需求预测：供应链管理的永恒难题
需求预测是供应链管理中的核心议题。尽管市面上涌现出 BlueYonder、SAP IBP、Anaplan 等各类预测软件，甚至引入 AI 技术，但实际落地效果往往不尽如人意。常识告诉我们，若存在一款仅需输入参数即可实现精准预测的软件，全社会库存将大幅下降，物流仓储行业亦将面临重构。为何软件商宣称的“高准确度”在使用方手中大打折扣？预测究竟是否靠谱？
预测准确度的维度错位
软件商与使用方往往不在同一维度讨论问题。“预测靠谱”所指的准确度，由产品颗粒度和时间跨度两个维度决定。以瓶装水为例，既可预测品牌总需求，也可细化至单一 SKU；既可预测明日销量，也可展望三月后。普遍规律是：颗粒度越细、时间越远，准确度越低。因此，双方对“准”的定义存在本质差异，导致预期南辕北辙。
基于运营场景定义预测粒度
预测的本质是为运营服务，运营需要什么维度，预测就应提供什么维度。不同环节对预测的要求截然不同：
- 采购环节：关注 BOM 角度的原料需求，需提前 1 至 3 个月预测，以便锁定供应商供货计划，具体 SKU 预测意义不大。
- 制造环节：需要周维度的产品大类（如瓶装水、茶饮）需求预测，以辅助排产和排班。
- 销售与物流：需精确到具体产品、具体门店或超市，时间维度需细化至周甚至天，以确保按时交付。
综上，不同业务环节对预测维度及准确度的要求各异，不可一概而论。
预测工具的局限性与数据依赖
关于是否有工具能实现完美预测，答案是否定的。无论是基于历史数据的统计分析，还是机器学习算法，其核心逻辑均为“通过已发生的事实总结规律以推测未来”。对于历史上未发生过的事件（如竞品突发的价格战策略），工具无法预判。此外，预测结果严重依赖数据准确性。数据采集本身的偏差（如 Sell-in 与 Sell-out 的差异）及主观干扰，都会直接影响输出结果。
因此，核心任务不应是执着于“如何让预测更准”，而应是“如何管理预测偏差对运营的影响”。目标是通过系统化方法，将偏差控制在运营可承受范围内，并持续迭代校准。
五步法系统纠正预测偏差
建议引入“人”的判断，结合不同层级立场与工具，通过以下五步系统性抵消偏差：
第一步：自上而下的预测
基于年度预算和销售计划分解得出，反映管理层的愿景与主观意志（如设定 20% 的增长目标）。
第二步：自下而上的预测
汇总基层销售、合作伙伴及市场竞品信息，反映一线真实需求信号（如渠道库存积压、实际动销仅增 5% 等）。
第三步：统计预测
利用软件或 AI 基于历史数据建模，剥离人为主观认知，仅反映客观历史规律推导出的数据。
第四步：销售共识会
由销售团队召集相关部门，对比上述三版数据，深入追问差异原因，最终敲定“三合一”共识版本。此版本并非追求绝对准确，而是追求“适用性”：即数据是否足以支持商业决策，且现有系统能否承受潜在偏差带来的损失。这是一个在资源投入与风险承受力之间的平衡点。
第五步：复盘与迭代
待真实结果出炉后，总结差异、复盘原因，进而迭代模型与参数，争取下一次预测更加精准。
案例解析：人机协同的价值
在某消费品品牌的年度预测中，管理层目标为 100（冲增长），一线销售预估为 70（保守避库存），统计工具结果为 85（历史外推）。共识会并非简单取平均值，而是深究差异背后的逻辑：目标的 100 需要哪些假设支撑？一线的 70 含多少“水分”？历史数据在明年有多少可复制性？
经研判，最终共识可能定为 88。团队需明确这 88 中多少是确定的，多少存在偏差，以及偏差对各环节的影响是否可控。在此过程中，管理层的主观意愿与一线的保守倾向形成博弈，而工具预测提供了客观的第三方视角，揭示差异并促成理性共识。必须强调，管理层遵守规则与方法的态度至关重要，否则任何工具都将失效。
复盘同样价值显著：通过梳理每次偏差的影响因子，修正认知偏差，观察评估结果，预测精度自然逐步提升。
总结
预测从来不是能看清未来的“水晶球”，而是一套工具与方法。其核心价值在于管理偏差并指导运营。工具的作用在于纠正人的认知差异并提供参考基线。鉴于当前数据的复杂性与波动性，企业需建立高效的取数机制（如 IoT 技术）保障输入准确。同时，预测与运营能力相辅相成：运营能力越强（如供应链敏捷性高），对预测的依赖性相对越低。
真正靠谱的预测依赖于三点：用运营维度定义它（确保颗粒度与时间匹配）、用人判断校准它（三稿共识、深究偏差）、用复盘迭代它（从错误中学习）。软件仅提供“数据基线”，决定企业在面对不确定性时表现如何的，是围绕基线建立的人机协同机制。
注：本文思路主要基于消费品行业的销售预测。大宗商品因具备强金融属性，不在此讨论范畴。
来源 | 物流沙龙
苏旻：拥有 20 余年供应链经验，跨越消费品、食品、3C 等多个行业，曾在咨询公司、物流公司及品牌公司担任高管。致力于与行业伙伴探讨渠道、供应链及物流相关话题。
