【案例】谁的预测更准?销售还是计划?

供应链管理专栏 2019-03-20 07:10

深圳公开课本周五开课,最后2天报名

-------------

摘自《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。

在需求计划的发展历程中,销售兼职计划,即一线销售提需求,是常见的一个阶段。

要求一线销售提需求的逻辑呢,一方面是业务缺少重复性,比如项目驱动;另一方面是销售更加接近客户,因而处于更好的位置做预测。其实,这都是误区。企业习惯性地低估业务的重复性。即使是项目驱动的业务,虽然项目本身的可重复性较低,但不同客户、不同项目需要同类产品的重复性还是相当高。销售离客户更近,只是说他们有更好的判断,并不意味着他们有更好的数据。没有人知道得比数据更多。即使简单的数据分析,也可以给我们很多信息,那些销售没有能力提供的信息。

在下面案例里,我们来对比两种需求预测的方法:一种是一线销售提需求,案例公司在用的方法;另一种是计划单纯依赖需求历史,用简单的指数平滑法做预测。通过对比6个月的累计预测误差,我们发现,对于需求频繁的产品,计划用简单的指数平滑法就能打败销售提需求;对于需求不频繁、客户集中度高的产品,销售的需求预测准确度更高。我们的建议是,按照需求的特点对产品产品分类,区别对待,分别由合适的职能(计划或销售)来主导需求预测。

案例背景

案例公司的客户虽然遍布多个行业,但有个共性,就是脉动很快,产品生命周期越来越短,需求变化也很频繁,导致需求预测准确度低,紧急需求频发。

更为挑战的是,客户的定制化需求多,有三分之一的产品是独家客户。独特需求多,需求变化快,系统地增加了该企业的管理难度。作为应对,该企业就采取一线销售提需求的做法,让每个销售每月预测未来三个月的需求,通过信息系统提交,驱动供应链采购、补货。其初衷呢,是把决策权下放给一线最熟悉的情况的人,就像“让一线呼唤炮火,让听得见炮声的人决策”一样。

但是,一线销售提需求,自然有一线销售提需求的问题,那就是预测准确度低,特别是那些需求频繁且相对稳定的产品。对该企业来说,此类产品大致占料号总数的10%左右,却占公司40%的风险库存[1],根本原因呢,就是一线销售的需求预测质量差。按理说,这些料号的需求相对稳定,可预测性好,不应该造成太多的风险库存。

为了进一步分析,我们导入13周频率的概念,来量化每个产品的需求频繁度,按照需求频繁度来把产品分成几大类。13周频率指在过去的13周里(1个季度),有多少周有需求。比如13周频率为5,表明在过去13周里,有5个星期有需求。这里的判断标准很简单:在特定的一周,如果有需求,那就是1;如果没有,那就是0。把13周的值累计起来,就得到该产品的13周频率。13周频率越高,表明需求越频繁;需求越频繁,需求的稳定性也越好。26周频率、12月频率的概念类似,为我们分析产品的需求特性提供了一个独特的视角。

根据需求的频繁度,我们把该企业的产品分为三类:

·            第一类是可以预测的“短尾”,在这里定义为13周频率在9或以上。“短尾”占该公司总产品的10%左右,需求频繁,而且稳定。

·            第二类是难以预测的“中尾”,在这里定义为13周频率介于3和8之间。“中尾”占该公司总产品的40%左右,需求相对频繁,但不稳定。

·            第三类是不可预测的“长尾”,在这里定义为13周频率在2或以下。“长尾”占该公司总产品的50%左右,需求非常不频繁,而且很不稳定。

图1:“长尾”难预测,为什么“短尾”也计划不好?

在很多人眼里,我们的最大挑战是不可预测的“长尾”产品,因为需求不频繁,而且很不稳定,很难找到合适的需求预测与库存计划方法;可以预测的“短尾”应该好对付,造成的库存问题应该最少。就案例公司来说,情况不是这样,就如图1中所示,“短尾”需求占总料号的10%,却造成40%的风险库存,意味着销售提需求的需求预测方法可能有根本缺陷。

预测准确度对比

我们拿该公司的一个客户为例,来评估销售提需求的预测准确度。这个客户有多个分公司,共向案例公司采购几百个产品(另有几十个产品,因为数据不全而排除在这个案例分析之外)。针对该客户,案例公司有几个一线销售,由一个大户经理领导。每个一线销售每个月提一次需求,结合客户提供的预测和自己的计算、判断,确定未来三个月的预测。每次由几个销售预测各自分公司的需求,轮流由其中一个整合起来,形成该客户的总预测,录入信息系统,驱动供应链来采购和补货。

对于该客户,我们提取半年的销售预测(2016年11月到2017年4月),计算6个月来的累计误差(下称销售的预测)。同时,我们用指数平滑法[2],完全基于需求历史做预测,计算6个月的累计误差(下称计划的预测)。两者的决策都不可逆,意味着做过的预测不能调整,下过的订单不能取消,但可调整新增月份的预测。需求预测的准确度用绝对值,用6个月的累计误差的绝对值,除以6个月的实际需求。这里比较的是“更准”还是“更不准”。比如某个产品的实际需求是100,销售的预测是140,计划的预测是150,销售与计划的预测都不准,但销售“更准”。

我们根据13周频率,把这个客户采购的几百个产品分类。13周频率为0,表明过去一个季度(13周)没有实际需求,这类产品的需求频率最低;13周频率为13,表明过去一个季度每周都有需求,这类产品的需求频率最高。针对每个需求类别,我们对比两个预测的准确度,发现需求频率越低,销售的预测准确度相对越高;需求频率越高,计划的预测(指数平滑法)更准确。

具体而言,对于慢动产品(13周频率<9),销售预测更准的产品数更多。比如对于13周频率为3的那些产品来说,销售在60%的料号上预测得比计划更准。对于快动产品(13周频率>=9),计划的预测更准。比如对于13周频率为13(每周都有需求)的那87个产品来说,销售预测更准的只勉强超过三分之一,计划对三分之二的产品预测更准。

图2:需求越频繁,计划的预测越准;需求越不频繁,销售预测越有优势

我们进一步从销货成本的角度来分析。这里的逻辑是,你可以把一个产品预测得很准,但如果这个产品没什么销售额,那么对企业的影响也没什么。在这里,我们按照需求13周频率,计算每一个门类在统计期间(半年)的销货成本,即产品的单位成本乘以销量,转化成金额,发现计划的预测准确度优势更加明显。比如就料号数而言,销售在55%的料号上不比计划的预测准确度低;但就销货成本而言,计划在70%的金额上比销售的预测准确度更高。

这有点拗口。用直白的语言讲,就是销售虽然在更多的料号上预测更准,但从营业额(销货成本)的角度看,那些料号的业务量并不大。我们的猜想是那些产品是处于某种过渡阶段,比如导入或者导出,引起销售的重视,因而销售的预测准确度较高;此类产品的需求历史可重复性低,基于需求历史的指数平滑法(计划的预测)就不甚理想。但是,正是因为此类产品处于过渡阶段,没多少业务,所以在金额上没多大影响。

此外,销售更在意的是增量,而非存量,或许也是部分原因——一般情况下,需求频率越高,业务也是越稳定,也越是存量而非增量,销售就越是不在意。这或许从另一个角度解释了,对那些需求频繁、稳定的产品,为什么销售的预测质量不如计划人员的。

图3:转化成销货成本,计划的预测优势就更加明显

但不管是基于料号数还是销货成本,有一点是清楚的,那就是对于需求频繁的产品(这里定义为13周频率>=9),销售的预测准确度明显不如一个简单的指数平滑法。也就是说,在那些预测性最高的“短尾”需求上,销售做的需求预测反倒没有优势。一般情况下,销售提需求,数据分析不够;从判断开始,由判断结束。对于这些需求相对稳定的料号,没有人知道得比需求历史更多,这就是为什么一个简单的指数平滑法,就能轻而易举地打败了一线销售。

这就是说,需求越不频繁,判断的成分越多,越得依赖销售、市场、产品管理等接近客户的职能;需求越频繁,需求历史数据的作用越大,越可以依赖计划职能基于数据来预测。对于需求频率低的产品,也就是那些“长尾”、“中尾”产品,企业的自然反应是依赖销售,以销售为主设计了需求预测机制,那就是销售提需求。但是,企业把那些“短尾”产品也不加区别地给销售,造成“短尾”产品的诸多问题。

所以,对于企业来说,我们不能被那些不可预测的“长尾”所蒙蔽,而忽视了“短尾”问题;我们不能光围绕“长尾”问题设计解决方案,而导致在“短尾”上制造更多的问题。放在这个案例中,就是为应对那些客户集中度高、需求不频繁的产品,就让一线销售提需求,做预测;但不加区分地让一线销售负责所有的产品,却造成对需求频繁、稳定的产品预测准确度低,导致更多的短缺和库存问题。

销售是怎么做需求预测的

跟负责这个客户的大户经理谈。他说,这个大客户有好几个分公司,每个分公司有专门的销售负责对接。每个销售负责自己的需求预测,要么是客户提供,要么是自己算,最后汇总到一起,成为这个大客户的需求预测。问:谁在负责汇总?答:几个销售人员轮流。这是典型的兼职行为:每个月都是不同的销售来整合,增加了历史经验传承的难度,因为自下而上地汇总预测,并不是简单地加起来,而是有一定的调整;但轮流坐庄时,这次汇总预测的销售并不能从上次、上上次的调整经验中学到多少东西,因为上次、上上次是别人做的,至于别人如何调整,不知道。

再看看每个销售是怎么做自己的预测的。他们主要是依赖客户的各分公司提需求,一般一个月一次,由销售人员每个月两次修正。客户提的是3个月需求。他们根据生产计划乘以单机用量,加上安全库存,扣掉手头的数量,乘以份额,就是给销售的预测。问:客户的什么人做预测?答:客户的采购自己做——又是兼职做计划。销售也会按照客户的方法来验算。不过销售更加远离客户需求,自己算的准确度有多高,值得怀疑。客户的采购加上该公司的销售,都是兼职做计划,数据分析不足,职业判断有余,或许部分解释了为什么需求预测不理想。

无巧不成书。案例公司的这个客户也来参加我们的公开课培训,其中有一位学员就是负责流程优化,他的老大难就是需求预测,听他讲起种种挑战,让人联想到的第一个词就是“一地鸡毛”。整体绩效也是让人一声叹息:营收达好几百亿,净资产收益率只有2%多一点,不如把门关了,把钱存银行。这并不是偶然:过去10年间,该客户只有3年的净资产收益率超过3%(印象中,银行的定期存款利息都在3个点以上)。盈利这么低,根本原因是管理水平低;管理水平低,需求预测、库存计划等自然做不好,直接影响到供应商。

在这个案例中,案例公司和客户都处于需求预测的第二个发展阶段:兼职做预测——客户的是采购,案例公司的是销售兼职。兼职做预测,根本问题除了资源投入不足,就是数据分析不够,表现在业务量大的产品上,兼职预测的质量远不如简单的预测模型,比如指数平滑法。

那解决方案就可以考虑区别对待:针对产品的特性,需求不稳定、客户集中度高的由销售主导需求预测;需求频繁稳定、客户较分散的由计划人员来主导。企业常见的挑战是胡子眉毛一把抓,管理方法上缺乏差异化,围绕“长尾”需求设计了销售提需求的解决方案,不加区分地用在所有的产品上,结果造成“短尾”需求上更多的问题,那些本来可以避免的问题。

以下是培训信息,不感兴趣者可略过。

-----------------

围绕我的三本畅销书,我设计了三门精品课,2019年全新改版。下面是3月份的日程(第234期到239期国内培训),目前正在报名。

1

需求预测+需求管理:供应链的第一道防线

上海,510;深圳,3月22

所有的预测都是错的,但错多错少不一样。需求预测的目标是“尽量作准、尽快纠偏”:其一,如何有效对接销售和运营,“从数据开始,由判断结束”,做出一个“准确度最高的错误的预测”,争取首发命准?其二,预测错了,如何有效管理需求,尽早发现,尽快纠偏和补救?其三,如何有效实施需求预测,驱动供应链有效响应?

2

库存计划+库存控制:供应链的第二道防线

上海,511 深圳,3月23

需求预测错了怎么办?供应链的自然应对是设立安全库存。科学、合理地设置库存水位,是把合适的库存放在合适的地方,提高客户服务水平和降低库存的关键。我们也会详细探讨库存控制:其一,库存是天使也是魔鬼,究竟多少算合适?其二,库存屡降屡升,成了“打不死的妖怪”,如何应对?其三,信息不对称造成牛鞭效应,如何拿信息换库存?

3

供应链与供应商管理:一个实践者的角度

上海,512;深圳,324

供应链的目标是全局优化,为什么局部优化盛行?供应商对供应链的大多增值活动负责,如何解决“有选择,没管理”的问题?如何做“大采购”,聚焦供应商这一战略资源?该培训着眼供应链的全局观,推动跨职能协作,以优化设计,降低成本;选好、管好供应商,有效管控供应链风险,并系统改善供应链绩效。这也包括客户指定的供应商,以及关键的下级供应商管理。

培训费用都是4300元/人/课(公司付费,开增值税发票),3700元/人/课(自费,或2人及以上团体优惠)。如需详细课程大纲及更多的企业团体打包优惠,请垂询我的助手党琪:182 1756 2014(微信|电话), info@scm-blog.com。


[1]风险库存定义为超出周转库存、安全库存、过剩库存的库存。其中周转库存=周转周期*需求预测;过剩库存是周转和安全库存外,在这个案例里定义为能够在2个月内消耗完的库存。

[2]“指数平滑法”是移动平均法的一种,其特点在于给过去的观测值不一样的权重,即较近期观测值的权重比较远期观测值的权重要大。引自百度百科“指数平滑法”词条。这个案例用的阿尔法值为0.6,即下个月的预测的60%是来自上个月实际销量,其余40%来自上个月的预测。阿尔法值越大,给最新需求的权重越大。指数平滑的公式为Ft = Ft-1 +α*(At-1- Ft-1) 或者是 Ft= α*At-1 +(1-α)* Ft-1。其中t是本期,t-1是上期,F是预测,A是实际值。

供应链管理专栏 刘宝红,畅销书《采购和供应链管理:一个实践者的角度》《供应链管理:高成本、高库存、重资产的解决方案》《供应链管理:实践者的专家之路》作者。分享供应链原创文章,源于实践,指导实践。协助本土企业采购与供应链的转型。培训、咨询的桥梁。
评论
热门推荐
相关推荐
我要评论
0
0
点击右上角,分享到朋友圈 我知道啦
请使用浏览器分享功能 我知道啦