預測不是衡量準確性，而是偏差率

預測就如賭博，賭對說明了什麼？說明了你幸運。我們其實是很難分析賭對的原因，除了基本的「從數據出發，由判斷結束」的需求預測流程，以及選擇更合適的數理統計模型。即使這兩者都做對了，你還是可能預測失敗。所以，從賭對中，我們很難學到太多的東西。這就如你問那位九十多歲的老壽星長壽的秘訣，他說他吃飯，他運動，他睡覺——他其實也不知道為什麼長壽，否則的話，為什麼不教給他的老伴兒，這樣，老伴兒就不會在三十年前去世了。

成功並不能讓我們更聰明多少，也很難複製。否則的話，馬雲會把他的那些成功法則一遍又一遍地複製，把地球上的錢都賺光了；蘋果也是，把iPhone的成功複製到i汽車、i電視、i電冰箱，凡是你能想到的，前面都加個i。人之所以變聰明，是因為我們從失敗中學習。具體地說，就是堅守基本原則的情況下，盡量避免那些失敗，這樣就增加成功的概率。

就拿長壽來說，基本原則就是吃好、運動好、休息好。要避免的失敗呢，就是不吸毒，少喝酒，不在XYZ公司上班——加班太多，過勞死；壓力太大，容易跳樓。對於需求預測來說，堅持基本原則就是選擇最合適的統計模型，走「從數據出發，由判斷結束」的基本流程。而要避免的失敗呢，則得從預測的偏差率中去發現——所有的預測都是錯的，識別偏差，糾正差別就是調整預測的過程。

需求預測就如發射導彈，一路飛去，一路糾偏。命准目標的過程其實就是糾正偏差的過程。

圖：導彈擊中目標的過程，就是發現偏差，糾正偏差的過程

讓我們先來看偏差怎麼計算。概念上很簡單：實際值與預測值的差就是偏差。但預測是個循環更新的過程，如果每月滾動的話，每一個月就有個預測。那究竟該用哪個月的預測來計算偏差？這取決於供應鏈的響應周期：在一般的行業，生產周期加上長周期物料的採購前置期，大概在3個月左右。因此，理論上講，用三個月前的預測（M-3）最合理：1月份，你告訴我4月份的預測是100個，我就按照這個來採購、生產。結果4月份的實際需求是80個，那麼偏差就是20個，偏差率是25%。

M-3的偏差率一般會非常高，會揭示太多的「問題」。而最大的問題呢，就是預測做得太早而不準，解決方案就是縮短供應鏈的響應周期，這樣我們就不需要那麼早地做預測了。所以時間是最大的因素，對於需求預測來說又不可控，反倒把很多別的可控因素給掩蓋了。

打個不一定很恰當的比方。喬丹的投籃命准率是49.7%，這是他在三分線內外的命准率。假定喬丹一過中場就投籃，估計命准率只有5%。分析為什麼95%的球都投丟了，結論很容易是他離籃板太遠了。其實即使喬丹在籃下，跟籃板的距離是0，也不是百分之百地命准。這意味著在距離因素以外，還有別的因素在影響他的投籃命准率，比如投籃的姿勢，手腕的發力等。這些其實是可以控制的，但因為被距離因素掩蓋掉了，反倒沒有被發現，採取合適的糾偏措施。

有些企業用M-1來統計偏差，用1個月前的預測作為基準。這有一定的合理性，因為一般的行業，需求預測的凍結期大概是1個月以內（意味著數量、配置和日期都不能改變），如果進入凍結期還改變預測，那對生產和供應鏈的代價很高，所以必須嚴加控制。半凍結期大概在1到2個月，這段時間內的需求變化呢，對不起，供應鏈你就想法消化吧。就這樣，凍結期內的問題由銷售買單；半凍結區內的變動由供應鏈買單，兩頭一湊，算是個折中方案吧。

但是，對於晶元等採購提前期很長（動輒就13個星期或更長），供應靈活性很差的情況（比如晶元生產流程很長很複雜，人工干預挺困難），M-1對供應鏈來說就有點太不公平——M-1的預測準確度挺高，但太遲了，因為供應鏈的決策早都做了。這就是為什麼有些企業用M-2來統計預測的準確度，分析其偏差度。當然，還有些企業採取更折中的方式，用M-1、M-2、M-3的平均值來統計需求預測的差異，這在操作上有點太複雜，也掩蓋了不少有用的信息，指導意義有多大，還有待商榷。

其實，採用多久前的預測做基準，其實是銷售與供應鏈力量博弈的結果：銷售的力量越強，就選擇近期的預測做基準；供應鏈的胳膊越粗，就越可能用更久前的預測做基準。想必我們現在也清楚了，如果兩家公司都說他們的預測偏差是30%時，如果一個用的是M-1，另一個是M-3，那他們的差距可不是一點點喔。

定義好了偏差怎麼計算，讓我們進一步探討差異是怎麼分析的。總的來說，我們感興趣有幾個方面：絕對偏差（絕對值），相對偏差（百分比），偏差的方向（偏見）。

先說絕對偏差。假定需求預測是100，實際需求是80，那麼絕對偏差就是20。除以實際需求80，就得到絕對百分比偏差25%。絕對百分比讓不同的產品有了可比性，所以是差異分析中較常用的一種。不過你看得出，絕對百分比掩蓋了偏差方向，沒法判斷預測是虛高還是虛低。比如需求預測是60，實際需求是80，其百分比差異也是25%。但你知道，這是預測虛低，會造成短缺，跟預測100、實際80造成的過剩不一樣，對供應鏈的影響也不同。

這就是為什麼有些公司拿掉絕對值，直接計算預測和實際的偏差百分比。這種偏差可以清楚地判斷預測與實際的偏差方向，以揭示需求預測中的系統性偏見。比如「由判斷結束」中，有幾個銷售人員習慣性地高估需求，而別的銷售人員時高時低，更加符合統計學規律。根據這樣的分析，就可有針對性地採取組織措施，糾正這幾個銷售人員的行為。

有的公司把預測和實際的偏差值累計起來，就得到累計偏差，以判斷預測的累計影響。比如而1月、2月、3月的預測偏高，4月、5月、6月的偏低，半年加起來可能抵消，從而沒有造成獃滯庫存。不過這並不意味著完美無缺。比如基於前三個月的過高預測，供應鏈可能不得不趕工加急，造成額外的運營成本；由於後三個月的預測偏低，工廠可能遣散一部分員工，產生遣散費用。可以說，一旦匯總，我們可能冒喪失某些信息、掩蓋某些問題的風險。所以，預測的累計偏差一般不獨立使用，而是和別的偏差指標一起用。

此外，還有很多偏差的統計方法，比如統計預測值與實際值之間的方差、均方差，來衡量偏差的幅度和離散度。但不管用什麼樣的統計方法，超過一定限度的會成為異常值，需要根源分析，採取糾偏措施。需求預測雖說是「預測」，其實大部分時間都在糾偏：發現差異，分析差異，理解差異，採取糾偏措施，比如更換統計模型，與銷售、市場、產品管理會面討論，和關聯職能協商等。正是通過處理一個個的「例外」，我們才得以避免失敗，從而能夠成功。這就如要長壽很簡單，只要解決那些可能讓你死去的「例外」，活著就是長壽。

劉寶紅 | Bob Liu

暢銷書作者，供應鏈管理專欄創始人（http://www.scm-blog.com）

推薦閱讀：