供应链的三道防线

供应链必读书籍： 《供应链的三道防线》第一部分，全是精华，所有预测均存在误差，但通过整合需求端与供应端信息，可最大限度减少偏差，提高“首发命中率”。

供应链的三道防线

• 供应链的第一道防线：需求预测
  • 供应链是什么
    • 采购→生产→物流 (计划是引擎)
    • 计划告诉采购买什么、买多少，告诉生产生产什么、生产多少，告诉物流配送什么、配送多少。
  • 需求预测由谁做？
    • 谁来做这个预测更准? 数据分析和职业判断结合，整体准确度最高的地方，就是最合适做预测的地方
    • 需求预测是企业博弈的焦点
      • 在公司之间，预测风险由弱势一方来承担 在公司内部，预测风险由最能承担预测风险的职能承担
  • 预测错了怎么办?
    • ①滚动预测，尽快纠偏 ②其次是设立安全库存，应对需求和供应的不确定性； ③最后是计划的先天不足要靠执行来弥补，那就是加急赶工，驱动工厂和供应商快速响应。
  • 需求预测≠销售目标
    • 需求预测是拿供应链的理性来制衡、中和销售的感性的。
    • 对于很多企业来说，长期的快速增长下，把销售目标当需求预测的问题被掩盖了，因为一直是短缺状态，供应没法满足需求。但这容易造成“人有多大胆，地有多大产”的假象，一旦市场饱和、经济低迷，或者企业增速放缓，增量市场突然变成存量市场了，销售目标很难突破，库存和产能就成了大问题。
    • 如何应对 - 销售目标和需求预测不匹配?
    • 其一，启动供应链的三道防线，就跟妈妈应对孩子“能吃5碗”的诉求一样，供应链按照客观可行的6万台来生产，万一需求超出了，就动用安全库存和加急赶工来应对。这里的安全库存主要在原材料、半成品层面—凡是放库存的地方，八成会有某种形式的安全库存。这也要求供应链具备一定的柔性，比如富余产能。 其二，按照老板要求的生产出来，因为很多时候老板的销售目标有其特别考量，比如为了上市或融资，需要一定的市场份额；工厂的开工率不足，多出的量虽然不盈利，却至少可以摊销部分固定成本等。但这个决策需要老板来做，计划和供应链的角色是做详尽的分析，为老板提供决策依据。作为老板，为了消除这样的差距，就得投入资源，比如更多的市场经费、更多的促销活动或者更多的销售人员来产生更多的需求。
  • 始于数据，终于判断
    • 从需求历史开始，基本假定是业务的重复性
      • 你一定是在做某种意义上的重复业务，这种重复性不体现在成品上，就体现在半成品、原材料上，至少在生产工艺上是有共性的。
    • 分别判断需求稳定与不稳定的两类产品 平时/战时 ​两类典型的需求预测问题
      • 平时|需求相对稳定,有章可循,要选择合适的数据模型(简单模型+数据清洗+判断) 战时|需求不确定性大的,要群策群力,整合销售,产品和供应链的智慧,避免大错
    • 从数据开始是种习惯
      • 没有人知道得比数据还多。对于那一万多个SKU，谁的经验也比不上数据分析，问谁也不如问数据。
    • 构建统一的计划数据，形成各职能的共同语言
      • 例: 计划和财务协作（计划最熟悉ERP，财务的数据最可靠）​，基于客户订单层面的数据，建立共同的计划数据库，放到统一的服务器或者云端，让各个职能都来用。
    • 由判断结束，必须要有针对性
      • 数据分析天然有集中倾向，因为集中了就会有需求的聚合效应；判断天生有分散倾向，因为判断跟具体的客户渠道和活动相关，企业大了，没有一个人能够同时管理这么多。
    • 存量来自数据，增量来自判断 存量就是经常性的业务,增量是变化的部分
      • 对于需求相当稳定的产品，我们在公司层面就能很好地预测，驱动供应商生产合适的数量出来，为什么要一个个销售经理来预测？销售关注的是变化的，而不是不变的。
    • 多少数据，多少判断呢 可重复性越高,数据的成分就越多,反之判断更多
      • 客户、渠道的集中度越高，判断的成分就越多; 越是在产品生命周期的两头，判断的成分就越多; 管理越粗放，信息化程度越低，就越依赖业务端的判断(依赖经验,能人)
  • 数据开始 判断结束 为什么这样难
    • 复杂 | 销售与运营的协调流程难以通畅
      • 全国、全球运营，后端动辄有几十个、几百个运营人员，前端有几百个、几千个销售人员，他们分布在不同地域、不同时区，操不同的语言，再加上几十个、几百个产品，对应众多的产品管理、市场营销人员，要把前后端有效连接起来，有数据的出数据，有判断的出判断，其复杂度可想而知
    • 给供应商时，采购能不能调整预测? 关键: 同一个计划!
      • 采购怎么调整计划呢？把需求历史调出来，根据过往需求打个折，或者加个码。得，这不就是计划应该做的数据分析吗？采购调整预测，其实是在弥补计划的不作为。
    • 没有预测，意味着有多个预测 没有标准，意味着有多个标准
      • 对于管理粗放的企业来说，表面的挑战是没有预测，实质问题则是预测太多—不确定性太大，企业没有预测/有预测而不信任预测，各个职能会制定自己的预测。
    • 计划软件往往优于人工，为什么不被采用 (软件只做基准预测|改善库存结构|水土不服)
      • 好的软件系统可以帮助我们做好基准预测，完成"从数据开始"​，但"由判断结束"的问题，比如与运营协调，由市场,产品端提供判断,调整预测， 却并不是软件能够解决的
      • ①高库存、低有货,②高库存、高有货,③低库存、高有货; 计划软件的更大价值在于改善库存结构,做第二阶段的事，实现高库存下的高有货
      • 软件虽然很好，但由于各种因素很难用(比如没有清洗数据)，计划的结果不可靠；或者其中的逻辑复杂，计划人员没法理解，不理解就不信任，不信任就自然不用。
    • 经验主义与教条主义
      • 到了一定地步，光靠经验，你只能是原地踏步，不进则退。​“数据派”的教条有普适性，是我们更上一层楼的基础，但光靠教条，你也会“死”得很惨。企业到了一定规模，教条主义(数据分析)为本，经验主义(判断)为辅，两者结合才是更好的解决方案。
      • 数据分析能力太低，数据分析不到位，教条主义解决不了问题，人们就容易滑向经验主义，开始特殊化自己的问题，怀疑数据分析。于是就倒退为经验主义，一线提需求，销售做计划，继续深陷在粗放管理的泥淖里。
  • 由判断结束： 判断什么，怎么判断
    • 判断一定要聚焦具体的产品/客户/渠道/活动 识别和管理“大石头”
      • 对于很多产品来说，虽然每个产品有多个客户，但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，需求变动不大，而且东边不亮西边亮，变动往往会互相抵消。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。
      • 真正重要的呢，是那些需求集中度高的产品。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为40%，这个大客户的需求一旦变动，对供应链的影响就很明显。这样的产品—客户组合就是“大石头”​，要从众多的“小沙子”中筛选出来，让对应的销售重点关照，有的放矢地管理需求变动。
    • 提高判断的一致性，提高判断质量
      • 有重复性的(存量)交给数据模型，没有重复性的(增量)拆分出来让判断。对于增量部分，要尽可能地借助统一的标准和决策流程，采取更加结构化的方式来应对。
    • 如何减少判断中的偏见
      • ①使用者偏见:当预测的制定者也是预测的使用者时，容易产生偏见。比如销售提需求（做预测）​，作为销售业绩承诺时，他们会倾向于偏低
      • ②近期偏见: 人的记忆非常短，决策很容易受最近发生的事情影响。比如给房子买洪水险最多的，就是洪水刚过的那段时间，而买洪水险最少的呢，正好是发生洪水前的那段时间—连续几年不来洪水，大家好了伤疤忘了痛，都把洪水险取消了。
      • ③可得性偏见:提起空难，人们总是充满恐惧，殊不知死于车祸的概率大多了，无非是新闻中不报道罢了。
  • 在合适的颗粒度上做预测 推拉结合
    • 自来水模式: 在颗粒度大的地方做预测 仍然要额外处理"大石头"
      • 当各平台分散预测时，只有60%不到的产品是"短尾"​，别的都是更难预测的"中尾"或根本没法预测的"长尾"​；当把各个门店的需求集中起来，在公司层面预测时, "短尾"的比例就提升到接近80%。"短尾"产品越多，理论上越好预测，预测的准确度也越高。
      • 在“自来水模式”下，各分支机构不需要做预测，汇总成总体预测来驱动生产和采购，因而也消除了协同的必要。要知道，最好的预测是不需要预测，最好的协同是不需要协同。
      • “自来水模式”下，不用做预测的是“细枝末节”​，或者说“小沙子”​，并不是说所有的分支都不用做预测。打个比方。作为万千居民的一分子，你搬到一个新的城市，是不用向城市供电局预测自己的用电量的，但是，如果你是个电解铝厂，这就不适用：电解铝厂需要消耗大量的电，它们是“大石头”​，能够显著改变一个地区的用电量，如果要在某地设立新厂，就得跟供电局合作，确保当地供电局能够供应。
    • ZARA的"自来水模式" 半成品与成品的推拉结合
      • ZARA在供应链上设置了两个推拉结合点： 第一个是半成品，针对标准化的半成品做预测，用自动化程度高的生产线大批量生产（推）​，然后根据市场需求的偏好对颜色、配件等进一步定制（拉）​；
        • 快时尚、快消品行业的颜色等流行元素很难预测，所以SKU的预测准确度低。ZARA在半成品层面不预测颜色，而是等到市场流行元素更清楚时再染色，降低了提前在SKU层面做预测造成的成品库存风险。
      • 第二个是成品，ZARA在总的配送中心层面预测需求，驱动整个供应链，而各地门店要多少，就下单补货多少，几天内到货—门店要做的只是提货计划，只覆盖补货周期这几天，而不是整个生产和采购周期。
        • 渠道、门店的颗粒度小，预测准确度低，如果采取服装行业常见的订货方式，库存一旦压到渠道、门店，就容易出现“积压的积压，短缺的短缺”问题，降低库存的效率。
    • 推拉结合点的设计 找到规律与共性是需求预测的重点-适度收口子
      • 供应链没有百分之百的推，否则库存风险太大，股东受不了；也没有百分之百的拉，否则交付太慢，客户体验太差。每条供应链都是推拉结合的：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。
      • 本质上,推拉结合是在合适的颗粒度上做预测，即在原材料/半成品/成品层面做预测: 按库存生产模式下(备货型生产)​,推拉结合点(预测颗粒度)设在成品层面，库存风险大 按订单生产模式下,推拉结合点设在原材料层面,前提是原材料有共性，库存风险可控 按订单组装模式下,推拉结合点设在半成品层面，前提是设计的模块化和标准化
      • 从按库存生产到按订单组装、按订单生产，再到按订单设计，不管是哪种推拉结合，我们总是在做某种形式的重复生意，只是重复性体现的位置不同，要么是成品，要么是半成品、原材料，最不行也是在生产工艺层面有共性。这也表明，不管需求多么复杂，我们总是要在某个层面收口子的，否则就陷入以无限对无限的境地，注定没有规模效益，而没了规模效益，供应链注定成本做不低、交付做不快。
      • 即便成品层面是订单驱动，在原材料、半成品、产能规划等方面，还是离不开预测。这就如你家做饭是“订单”驱动，没有“需求”​，你不会把一周吃的小白菜都给炒出来放着。但是，你究竟要备多少小白菜，买多大的冰箱放小白菜，却是预测驱动的。订单驱动，只是说在成品层面不做预测，而是把预测对象推到半成品或原材料层面，而预测的本质并没有变，甚至更难对付。
    • 四种不同的业务，四个层面的颗粒度
      • ①项目层面，需求定制化程度最高,②大客户层面(大客户管理,需求有一定聚合效应), ③线下渠道(更稳定,可预见性更高), ④线上渠道(需求可预见性最强)
  • 需求预测谁来做? 让合适的职能做预测
    • 为什么一线销售做不好需求预测
      • ①预测颗粒度太小,预测准确度注定不高:假定公司有100个一线销售，那就意味着每个一线销售只预测总需求的百分之一。
      • ②缺乏有效的责任机制:有几个销售是因为预测准确度低而被开掉的？销售丢了工作，大都是销售业绩不达标。没有责任机制的事是做不好的
      • ③一线销售是个有判断、没数据的职能。有几个一线销售熟悉基本的预测模型，能做基本的数据分析？
      • ④考核能解决“愿不愿做”的问题，但没法解决“怎么做”的问题。考核没法代替管理。
    • 既然做不好，为什么一线销售还在做预测 企业当前理性选择|销售最能承担预测失败风险
      • 一线销售提需求(做预测)，是企业在系统、流程能力不足的情况下的理性选择。要改变这种现状，得通过提高系统、流程的能力，而不是简单地采取组织措施
      • 需求预测的风险太高，公司里谁都承担不起，最后只能由最能承担风险者做预测。自己做饭自己吃，错了也只能怪自己，他们再也不能拿预测不准为借口。
    • 需求计划的进化史
      • 单一职能 | 兼职
        • 最早的需求计划是单一职能在做，且往往以兼职的形式。比如，公司小的时候老总做计划，公司大点后执行职能兼职。自上而下基于销售目标做需求预测，英语里叫“政治预测”​，也是这个阶段的常见的做法。单一职能做预测，预测准确度低；跨职能没达成共识，多重预测并存，是这个阶段的显著特点。
      • 跨职能 | 从数据开始，到判断结束
        • 然后发展到跨职能共识阶段。本书讲的“从数据开始，由判断结束”​，就是跨职能共识预测。计划职能的数据分析，加上业务端的职业判断，让预测的准确度更高；跨职能达成共识，让需求预测的约束力也更强。这也是对多重预测的应对方案，但生成的需求预测往往是非限制性的，即没有或没有充分考虑生产、采购能否满足。
      • 销售与运营计划(S&OP) | 跨多个职能 产品，生产，采购，财务
        • 需求计划达成共识的范围更大，成为协同各职能的关键。这就是销售与运营计划（S&OP）​。S&OP涉及的职能更多，时间跨度更长，需求预测成了限制性的预测，供应链得按照这个计划生产出来，销售得按照这个计划销售出去，财务得按照这个计划准备资金，生产、供应商得按照这个计划来准备产能等。
      • 协同计划、预测和补货（CPFR）
        • 需求预测超越企业的边界，跟供应链伙伴对接起来。这就是协同计划、预测和补货（CPFR）​。这最早是零售行业发展起来的。比如沃尔玛每卖掉一瓶洗发水，相应数据就传递给宝洁，帮助宝洁安排后续的生产和补货计划。这是在拿信息换库存：信息越对称，不确定性就越小，库存也就越少。跨职能之间如此，公司之间也是如此。
      • 集成业务计划（IBP）
        • 集成业务计划（IBP）把S&OP的思路延伸到整个供应链、产品和客户，形成端对端的管理流程。IBP更多从财务视角，为企业决策层提供决策依据。IBP的出现，也跟S&OP日渐成为运营层面的工具有关。S&OP刚导入的时候，是为解决企业中长期的产能与销售目标平衡问题。但是，在实际操作中，S&OP越来越下沉到运营层面，成为日常运营中各职能达成共识预测的工具。IBP就应运而生，从而在更高层面指导企业决策。
    • 需求预测汇报给哪个部门 现代专业化分工需要建立在流程完善的基础上
      • 需求计划属于哪个部门呢？这取决于销售与运营协作流程的完善程度：当该流程比较完善的时候，需求计划一般汇报到供应链职能；否则的话，要汇报到销售、市场等更接近客户的职能.
      • 当前端的销售和后端的供应链对接不畅时，供应链没法有效得到销售的职业判断，汇报给供应链容易导致需求计划成为“寡妇岗位”​，难以有效发挥作用。 当销售老总对需求预测负责了，就会采取组织手段，驱动销售来支持计划。这其实也是用组织的力量来弥补流程的不足，打通销售与运营协调流程。 一大风险是，有些销售老总对专职需求计划的重要性认识不足，所以一旦需求计划向销售汇报，就有可能成为一个辅助功能，帮助销售汇总自下而上的预测数据，或者帮助销售老总分解销售目标，这从一定程度上边缘化了需求计划职能。
      • 需求计划汇报到销售或市场时，还会造成计划与执行的二度分离，增加了计划与执行交互优化的难度，影响执行的效率和全局优化。 二度分离指的是：需求和计划分离，计划和供应链执行分离 ①在销售部门内，计划与销售产生职能分离。②在销售部门与供应链部门当中，销售职能与供应链职能分离。 理想情况是：需求计划在供应链部门，与运营销售职能分离。并且只有这一个分离。
      • 同时，我们必须明确， 一度分离的理想情况是建立在流程完善的情况下的 当妈妈和保姆之间缺乏高效的协同机制，计划与执行的分离就会导致效率下降。 换句话说，我们接受“职能分离”，但反对“流程割裂”。 现代专业化分工，如果想要发挥其最大的正面效应（专业、高效），同时抑制其负面效应（部门墙、信息孤岛），其基础就必须是完善的流程和信息系统。
    • 什么是端到端的思想
      • 在供应链业务流程中，端到端端到端流程包括：需求预测，采购与寻源，原材料物流 ，生产制造，库存管理，仓储与分拨，订单处理，物流配送，售后服务与退货。
      • 端到端思维意味着：公司不再是割裂地看“采购成本”、“生产效率”或“物流速度”。而是将所有这些环节视为一个整体，目标是优化整个链条的总成本、总效率。
      • 传统的、非端到端的模式下，计划部门的职责可能仅仅是“制定出一个看起来完美的计划”。计划完成后，他们的任务就结束了。但在“端-到-端”的模式下，计划部门的职责变成了“通过制定和调整计划，确保最终业务目标的达成”。 这意味着计划部门必须关心订单最后的情况，具体体现在以下几个方面： ①关心可执行性,②关心可执行性,③建立反馈闭环(关心订单的最终情况，最重要的目的是为了学习和改进)，④从“计划员”转变为“业务伙伴”
      • 当计划部门开始关心最终结果时，他们就不再是一个孤立的职能部门。他们会主动与销售、市场、生产、物流等部门沟通，成为协调各方资源、共同对业务结果负责的“业务伙伴”。他们思考的不再是“我的预测准确率是多少”，而是“我们的计划如何帮助公司赚到更多的钱，同时让客户更满意”。
      • “端到端”是一种思想和原则，它并不意味着要废除各个部门的专业职能。 计划部门的核心职能依然是管理库存健康，运营部门的核心职能依然是确保销售和交付。如果计划部门完全听运营的，那就是失职。反之亦然。 那么，“端到端”思想在这种现实冲突中，到底起什么作用呢？ 它的作用不是让一方听另一方的，而是提供一个更高维度的决策框架，让这个看似“部门对部门”的矛盾，上升为“对公司整体最优”的共同议题。
      • 运营缺货？供应链控周转？ 运营和计划不再是互相争吵，而是需要共同向决策层（比如总经理或S&OP委员会）回答以下问题，并且要用数据说话： 运营需要量化“缺货”的代价，计划需要量化“库存”的风险： 这样，决策者看到的就不再是两个部门的争执，而是一道清晰的商业计算题：为了获得[运营预测的额外利润]，我们是否愿意承担[计划计算的库存风险成本]？
  • 供应链能力的体现 组织,流程,系统三位一体
    • 需求计划的专职化是为了提高计划能力。 能力，是组织、流程和系统的三位一体
      • 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； 系统指的是信息系统，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，评估组织和流程是否达到既定目标。
      • 组织、流程和系统相辅相成，当一方面的能力不够时，就得由另一方面的能力来弥补。也就是说，一方面的短板，一定得由另一方面的“长板”来弥补。
      • 供应链管理是以专业分工为基础的，先分后合—分是专业化，合是集成化。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—供应链就如一只复杂精致的钟表，里面单个的零部件运作不好，钟表能走得准吗？
      • 专业分工的结果是对流程、系统的要求更高，因为分工后的职能需要流程、系统来支撑。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动，要着眼于组织变更背后的系统、流程建设，兼顾组织、流程和系统的整体改进
      • 信息系统的能力薄弱,要么需要依靠流程去弥补,要么需要依靠组织能力去弥补(个人能力或更多的人)
    • 组织:采购两层分离 供应商管理和订单处理的分离
      • 两层分离的好处，是有专人负责供应商层面的事，比如供应商选择和整体绩效管理。两层不分，管理资源往往被订单层面的琐碎杂务所侵占，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，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？
    • 信息系统:统计供应商绩效 比如按时交货率和质量合格率。
    • 流程:数据的产生、收集
      • 就拿按时交货率来说，围绕每个订单的每一行，采购要收集供应商的承诺日期，并且把该日期录入ERP，以统计实际交付是否按时。但在这个快消品企业，业务急速发展，采购员人少事多，根本没有资源去做这些：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，即使有了信息系统，还是没法较准确地统计绩效。
  • 需求计划做什么？
    • 清洗历史数据，做基准预测
      • 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。 ①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。②要选择合适的统计模型。③如果是没有足够历史数据的新品，​就只能参照类似产品的历史数据。
    • 开预测会议，结合业务计划调整预测
      • 历史不会重复，这意味着基于需求历史的基准预测一定不完美。需求预测会议是征求关联部门的判断，对基准预测做出调整。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（如果有）​ 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。 这样的预测会议，能开2小时到半天，开一天也不夸张，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地过，都是非常有必要的。
      • 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。
    • 开预测决策会议，解决缺口与分歧
      • 总经理决定分歧
    • 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， 如果组织还比较小，这两类计划可以由同一个人来担任，那么他就要结合总仓库存做好采购计划(评估供应能力，必要时调整需求预测，削峰填谷)，传给工厂，并且对工厂发货、运输、进口等环节进行跟进。这些事情虽然琐碎，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。
    • 当月销售监测 滚动监测，快速跟进
      • 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，需求计划仍然不能想着“反正预测已成定局”​，就地等死，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。
  • 需求计划的绩效管理
    • 好的管理，需要“自相矛盾”的指标
      • 需求计划的指标是 按时交付水平 和 库存周转率。这两者是自相矛盾的。 要想提高按时交付水平，最简单粗暴的方法就是大量备货，确保万无一失。但这会导致库存水平飙升，库存周转率 下降。要想提高库存周转率，最简单的方法就是保持极低库存。但这会频繁断货，严重影响 按时交付水平。 正因为这两个指标相互制衡，需求计划人员就不能走极端。他不能为了交付而无脑堆积库存，也不能为了降库存而牺牲客户。
      • 单一指标驱动，聪明人就会做傻事：如果只考核“按时交付”，计划员会变成“库存之王”；如果只考核“库存周转”，他就会变成“断货专家”。这两种情况对公司整体都是灾难。
    • 打破纵向的部门墙， 建立强相关的“横向指标”
      • 纵向指标：自己部门内部的效率指标，比如“我的生产成本”、“我的采购价格”。 横向指标：衡量“我这个部门对下一个部门的服务承诺”的指标。它像一根绳子，把上下游部门串联起来。
      • 生产部 不仅要考核“单位成本”，更要考核一个对计划部的横向指标：“计划达成率”（比如，承诺计划部X天交货，95%的情况下必须兑现）。 采购部 不仅要考核“采购价格”，更要考核一个对生产部的横向指标：“来料准时率”（比如，承诺生产部Y天交货，95%的情况下必须兑现）。
      • 需求计划是整个供应链的“大脑”和“眼睛”，它感知市场变化，决定了整个链条要往哪里走。 供应链之所以能成为一条“链”，而不是一盘散沙，靠的不是口号，而是这些实实在在的、一环扣一环的“横向服务指标”。这些指标就是把龙头（计划）和龙身（生产、采购等）连接起来的筋骨，确保龙头一摆，龙身就能随之而动。
    • 需求预测最终结果，计划先挨板子 销售老总负终责(责任百分百传递)
      • 如果销售的老总不对需求预测的最终结果负责，计划就习惯性地成了销售业绩不达标的替罪羊。
      • 销售的老总对需求预测最终负责时，他会驱动他的销售努力弥补计划的不足，解决多余库存的问题。这时候，需求预测才有可能同时约束销售和供应链：供应链按照需求预测生产出来，销售按照预测卖出去。
      • 如果销售对库存，即需求预测的最终结果负责，库存积压百分之百地形成销售的成本，降低他们的毛利，相信销售的行为会截然不同。
      • 需求计划没做好，产生一堆呆滞库存，那作为第一责任人，计划得先挨板子，比如这半年的奖金没了，甚至丢了工作。
      • 但那堆呆滞库存的最终解决方案，还是得在销售那里找，因为库存形成了，还是那句老话：即便是送人，也要销售去送。
      • 企业就如动物世界，销售一般是强势职能，处于支配地位；计划一般是弱势职能，处于被支配地位。让强势的销售对最终结果负责，更可能驱使弱势的计划职能改进；而弱势的计划职能呢，离开绩效考核，是断断不能驱动强势的销售职能的。
      • 有呆滞，计划职能首先百分之百负责，如果需求计划是他们做的话；但对于那些呆滞库存，只能依靠销售来处理，如果销售处理不掉的话，就形成成本，降低销售毛利，销售少拿提成，甚至承担更多的绩效考核。
  • 需求预测怎么做得准？
    • 需求预测：分门别类，区别对待 每种产品预测都要数据和判断,无非比例不同
      • 短尾产品——历史数据有相当大的可参考性，主导职能是计划。· 我们这里把12月频次大于等于8、离散度小于等于0.75的定义为短尾产品。这种分法仅仅是示例，具体的标准要视企业的具体情况而定。这些产品占所有产品的12%，它们的需求相对频繁，变动也相对小，是用数据模型来预测的理想对象，并不需要太多的判断，除非是有设计变更、大客户的导入导出等。
      • 中尾产品 中尾产品的需求之所以频繁但不稳定，往往是因为有显著改变需求的事情在发生，比如促销、活动等“大石头”​，要么是企业自己驱动的，要么是客户、竞争对手驱动的。我们的应对方案就是基于数据模型，制定基准预测（往往需要数据清洗）​，然后结合销售、市场、产品等的判断，​“从数据开始，由判断结束”​，来制定需求预测。
      • 长尾产品——要么由订单驱动，要么由销售提需求，主导职能是销售 剩下的就是长尾产品，它的需求很不频繁，也很不稳定，可预测性非常低。这类产品所占业务比例往往不大，但产品数量众多，在小批量、多品种环境下尤甚。对于图1-50中的案例企业，此类需求往往是项目驱动，或者客户定制的。对于这里的养殖企业，养殖场设备的有些备件就是典型的长尾：有时候一年换一次两次，有时候几年也不坏。
    • 长尾产品的解决方案
      • ①不见兔子不撒鹰，由订单驱动，这是在承担客户体验的风险。 ②承担预测风险，备风险库存—在备品备件领域，慢动备件即属此列，一旦缺失，产线、设备就没法运行，对业务影响巨大，不能不备，但要备的话预测准确度低，库存周转慢，呆滞风险高。 ③在颗粒度更大的层面做预测，如不是在子公司、工厂层面，而是在总公司层面做计划。服装行业有些极端尺码比如超大码不是在每个零售店备货，而是在一定商圈里的某个地方备，别的零售店有需求的话调货。有时在成品层面是长尾，但多个长尾产品用有共性的长周期物料，那可在长周期物料层面做预测，也是在更大颗粒度上做预测。
    • 小批量需求与大批量供应的矛盾 前端防杂，中间治乱，后端减重
      • 供应链有刚性，要求有一定的规模才能把单位成本做下来，但代价就是速度也慢下来了，对需求变动的响应也慢了。 解决方案，还是要回到“前端防杂，中间治乱，后端减重”上来：前端控制需求的复杂度，增加规模效益；后端减轻重资产的影响，降低对批量的依赖；中间做好计划，改善供应链的三道防线。
      • 对于供应链运营来说，前端的需求主要是由市场、销售和产品设计决定的，一旦产品设计出来，供应链能做的就非常有限； 后端减重涉及产线改造、设备投入等，成本高，也很难改变。 而中间治乱呢，主要是改善计划，是供应链运营能够更大限度影响的，也是投资回报更高的领域：在相同的需求和供应条件下，计划做得更准，调整得更合理，效果还是很明显的。
    • 尽快纠偏要从产品开发阶段开始 产品上市前就要进行预测迭代
      • 在案例企业，我们把3个月的供应周期分解为三段：长周期物料（比如面料）的采购大致1个月，半成品深加工（比如染色）大致1个月，成品加工大致1个月。 相应地，在新品开发阶段，我们有3个决策要做，也就是说有3次调整需求预测的机会： 1.倒数第3个月的时候（第13周）​，我们要决定长周期物料的采购（决策①）​，这是制定初始预测。 2.倒数第2月的时候（第9周）​，我们要决定是否对原材料深加工（决策②）​，这是第一次更新预测。 3.倒数第1月的时候（第5周）​，我们要决定究竟加工多少成品（决策③）​，这是第二次更新预测。 与这3个决策相对应的，是供应链上的3个推拉结合点：原材料、半成品和成品。就产品形态而言，越靠近原材料，呆滞的风险越小，短缺的风险越大；越靠近成品，短缺的风险越小，而呆滞的风险却在增加。
      • 供应链的响应周期那么长，新品的初始预测要提前那么早做，而且往往是销售、产品、老总“拍脑袋”的结果，就注定做不准；一旦做出，预测制定者往往是“只管生不管养”​，不回头看，​“养”的任务就交给计划来主导—跟随着产品、项目的进展，计划需要纳入更多的信息，及时调整、更新预测。
    • 需求预测错了怎么办 滚动预测，尽快纠偏
      • 预测错了怎么办，我们一般有三种应对方案： ①监控，尽早发现，尽快纠偏，这是下面要详细探讨的； ②设置一定的安全库存，应对需求和供应的不确定性，这是下一章的重点； ③选好、管好供应商，驱动供应商快速响应，这是我的红皮书的重点。
      • 试销 做得早的，今年就试销明年的，主要是检验来年主推产品的面料：选特定的面料，做个款式，如果反响好的话，就用作下一年的主打面料。这背后的逻辑是，面料的延续性相对较好，今年反响好的，来年一般也受欢迎。相反，颜色、款式的流行元素就更多，很难像面料那样早地验证。
      • 新品售罄率跟踪 新款上市后，导入期一般为两三周，销量数据非常重要，需要盯紧，比如每周回顾，以便调整后续预测。 我们在第1天、第1周、前3周的销售数据出来后，三次系统地回顾和调整需求预测，来驱动整个供应链快速响应，比如长周期物料的采购、半成品的深加工等。这就是典型的“快反”— 快时尚行业的热词。
      • 人们一提到“快反”​，就习惯性地联想到让供应商、生产线快速反应，是执行的快反。其实，快反首先要体现在计划上，表现为快速滚动预测、及时调整计划。毕竟，想不到就很难做到，我们计划职能连想都想不快的话，还能期望生产线、供应商执行得快吗？
      • 任何一件事情做砸了，如果及时补位、及时纠偏的话，没有什么灾难是不可避免的。新品计划要避免而且能够避免大错特错，只要及时纠偏，我们可能会有点损失，但不会是灾难性的损失。
    • 建立滚动预测的更新机制 计划的冻结期,半冻结期与自由期
      • 滚动调整的节奏跟业务变动相匹配。如果业务变动不大，没有更多的新信息，滚动预测也没有多少调整，就容易流于形式。当业务变动剧烈的时候，比如新产品上市，老产品下市，设计变更等，显然需要更频繁地调整预测。快时尚产品，尤其是通过电商导入的，上新期间甚至每天都可能要看订单变化，调整预测。
      • 在滚动频率上，要特别避免陷入滚动越快越好的误区。有个营销老总说，他们为了尽快响应市场变化，决定每两周做一次销售与运营计划。该企业在全球运作，整个计划滚动涉及上百人（因为采取层层提需求的方式）​，而且手动操作居多，周期长，效率低，两周滚动一次，急急忙忙，很多数据收集和分析工作都做不到位，预测的质量有限。
      • ①在冻结期内，对预测的数量和时间调整，供应端可拒绝执行，否则执行成本太高； ​②在半冻结期内，供应端要满足一定的时间调整（比如适当提前或推后）​，但可不响应数量调整（因为原材料等很难在短期获取）​； ③其余的是自由期，预测的数量和时间都可以调整（这一般是采购提前期外）​，供应端必须满足。
      • 三类期限的长短，取决于供应链的执行能力，以及计划和执行的力量对比。在有些公司，生产和采购、供应商很强势，冻结期就往往很长，甚至是一旦进入采购提前期就不得做任何调整，不管是数量还是时间。
    • 需求预测，供应链执行的应对 培养战略级供应商
      • 对量大的款，把订单拆成几次，而不是一次下达给工厂，也是规避风险的常见做法。量大的一般分三次（比如433）或者两次（55开）下达订单。
      • ①滚动预测与产能预留 品牌方会提前（比如季度或半年）给工厂一个滚动预测。这个预测不具备法律约束力，但它能让工厂对未来的订单量有一个大致预期。这不只是简单的问：你有多少产能？ 基于这个预测，双方会签订一个产能保障协议。品牌方可能会支付一笔定金，或者承诺一个最低订单量，来“买断”或“预留”工厂的几条产线。这样就确保了当品牌的第二、三批紧急订单下达时，工厂有能力、有意愿立刻生产，而不是安排其他客户的订单
      • ②信息的双向共享 紧密的合作意味着信息流是双向的、实时的。 品牌方 -> 工厂： 第一批货的实时销售数据会尽快分享给工厂，让工厂直观地感受到市场的冷暖，理解为什么第二批订单要调整。 后续的促销活动、直播计划等，都会提前告知工厂，让他们为可能到来的补货高峰做好准备。 工厂 -> 品牌方： 生产进度： 生产过程中的任何异常（如设备问题、物料延迟）都会及时同步给品牌方 物料库存： 为后续批次准备的原材料库存状况是透明的。
      • ③风险与利益的共担 分批下单模式下，工厂承担了“订单不确定”的风险。因此，品牌方必须拿出诚意，与工厂共担风险。 原材料备料： 最常见的做法是，品牌方承诺消化为后续批次准备的核心原材料（尤其是定制的面料、辅料）。即使后续订单取消，品牌方也会支付这些材料的费用，或者将其用于其他款式的生产。 定价机制： 这种小批量、快反应的订单，其单位生产成本通常会比一次性大单要高一些。品牌方愿意支付这部分溢价，作为购买“柔性”和“保险”的费用。
    • 怎么知道预测错了，需要纠偏 所有的突然之前，都伴随着漫长的伏笔
      • 如果从客户订单一落地，我们就监控订单量，跟预测值比较，判断预测是高估还是低估，并采取相应措施的话，就可能为我们争取更多的时间。这背后的逻辑是，大多数变化都不是突然发生的，而是有个过程；如果我们跟踪需求，识别变化，及时了解变化背后的原因，我们就可能及早发现问题，及时纠偏，有效管理这样的变化
      • 企业的业务一直处于变动中，变是绝对的，不变是相对的，我们不能事无巨细都去管，因为大多数变化可由安全库存、产能冗余、供应链执行等来消化。这样的变化是“小沙子”​，是“杂音”​，不会造成严重后果。我们真正需要应对的，就是那些震级高、破坏力强的地震。放到企业业务中，就是那些变化幅度大、影响金额高的“大石头”​。
      • 任何事情都有“十月怀胎”的过程；看上去是突然发生的，其实不过是你突然发现罢了。解决方案呢，在于跟业务端紧密联系，积极管理需求；即便业务端不说，计划人员也要主动探听
    • 他没说，那你问了吗？ （周例会）
      • ①议程固定 每次会议，计划员和销售经理都有个固定的清单，总共包括九类问题，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，以及高风险、高影响的产品等。有些事情，虽然在销售的眼里还不很确定，也需要告知计划，因为计划和供应链可能会做点什么。
      • ②内容具体 这是把会谈内容落实到具体的产品、规格、型号，跟具体客户的具体信息联系起来，比如工厂、产线、设备等，这样才能言之有物。 在日本和中国台湾地区有几个很优秀的计划员，他们每人维护一个短短的“问题产品”清单，任何时刻就那么几个主要产品，数量很少超过两双手的手指头。之所以说优秀，是因为他们能从满地鸡毛中提炼出真正重要的问题来。
      • ③有说有做。 这是指要有具体的行动。销售经理满足了计划的“好奇心”​，计划当然得干点什么，比如定量的变化要体现在需求预测中；定性的变化要通过邮件、会议纪要来沟通，并及早通知生产和采购来评估，万一这个项目能够拿下来，有没有足够的产能和长周期物料等
    • 聚焦重点客户的重点变化 弥补内外部客户的能力，才能解决问题
      • 对于计划和供应链来说，最简单识别大石头的方法，就是谁给你制造的麻烦最多，谁就可能是你最重要的客户，需要定期、不定期地沟通，理解和管理他们的需求。
      • 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，还是因为业务变化大，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上，比如围绕特定客户，每周开例会，每月汇报绩效等，这都是资源的投入，也是需求管理的具体措施。
      • 对于内部客户来说，也是同样的道理。比如一个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。
      • 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。证明他们不够聪明不是解决方案，弥补他们的能力不足才是。