需求预测与规划

大多数需求预测系统都从过高的层面开始——按类别、按区域、按周——因为那里的数据最清晰。然而，从预测中受益的决策发生在更细的粒度上：哪个SKU在哪一天发往哪个门店，哪个班次需要安排多少劳动力，下个月哪个仓库需要预留多少容量。我们根据决策的操作级别（而非数据级别）构建预测，并使用层级协调来确保较低级别的预测能够一致地汇总到业务报告的较高级别。

在SKU-门店-天、SKU-渠道-周或类似的细粒度级别工作，带来了其自身的挑战：长尾需求、间歇性序列和历史数据非常短的序列。我们采用专门的方法（Croston式间歇预测器、层级合并、基于嵌入的新产品方法）以在长尾上保持可接受的准确性，而不是放弃它们。

层级协调——使用MinT和踪迹最小化等方法——使我们能够生成在整个层级上保持一致的预测，并且几乎总是比在任何单一级别独立生成的预测更准确。这种方法是直接的，并且收益是持续的。

• SKU-门店-天、SKU-渠道-周和类似粒度
• 间歇性和慢速移动序列
• 新产品和短期历史预测
• 层级协调（MinT、自上而下、自下而上）
• 日历、促销、天气、宏观信号
• 用于安全库存策略的概率预测

需求不仅仅受其自身历史的影响。促销、价格变化、天气、节假日、学校日历、体育赛事、宏观经济指标和竞争对手行动都会在需求模式上留下印记。我们将驱动因素数据纳入预测模型，前提是经过仔细的样本外测试表明，其准确性提升超过了增加的操作复杂性。如果驱动因素没有回报，我们同样乐意将它们排除在外；价值在于测量的严谨性，而不在于包含本身。

促销效果受到特别关注。促销数据异常混乱，存在重叠机制、执行质量参差不齐和事件后测量不一致等问题。我们与营销和交易团队合作，在将促销历史数据输入模型之前进行清理和标准化，并明确地建模提升、对相关产品的光环效应、对替代品的蚕食以及促销后的下跌。促销期间的准确性提升通常是显著的。

天气和日历效应也以类似的谨慎方式添加，并根据它们所涉及的类别和位置进行适当的权重调整。北方的冷冻食品零售商与温暖地区的饮料业务对天气敏感度截然不同；模型能够捕捉到两者之间的差异。

“忽略促销日历的预测，大多只适用于过去。”

一个存在于独立仪表盘中的需求预测很少能改变规划决策。我们将预测直接整合到制定决策的规划系统中——Anaplan、Kinaxis、o9、SAP IBP、Blue Yonder、JDA，以及定制的规划工具——因此预测成为规划人员进行完善的默认起点，而不是他们查阅后却忽略的并行性产物。

覆盖（Override）工作流程是刻意内置的。规划人员拥有模型不具备的背景信息，一个无法接受他们输入的系统很快就会被边缘化。我们设计覆盖功能时，会同时捕获原因和值，因此覆盖模式本身就成为一个学习信号：哪些规划人员在哪些类别中覆盖了模型，理由是什么，以及随后的准确性如何。

我们还密切关注共识过程。S&OP周期将需求、供应和财务观点协调为一个统一的计划；如果模型在不尊重其节奏的情况下向该过程抛出新的数字，则会适得其反。我们设计模型输出的节奏、其进入共识讨论的级别以及与前一个周期的比较，以便模型能够增强过程而不是与之竞争。

预测准确性是手段；服务水平和营运资金是目的。我们的部署明确说明了准确性提高将如何转化为运营效益：从概率预测中得出的更严格的安全库存策略，更早的再订购点，更智能的门店间分配，更平稳的生产计划。没有这种转化，准确性提升就只是纸上谈兵。

概率预测是核心。通过生成完整的预测分布而非单一某个点，我们能够明确地根据目标服务水平设定库存策略：95%的库存目标需要比90%的目标更多的缓冲，而概率预测会精确告诉您需要多少。同样的原理也驱动着产能预留、供应商承诺和劳动力排程。

我们将预测与明确定义的测量方案相结合。明确建立服务、缺货率、覆盖天数和报废方面的部署前基线；部署后绩效按季度在可比较的基础上，针对相同的指标进行跟踪。目的是使系统的价值能够在财务审查中得到辩护，而不仅仅是在模型仪表盘中展示。

项目通常分三个阶段进行。一个为期六到八周的诊断和原型阶段，建立基线，描述数据特征，构建候选模型，并量化预期的运营效益。一个为期三到六个月的构建阶段，将模型投入生产，集成到规划环境中，并与现有流程并行运行。随后的运营阶段包括监控、再训练、持续改进以及逐步扩展到其他类别或地理区域。

我们同样乐意通过一个完全嵌入的团队来实现这一点，或者提供一个小型专家组来支持您现有的规划和IT职能。项目形式由您希望后续如何操作该系统来决定。