企业怎样才能做好预测:“最好”还是“最合适”

很多企业对预测的理解存在偏差，认为预测就是销售部门或相关部门填写一份未来的需求数量。他们把预测看成是一个数字游戏，认为预测的本质就是要获得一个准确的数字，所以随便找一个人负责统计好数字，再让领审核一下，预测的结果就出来了。显然这样的预测是无法取得好的结果的。

一、做好预测，需要先建立需求计划管理流程

预测的制定实质是需求计划的管理流程，是一个跨部门、各职能合作的流程，其核心是通过整合内外部信息，对未来需求做出合理判断，为企业运营决策提供依据。这个过程是定量预测和定性预测(判断预测)的结合，从定量预测开始，到判断预测结束。

这个过程需要多个部门或者职能的参与，同时，预测的制定，也是产销协同流程中的一个环节，而且是最重要的环节。

以下为一个企业的需求计划流程与对应的责任部门举例：

从流程中可以看到，预测的制定需要经过“数据收集——数据清洗——统计模型基准预测——客户、市场判断甚至销售人员判断预测调整”等一系列的数据分析与判断，这才形成销售部门的最终无限制预测的结果输出，对于每一个过程产生的结果、异常和调整都需要提供合理的解释，并最终通过领导层的批准。

所以说“需求计划流程的完善决定了预测的质量”，企业要做好预测，需要先完善流程。

读者可能要问，你这么强调流程，难道数字不重要？数字当然重要！预测的核心环节就是预测技术的应用。

预测是一项科学性很强的工作，而不是简单拍脑袋的工作，其核心在于“用数据说话”，但数据不是简单堆砌，而是要经过筛选、清洗、分析，再结合合适的模型，最终形成可落地的预测结果。

二、高质量的数据是预测的基础

预测的是根据历史推算未来，所以需要使用和依赖历史数据，但很多企业的历史销售数据存在大量干扰因素，直接使用会导致巨大的预测误差和重大的方向性偏差。这些干扰因素包括：促销活动带来的销量突增、客户退货导致的销量异常、供应端缺货带来的真实需求偏差、数据统计错误等等一系列异常。因此，数据清洗是预测的第一步，也是非常关键的一步。

比如某连锁药企，全国有几千家门店，销售数据十分复杂，历史销售数据中混杂着临期药品退货、节假日应急补货调拨等各种异常数据，他们对数据未做任何清洗就直接用于预测，使得预测严重失真，导致部分常用药品缺货、而滞销药品积压严重，库存周转天数居高不下，供应链及生产部门怨声载道。

多年前笔者曾辅导过一家外资企业的需求预测软件工具的实施应用，他们的需求计划部门制定预测的流程就非常清晰，每个月开头几天就会集中收集上个月的销售数据，然后对数据进行清洗，有的时候还需要清洗二遍甚至多遍，对于每个月的促销、及缺货异常等，他们都会及时记录下来，事件描述及原因、对销售在数量上的影响等，以确保做数据清洗时有据可依。他们告诉我，每个月初都需要对上个月销售做及时的数据清洗，否则，时间长了，很多东西就记不清了，清洗的难度就大了，也不准确了。

数据清洗不是一次性工作，而是需要建立常态化的数据管理机制，明确数据统计标准、清洗流程和责任部门，确保历史数据的准确性和完整性。高质量的历史数据，是提高预测准确率的核心前提，也是数字化供应链建设的基础——没有靠谱的数据，再先进的预测模型也无法发挥作用。

数据清洗也不需要追求面面俱到，而是要抓重点、分场景：对于常规性促销（如每月固定优惠），若力度稳定、对销量影响可预期，可以不清洗，纳入常规数据即可；对于大型促销、特殊活动（如年度大促、新品首发），以及非常规因素（如客户临时大额订单、退货潮），则需要进行针对性清洗，剔除异常数据，还原真实需求水平，如节假日清洗也有所不同，公历的节日如国庆节、五一节等，其常规促销因为是固定的财务日历，所以无需清洗，而中国的传统节日，如春节、端午节、中秋节等，每个的对应的公历月份不同，则往往需要清洗。

三、基于产品数据特点选择合适的预测模型

数据清洗完成后，下一步就是选择合适的预测模型。很多学员在上我的预测课程的时候一上来就是期望找到一个适合公司的“超级预测模型”，希望一个模型就能搞定公司所有产品。也有些人追求“高级复杂模型”，认为模型越复杂，越高级，预测越准确，可以“管“的产品越多。我们需要走出这个对预测模型的认知误区。

事实上，没有一个放之四海而皆准的预测模型，也不存在“超级模型”或“最佳”模型。没有“最好”，只有相对的“最适合”，适合产品数据特点的模型才是“最合适的”模型，而且，数据是会变化的，即使对产品选定了合适的模型及其参数，也存在产品的市场环境或客户需求发生变化而需要调整的情况。

哪怕在同一个产品族里，不同的产品也可能预测模型完全不同，同一个产品随着时间的发展也存在不确定性，随时可能需要调整预测模型或参数，我们一直需要关注市场与销售发生的变化。这大概是做预测比较难的地方！

预测模型是根据数据特点而确定的，主要分为平稳性，趋势发展性和季节性三个大类，围绕数据的这些特点找到合适的模型，我在之前的微信公众号文章中也提到过一些，会陆续介绍给读者。

但总体来说，统计预测模型更适用于销量稳定、需求波动较小的成熟产品（如日用品、标准化工业配件等），它们可以基于历史数据的趋势、周期来推断未来需求量。常用的模型方法有移动平均法、指数平滑法、分解法，各种季节模型等。

而需求不稳定、波动大、受多因素影响的产品（如定制化产品以及新品、长尾或售后服务件等），则历史数据可依赖性低，需要结合销售、市场、客户的需求信息做更多的人为判断，对统计预测结果进行调整，或更多的基于历史与经验做判断预测，避免单纯依赖历史数据导致预测失真。

四、预测需要密切跟踪市场形势发展，做好动态调整

选定模型并不意味着模型就此不变，市场需求是动态变化的，因此数据也是会跟着变化的，即使对产品选定了合适的模型及其参数，也存在产品的市场环境或客户需求发生变化而需要调整的情况，所以预测不是“一劳永逸”的工作，而是需要持续跟踪、动态调整。很多企业的预测之所以失效，就是因为做完预测后就束之高阁，没有根据市场变化及时修正。

所以预测是一个动态调整的过程，动态调整可分为两个层面：一是短期调整，针对突发情况（如客户需求变更、竞争对手降价、宏观政策调整），及时调整预测结果，指导近期的生产和采购；二是长期调整，结合行业趋势、产品生命周期、客户经营计划，对中长期预测进行优化，为企业战略决策提供依据。

以亚马逊（Amazon）为例，其早期采用传统统计预测方法，在Prime Day、黑五等促销节点，由于需求波动剧烈、区域差异显著，预测偏差较大，导致部分区域缺货、部分区域库存积压，这也是亚马逊早期供应链运营中较为突出的痛点。后续其引入机器学习驱动的预测模型，融合历史销售数据、价格波动、促销活动、地域属性等多源信息，同时定期调整模型参数，适配不同促销场景和区域需求差异，这一优化效果在2023年网络星期一促销活动中得到充分体现。据亚马逊官方及第三方权威机构公开数据显示，2023年网络星期一美国在线销售额达124亿美元（由电商研究机构Adobe Analytics公布，为当年全美在线销售纪录），而在11月17日至27日亚马逊延长版黑五至网络星期一促销期间，全球消费者在亚马逊平台购买商品超10亿件，其预测模型也凭借多源数据融合和动态参数调整，有效实现了需求与库存的精准匹配，大幅减少了供需失衡问题，这也印证了模型动态调整的重要性。

五、企业的预测最终是协同的结果

做好预测，不仅需要科学的实操方法，更需要完善协同机制，否则预测很容易流于形式。前面已经提到过，预测过程是需求计划管理过程，需要需求计划人员，销售，市场等各个部门的参与。同时预测也是产销协同中的一环，预测不只是销售或供应链部门的事，而是需要销售、市场、生产、采购、财务等多个部门协同参与。

笔者原来在一家跨国企业负责供应链，也是产销协同的流程的负责人，预测流程与职能分工非常清晰：需求计划人员负责数清洗并制定基准统计预测，销售部门负责提供客户需求信息、反馈即时的市场变化；市场部门负责提供行业长期趋势等信息，两者都对统计预测结果进行调整；生产、采购部门负责反馈产能、供应链响应能力，提出产能约束的预测调整建议；财务部门负责结合成本、资金情况，对预测产生的运营结果进行评估和提出建议，最终由销售VP和运营的VP在产销协同的最终会议审核。

六、预测的最终目的是为了取得更好的运营结果

很多企业在KPI考核中对预测的评估，往往是只考核预测准确率，而不考核其他公司的运营指标，或者不与公司的其他运营业绩挂钩，导致预测的考核脱离实际运营结果的情况。

首先，毫无疑问，预测首先要做准确，准确考核率为其首要目的，是评估其预测质量的直接考核结果。我们通常用从系统误差偏离幅度、偏离方向和偏离量等指标结合来考核。

但是只考核这些指标是远远不够的，企业如果只关注预测准确率，而不与客户服务水平和库存水平挂钩，就会导致只为了预测准确率来做预测却不从业绩和市场出发，可能会导致员工为了追求准确率，刻意规避风险，甚至修改预测数据，

最终导致预测准确率虽然提高了，但客户服务水平没有达到，库存水平反而上升了，这种情况在现实的企业经营中是很常见的，曾经有一个学员就为这个问题困扰而来咨询我。

所以，预测的准确率最终必须与企业经营指标和目标相结合。

此外，考核的重点不应是“数字本身”，而是“偏差分析”。对于预测偏差，要引导员工分析背后的原因（如市场判断失误、客户信息延迟、模型参数不合理），

解释基于预测偏差产生的原因比准确率本身更为重要，这样才能避免下次犯同样的错误，找到改进方法，逐步提升预测质量，而不是成为一项“应付考核”的工作。

最后，我们需要知道的是，预测从来都是“不准”的，所以不要片面追求准确率，而是需要先建立预测管理流程，确保预测输出的质量，同时，企业也需要完善供应链管理，针对市场变化的不确定性，制定相应的应对机制。