CSCP-M1-Section B：需求分析与需求模式
一、需求分析：从战略到运营的三层扫描
需求分析是贯穿战略、战术和运营三个层级的系统性任务，而非单一部门的职责。在战略层面，重点在于审视宏观经济环境与技术变革，明确长期市场定位；在战术与运营层面，则聚焦于趋势、季节性及促销等具体因素，解决短期库存备货问题。
连接上述层面的核心工具是SWOT 分析。在供应链语境下，内部优劣势评估需基于跨职能真实数据（如技能储备、设施能力、品牌声誉及伙伴反馈）；外部机会与威胁识别则依赖持续的环境扫描，涵盖技术迭代、人口结构、竞争动态及政策法规等。历史教训表明，忽视潜在机会往往会导致其转化为战略威胁。
在战术层面，市场调研（Market Research）是需求分析的主力，CSCP 将其划分为三类：
- 市场分析（Market Analysis）：研究市场规模、区位、特征和潜力，为市场细分提供依据。
- 销售分析（Sales Analysis）：对比销售数据与市场份额，判断企业在特定区域的竞争地位。
- 消费者研究（Consumer Research）：挖掘消费者态度、反应和偏好，为客户细分和需求预测提供定性输入。
市场调研的核心目的包括：第一，发现潜在市场，量化未满足需求或产品改进思路的真实规模；第二，分析市场，明确目标客户、购买时机及动机，奠定市场细分基础；第三，优化产品设计，利用调研结果指导功能、定价及包装，避免 SKU 无序膨胀。需警惕营销部门过度乐观的预测，以免导致产能错配和库存积压，进而削弱供应链对需求计划的信任。
在全球化背景下，需求分析必须具备全球视角。供应链管理者需关注全球采购导致的链条拉长、项目复杂度上升以及信息透明化加剧的市场波动。诸如自然灾害等局部风险可迅速波及全球生产线，因此需求规划的视野必须扩展至全球范围，以应对“全球互联”带来的不确定性。
二、产品评估：供给与需求对齐的校验点
需求分析离不开对产品本身的审视。企业需定期评估产品组合（Product Portfolio），沿验证链确认产品分类、生命周期阶段、服务策略及品牌营销策略的协同性，确保其与市场需求匹配。
产品分类直接影响供应链策略。耐用品与非耐用品、工业品与消费品在速度、成本和质量上的优先级各不相同。若分类与供应链能力不匹配（如用高成本链条运作低毛利产品），将导致战略错位。
产品组合复杂度管理是关键议题。SKU 数量与利润呈非线性关系：初期增加 SKU 可提升收益，但过量会导致采购复杂度和库存成本激增，稀释利润。企业需在营销多样性与运营效率间寻找平衡，方法包括按产品族审视复杂度、采用总拥有成本（TCO）指标、区分客户“想要”与“需要”，以及评估模块化设计的可行性。
产品生命周期（Product Life Cycle）的管理同样重要。产品经历导入、成长、成熟和衰退四个阶段，各阶段对供应链要求迥异：成长期需充足产能防缺货，衰退期则宜转向按单生产（Make-to-Order）以降低呆滞风险。忽视生命周期迁移是引发库存危机的常见原因。
三、需求模式：读懂数据背后的规律
在明确战略方向与产品组合后，需深入解读需求数据。统计意义上，需求可分解为基线需求、趋势、季节性、周期、促销以及随机变动。
1. 宏观经济与微观经济的双重视角
宏观上，GDP、消费者信心指数（CCI）和生产者价格指数（PPI）等指标有助于预判经济周期波动。微观上，供需法则与价格弹性是基础工具。价格弹性系数衡量需求对价格变化的敏感度：弹性大于 1 表示需求变化幅度超过价格变化（如创新产品），小于 1 则表示需求刚性（如必需品）。理解产品弹性特征直接关乎定价、库存及促销策略的制定。
边际分析（Marginal Analysis）是另一实用工具，仅关注增加一单位产出带来的额外收益与成本，忽略沉没成本。该思路对物流网络设计及产能利用决策具有直接指导意义。
2. 中短期需求模式的具体识别
基于企业销售数据，主要存在四种可解释模式：
趋势（Trend）：需求长期内呈现的持续上升、下降或平稳走向，需持续监控以防方向突变。
季节性（Seasonality）：一年内固定周期重复的可预测波动（如节假日、发薪日）。预测时需先剔除季节性（Deseasonalizing），完成基础预测后再加回（Reseasonalizing），以避免模型误判。
周期（Cycles）：跨度超一年的波动（如经济景气循环），其长度和幅度不固定，通常作为定性调整参考。
促销与其他内部驱动因素（Promotions）：折扣、广告等活动对需求的拉升效应。固定规律的促销影响会与季节性叠加，临时性促销则需作为独立变量纳入关联预测模型。
随机变动（Random Variation）：剔除上述因素后的不可预测波动，近似服从正态分布。其幅度直接决定安全库存水平：波动越大，维持同等服务水平所需的安全库存越高。
优秀的预测工作本质上是将“特殊原因变异”（如趋势、季节性）转化为可解释变量，从而压缩“普通原因变异”（随机变动）的比重，构建从宏观架构到微观拆解的完整认知框架。