，需要定期、不定期地沟通，理解和管理需求。
外部客户：你可以统计急单的数量。对于那些加急需求很多的客户来说，不管是自身的计划能力不足，需求管理不到位，还是业务变化大，都值得我们花更多的精力来管理。所有的重视都得落实到资源的投入：围绕特定客户，每周例会、每月的绩效汇报等，都是资源的投入，也需要管理的具体措施。
内部客户：一个需求计划人员可能要跟众多的销售、市场、产品经理打交道，再加上研发人员和管理层，动辄几十个人。你自然是没时间跟每一个人开会，你要做到的就是盯紧那几个经常给你制造麻烦的人。我们要做的就是尽早探明他们的需求，尽量来满足他们的合理需求。
2. 不管是内部客户还是外部客户，经常给我们制造麻烦，不是他们故意让我们难过，而是因为他们的能力有限，没法有效管理自己的需求。证明他们傻不是解决方案，弥补他们的能力不足才是。
1) 供应链运营的视角更加长远，供应链需要响应时间，动辄几周、几月，必须具备长远思维才能有效应对。分析需求历史数据，定期、不定期与这些内部客户跟进，提醒、帮助他们管理需求异动，是双赢的做法。
2) 一方面，因为这些重点客户的需求量本身就大；另一方面，他们往往也是最早采用新产品的客户，所以他们的需求变化对于供应链的影响巨大。从需求变化开始，到供应链能够有效应对，往往是几周甚至几个月的响应周期，这期间让受影响的重点客户有合理的期望，是需求管理的一大挑战，需要销售来协助。
【小贴士8】让听到炮声的人做计划是个误区
1. 所有经过的路，都是必经之路
1) 企业小的时候老板做，很多创始人强于业务模式创新，但弱于供应链运营，到了一定规模，自然就玩不转从计划到执行的整条供应链了。
2) 有点规模后，由销售、生产、计划、采购等兼职，
3) 上了规模后得成立专职的需求计划职能。
2. 优秀的人往往被调到听不到炮声的地方了
1) 这些人听得到炮声，但他们有能力和精力做计划吗？这里的逻辑看上去很有道理：执行职能最接近需求，所以最可能知道预测。但问题是，随着企业规模越来越大，业务越来越复杂，执行职能连自身的活儿都做不完。
2) 等听到炮声的时候，听到炮声者还能做什么呢？问他需要什么样的炮火，榴弹炮还是迫击炮？要多大的量？开多少时间？这个可怜的指挥官只能说，量越大越好。这不是个好计划。
3. 管理相对完善的跨国企业，不是让听见炮火的人直接指挥。在成熟的市场经济打拼多年，采取那些官僚、低效的做法，其实是多年来吃了无数的亏，受了无数的罪后的自然选择。
1) 他们要求听见炮火的人必须及时、详细地分享炮火信息，比如他们希望啥级别的炮火（促销力度、竞争价格），多大的量（订单货促销规模），持续多长时间（促销和降价的时间范围），覆盖多大范围（区域、产品）。
2) 流程上，设立较为完善的沟通渠道，这些信息会从一线销售、客服、市场部门等传递到后端的计划部门。计划部门综合平衡之后，做出决策，并与销售、市场的管理层沟通确认，最后驱动供应链来执行。
3) 有人可能会说，不让一线销售直接找生产主管，反而通过订单部门，供应计划部门传递到生产部门，这很官僚、很低效，跟我们要求快速反应的竞争环境格格不入。
千百个销售，百十个生产主管，多对多，复杂度太高。最后八成是生产线崩溃了，听到炮声的人也傻眼了。
当然，我们不能对市场竞争视而不见，因为傲慢会要了你的命。但是，人的天性是高估自己的困难。
4. 要么计划复杂，执行简单；要么计划简单，执行复杂。
1) 相比而言，计划复杂、执行简单的综合成本更低；而那些计划简单、执行复杂的企业，因为综合成本高，早都被淘汰了。
2) 计划丧失了严肃性，计划是执行职能的兼职，销售端给出的计划不靠谱，生产部可以修改；生产部给出的计划也不靠谱，采购端可以修改。这符合对“高度灵活”的诉求，结果是计划不到位，全靠执行补，以更高的成本和库存为代价。在高速增长阶段，这样的“灵活性”或许帮助我们获得尽可能多的市场份额，但到了一定规模，特别是短缺经济结束后，这种高成本的做法就难以为继。
3) 供应链计划有较高的决策权。在信息系统的支撑下，它们做出的决策，比如需求预测、采购申请、补货申请等是不允许被修改的。它们的计划和执行有严格界限、清楚的规则，来确保计划在执行层面被不折不扣地执行。这样逼迫计划体系具备一定的能力，做出正确的决策。
【小贴士9】为什么没法建立独立的计划职能
1. 既然兼职是个问题，那解决方案自然就是设立独立的计划职能，这也是计划进化的第三个阶段。计划天生是个集中行为，优秀的计划需要拥有全局视角和极强的责任心。
1) 所谓的计划下沉，结果不仅是全局视角的缺失，而且是责任下放而导致责任机制缺失。
2) 伴随着计划与执行的分离，计划也从分散向集中转变。这有利于整合需求，从而获取更大的规模效益。比如集中采购的第一步就是集中计划；离开集中计划，集中采购便成为项目性的活动，很难持久。
2. 计划与执行分离后，就得依赖系统和流程来对接。
1) 没有系统，就没有需求历史数据；没有流程，就不能结合门店与市场的反馈，比如促销计划，获得相当准确的需求预测。这种企业只能采取“用户兼职计划职能”，用经验来弥补数据的不足，用组织措施来弥补信息系统的能力不足。因为设立专职的计划，就面临要数据没数据，要经验没经验的局面，成了坑人的“寡妇岗位”，断难成功。
2) 能力是组织、流程和信息系统的三位一体，相辅相成。一方面的短板，一定得由另一方面的“长板”来弥补。销售做需求计划就是典型的例子。企业的系统、流程的能力越是不足，就越得依赖有能力的人；越是管理粗放的企业，就越容易患上能人依赖症。
组织是找到合适的人，以合适的方式组织起来，并给他们合适的激励机制；
流程是告诉这帮人活儿怎么干，由谁干，谁先干谁后干；
信息系统，它一方面固化流程，一方面给组织提供工具，一方面提供反馈数据。
3) 供应链管理是以专业分工为基础，先分（专业化）后合（集成化）。表面上看，供应链管不好，是因为没法集成不同的职能；实际上，却是专业化分工不够，事情就做不到位。作为管理者，在专业化的过程中要分清轻重缓急，切忌导入太多的组织变化，而且要着眼组织变更后面的系统、流程建设，兼顾组织、流程和系统的改进。
3. 计划与执行的分离：某快消品公司的组织设计案例
1) 公司背景：爆炸式的成长给采购和供应链带来诸多挑战：需求预测薄弱，采购计划准确度低；供应商有选择，没管理，交付、质量问题频发；采购人员一竿子插到底，需求预测、供应商开发、合同谈判、订单管理、合同管理一肩挑，效率低下，而且缺乏必要的监督和约束，采购贪腐风险大。
2) 现有的组织结构，采购经理汇报给CEO，与营销经理、设计经理等平行。
3) 现有痛点：
需求预测上多头管理，多个采购员跟营销、设计联系，制定需求预测。效率低下，也给内部客户带来诸多挑战，比如同一个产品，得找到多个采购来做计划。
采购员忙于订单层面的操作，没有时间来管理供应商绩效，导致供应商有选择，没管理，结果交付、质量问题频发，采购人员疲于奔命，深陷救火状态。现有供应商不能满足需求，那就再找新的供应商，结果是学习曲线长，质量风险大；采购额分散，更加难以驱动供应商快速响应。
4) 专业化组织结构的初步方案
计划与执行分离：设立专门的采购计划（实际上包括需求预测、库存计划），由专人来对接销售，制订需求计划，转化为采购计划，并且负责仓储管理。
供应商管理与订单管理分离：设立专门的人负责供应商开发（寻源），再由专职的采购员负责不同采购项的订单处理。
采购与付款分离：由专人负责合同履行及支付。
5) 初步方案的风险利弊分析
采购经理建议成立的采购计划，表面上是采购计划，其实是需求计划+库存计划+采购计划，即整个计划职能，其中最核心的就是需求预测。
有了独立的计划职能，并不意味着计划的问题会解决：计划，特别是需求计划，要遵循“从数据开始，由判断结束”的计划流程，而销售是这个流程中的关键构成。
在这个公司，流程不完善，销售不愿支持需求预测。采购经理的顾虑是，即便计划划归销售，销售人员还是会说，业务发展得那么快，销售对具体到每个产品的需求预测也很难判断。但现实是，销售人员离客户和市场最近，处于最佳的位置去做出职业判断，与计划一起做出“准确度最高的错误的预测”。他们不做判断，别的职能只能判断得更糟糕。所以，“做不好”并不能成为“不做”的理由。
再说采购的两层分离，即供应商管理和订单整体绩效管理的分离。
两层分离的好处，是有专人负责供应商层面的事。两层不分，管理资源往往被订单层面的琐碎杂务侵占，供应商层面的事务得不到足够的资源，就选不好、管不好供应商，造成更多的订单层面的问题，形成恶性循环。
两层分离的挑战，则是这两个子职能之间的对接和职责划分。比如按时交货绩效不理想，是寻源团队没选好供应商，还是订单管理团队没做好日常工作？
寻源职能有供应商选择的门槛，比如供应商必须满足注册资本、管理能力、类似项目经历等要求。但即使满足这些条件，并不能保证供应商能做好；不满足这些条件，也并不是说供应商就做不好。在信息系统能够统计供应商绩效，比如按时交货率和质量合格率的前提下，对寻源最直接的闭环考核要用供应商的后续实际表现来衡量。但该公司目前信息系统能力薄弱，仍然要借助单独的软件和Excel表格来统计供应商绩效。
即便有了系统能力，还得改善流程来配套：系统只是提供了搜集数据、汇报指标的工具，但数据的录入和系统管理还是离不开流程。采购员人少事多，除非是急单，或者已经超期，采购员根本没有精力来确认交期。这就意味着，即使有了系统，还是没法较准确地统计绩效。
对于这个企业来说，有两种选择：一是导入供应商管理和订单管理的两层分离，同时改进系统和流程来支持这一组织变更；二是暂不分离供应商管理和订单操作，而是先改进系统和流程，等系统和流程成熟后，再导入组织变更。鉴于企业快速发展的现状，第二种方案的风险可控性较高，特别是已经决定要分离计划与执行的情况下。
当企业在快速发展，人力资源严重短缺的时候，对于系统和流程建设，可以这样来理解：
当前“一竿子插到底”的方式下，所有的知识、信息都储存在负责的采购人员处，需要的系统和流程支持力度最小。你不需要每做一件事就统计其绩效，因为责任人只有一个，抓住最后结果即可，用不着统计过程结果。也可以说，“一竿子插到底”是小公司系统和流程能力不足情况下的理性选择。随着规模的增大，业务复杂度上升，这种做法没法有效满足企业的发展。
专业化的结果是流程、系统更复杂，天然会降低效率。专业分工还有相互制衡的目的。降低风险是所有大公司的必经之路，风险控制第一，而不是效率第一。也就是说，专业化的结果是有更多的事要做，一个子职能的结果是另一个子职能的输入，你得统计上一个子职能的结果，以判断下一个子职能绩效：是因为上个子职能输入的质量不高，还是因为这个子职能本身没做好，这需要更多的资源，尤其在导入变革初期。
6) 建议该案例公司做出如下调整：
总体原则：计划与执行的分离已经是非常大的变动，同时导入太多的组织变动，在流程和系统能力没法匹配的情况下，不可控因素太多，特别是企业快速发展时，带来的绩效风险太大。
由组织措施来弥补信息系统和流程短板：单列计划职能，而且让计划汇报给销售经理。等日后需求预测流程完善后，再把计划转移到供应链部门。一方面，销售经理对需求预测负责，责任机制会驱动他重视需求预测；另一方面，计划人员和销售人员都汇报到销售经理，销售经理也可以更好地利用组织措施来打通流程，驱动两者合作。推动组织变更的采购经理直接汇报给CEO，只要他能解释清楚，很有可能说服CEO做出组织调整。
把供应商的合同管理和付款单列出来，确保有基本的风险管控，避免伴随“一竿子插到底”的贪腐风险。
暂时不分离供应商管理和订单操作，而是改善ERP系统和采购订单管理流程，等系统和流程的能力较强时，推动供应商和订单层面的两层分离。在内控严格的公司，仓储是不能由计划来管理的。仓储和计划也是不兼容的职责。
4. 需求计划员在需求预测和S&OP流程中的角色、职责，以及工作的框架。以消费品公司为例，在不同的行业、不同的公司，需求计划的汇报部门会有不同，预测频率也可能不同，工作侧重点和方式都会有不同。
1) 从分析上月预测结果的实际准确率（或偏差率）开始，
自己先看看原因：
产品的经销商进货超卖，是因为经销商出货多，还是经销商库存的增加？经销商出货超卖是因为有个团购，这个团购是否会持续？
经销商库存增加，是因为销售的季末冲刺（为达到本季销售目标而向渠道压货），下个月就会回调？经销商库存一般是多少，能够覆盖多少天的需求？这是一个常规压货品类吗？
那么，该问市场和销售哪些问题呢？
新品怎么样？超卖或不如预期的原因是什么？铺货进度到哪一步了，对比预期如何？本月还能把进度赶回来吗？产品反馈好不好？二次购买如何？
促销套餐卖得如何？是否达到目标？是否会给客户延长、追加这一促销？
是否有紧急计划的区域促销？力度如何？是否会持续？
经销商库存的高压线大概是多少？金额/覆盖销售天数？
多少销量来自新开发的经销商或新开店？接下来的开店计划和进度预期如何？
2) 清洗历史数据，把历史需求中不可重复的剔除，做基准预测
“削峰填谷”，对于具体的产品，可在需求预测软件里标记，多少销量来自非重复的促销，多少本来有需求，但因为缺货没能卖掉。
清洗历史数据，剔除特殊情况。需求预测的“从数据开始”，指的是可重复的基准需求历史，这是个关键假定，一定要遵守。
用软件的统计模型，基于足够多的历史数据跑一版基准预测。但这数字靠不靠谱？
首先，要提防“垃圾进，垃圾出”。数据有问题，或者没有进行足够的分析和清洗，统计模型自然会跑偏。
其次，要选择合适的统计模型。这需要通过重复实践，并结合行业特点。比如有些快消品具有很强的季节性，且近期趋势对将来影响较大，那双指数平滑模型就可能比一次指数平滑更合适。
最后，如果是没有足够历史数据的新品，统计软件也不能“无中生有”，就只能参照类似产品的历史数据。
3) 开预测会议，结合业务计划调整预测。
开会前，大家都要预先做好准备工作。
计划：准备好基准预测，且重点标注相对上个月的版本，哪个系列的产品我们更看好了，而哪个被下调。
市场：媒体计划，市场趋势信息，新品计划（长期），终端销量数据及分析。
销售：开店计划，新品铺货计划，促销计划。
财务：准备好每月销售指标，会前提供给需求计划，需求计划的表上就能显示哪些月还有缺口，而哪些月有机会做超。
预测会议长短和效果，取决于各方数据的完备程度，以及计划的精度和新品、促销的个数。逐个品类，重点产品逐个SKU（存货单元）地过，都是非常有必要的。
会议成果不光是一版数字，重要的是，需求计划需要记录下数字背后的假设，比如套餐个数和总金额预估、新品铺货进度预估、跟标杆产品对比的销量提升幅度、对现有产品的蚕食比例和开始时间等。这都是来自销售、市场、产品和高层管理等的判断。在以后分析实际与预测的差距时，这些假设也是我们重要的“落脚点”。对于重点渠道或重点客户，也可根据生意比重、销售行为的差异性，来分开单独计划和追踪。
4) 开预测决策会议，解决缺口与分歧
做完了基准预测，结合了业务计划，但是跟财务给的指标还是有差距，或者部门之间有分歧。那好，带到决策会议上由总经理决定。
决策会议的结果就是本月预测的最终版，需求计划根据会议决定，按照每个SKU预测，交由负责供应计划的同事，供他们完成产品的采购或生产计划。
5) 供应及分拨计划
除常规产品之外，需求计划还要进行产品生命周期管理，比如上市如何上得顺利，下市如何下得省钱，都需要跟供应计划做充分的沟通。
如果组织还比较小，这两类计划可以由同一个人来担任，那么他就要结合库存做好采购计划，传给工厂，并且对工厂发货、运输、进口等环节进行跟进。琐碎却也非常重要。
如果你有区域分仓（RDC），但没有专门的分仓计划员的话，那需求计划还要负责库存分配工作。
6) 当月销售监测
预测准确率，不光是估出来的，更是执行出来的。整个团队的计划和执行能力上去了，成本就下来，呆滞库存就会少，公司的盈利也会上升。
根据采购提前期的不同，很多公司考核的预测准确率是M-2甚至M-3。但到了当月，需求计划不能想着“反正预测已成定型”，而要跟进销售进度和重点SKU的状况，及时跟市场、销售了解情况，解决问题。这项任务充盈在整个月当中，是需求计划的一项日常工作。这些日常跟进中拍大腿的恍然大悟，就是我们日后做预测时来自实战的启发。
需求计划偶尔还需要去跑一下市场，看看渠道情况，感受产品效果。这些不仅增加自己对产品的判断，而且增加和销售、市场的共同语言，从而促进沟通。
7) 最后，需求计划要做好预测，帮助到业务，有几点需要强调一下：
需求预测需要数据。给渠道的批发出货量、渠道给零售的出货量、零售给最终顾客的销量，越接近终端的数据越真实。渠道库存数据，如果不全，可以折算估计。
需求计划需要总经理、市场、销售和财务的配合。参与预测、对自己部分的预测结果负责（如新品/促销预测），需要成为市场和销售工作的一部分，最好还能进入考核（简单的排名与奖励已经很棒了）。
需求计划需要流程保证其权责的实现，需要合理的KPI考评和激励政策。流程搭建初期，更是需要高层的参与和支持。
5. 在供应链管理领域，需求计划对人的综合素质要求最高。理想的需求计划人员具备三方面的条件：
1) 分析能力。基本功，再强调也不为过。
2) 协作沟通。为驱动没有汇报关系的职能如销售、市场、产品等，需求计划人员需要具备相当的组织协调能力。
3) 业务知识。需求预测是个跨职能流程，计划人员需要有基本的产品、业务知识，以有效对接销售、市场、产品和高层管理。
6. 那怎么才能让员工愿意去做计划呢？很简单，你得重视计划。重视就是资源的投入——你的钱花到哪里，资源投入哪里，你就重视哪里。对于计划来说，最直观的就是给计划员工更好的薪酬。计划员是本地运营团队中薪酬最高的几位员工之一，是本地运营经理的左右手，是他们在指导客服、物流、仓储的基本工作，大家当然愿意来做计划员了。
【小贴士10】分析能力是可以评估的
1. 在面试需求计划人员时，一般会问三个问题：
1) 第一，你会不会用vlookup函数？（基本的分析能力）
2) 第二，你会不会用数据透视表？（基本的分析能力）
3) 第三，什么是正态分布？（把优秀者与平均者区分开来）
2. 分析能力、协作能力和业务经验中，如果一定要取舍的话，协作能力当属首位：与数理统计和分析能力不同的是，协作与沟通能力很难在短期内培养起来。
1) 需求计划是三分技术、七分管理，其本质是个跨职能行为，需要跟不同职能的人协作，沟通要占去整个需求计划70%左右的时间。人们容易忽视需求计划的管理特征，把需求计划定位为分析功能。这种认识是片面的，也是需求预测做不好的一个原因。
2) 在很多需求计划比较优秀的公司，它们并没有使用什么特殊的技术手段，而是靠规范的流程和强大的沟通规则，将预测准确性提到相当高的程度，而这恰恰是最难被模仿的管理能力。
3) 我们看到的不应该只是数据，而应是数据背后的各种假设和动因。真正的挑战是挖掘数据背后的故事，以解读和修正数据（判断）。这是需求计划的最大挑战，没有之一。而要获得销售、市场、财务和管理层的信任，让他们告诉你背后的真实故事，做出相关的判断，计划需要很强的协作沟通能力。
