文/刘晓敏 邓为民
关键词:销售预测 准确率 大数据 供应链计划系统
销售预测难题
如果企业不是纯粹地按单生产,那么都需要做销售预测,以预测去驱动备料或者生产,因此提高销售预测准确率对于企业运营非常重要。然而,要做出准确的销售预测难度相当大,这主要是因为需求本身具有很大不确定性。从实践可知,实际业务数据的波动是非常剧烈的,这使得制定准确的销售预测难度很大。
销售预测的第二个难题是如何“无中生有”产生大量的数据。如果有300个品种,做滚动三个月预测,则每月需要产生或者更新900个预测数据。这是最简单的预测业务场景。预测结果是用于指导后端采购和生产的,为更好指挥整个供应链运作,预测周期越短、时长越长越好,后端希望做滚动周预测,希望时长最好有6个月以上。这基本上超越了人工处理的极限,必须借助系统来解决。 表1是某个人护理电器企业需求预测结果示例,该企业针对每个品种做滚动52周需求预测,可以看到其中的数据量巨大。
如何破解销售预测难题
面对销售预测的两个难题,市面上有独立的销售预测工具软件,也有作为供应链计划套件核心功能的预测模块。基于预测软件,产生大量预测值不再是难题,但是如何提高预测准确率,依然是一个难点。各个预测工具软件在预测准确率方面差别较大,因而价格也差异很大。
某供应链计划系统(以下简称D系统)的预测模块配置灵活,性能领先,一般相对人工预测,其预测准确率能够提高18%〜25%。这个系统是如何破解销售预测难题的呢?这里做一简要介绍。
综合来说,D系统的销售预测模块从以下三个方面破解预测难题:
1.优选预测模型
D系统内置了26种预测模型,并且用户可以根据需要新增预测模型。针对每一个品种的预测,系统自动对各种预测模型进行优选,按预测准确率最高确定适用的预测模型,并以适用模型的预测结果作为系统的输出结果。图1是D系统预测模型选择界面。
通常认为,预测模型是预测解决方案中神秘且最有技术含量的部分,最能体现不同预测软件差异化的部分,但实际上并不是。一是软件中的模型基本上都是公开验证的通用模型,软件商独创预测模型很难。二是系统优选的预测模型,大多数集中在1〜2个经典的预测模型,其他模型被优选的概率很小。因此,不同的预测软件很难通过预测模型实现预测准确率的差异。模型只是提供一个基础手段,制定各个品种、各个周期销量的基准预测。若要提高预测准确率,还要在基准预测基础上进行精细化调整。
2.精细的预测调整
系统基于预测模型输出的预测结果,往往与实际情况差距较大,需要在基准预测基础之上进行调整。由于业务千差万别,所需要的调整也多种多样。正是预测调整功能的不同,拉开了不同预测软件性能的差距,导致不同的预测准确率。
D系统的预测调整功能强大,这是其预测模块提高预测准确率的关键。预测调整可以帮助计划人员把基准预测调整到更符合实际业务情况的预测,从而提高预测准确率。
(1)基于业绩的Top-Down预测。销售预测不是根据历史数据信马由缰,而是要满足未来的业绩目标。D系统可以管理业绩目标,根据业绩目标进行Top-Down预测,并且确保各个品种的预测与业绩目标匹配,如果不匹配,系统会对预测结果进行比例放大或者缩小。当然,在预测过程中,计划人员可以根据管理需求对业绩目标的达成率进行修正。
(2)添加人工趋势。预测模型能够做出预测,是基于“未来的业务走势与历史的业务走势是一致的”这一前提,但是实际业务往往不是,比如受贸易战影响、受国家政策影响导致业务趋势呈现新特征。针对这种情况,D系统允许计划人员为整体或者每一个品种人为设定未来各个预测周期的销售走势,代替历史走势。设定后,系统会根据人工设定的走势进行预测,使预测结果可能更接近真实需求。
(3)反向调整。反向调整是D系统预测模块调整功能的特色功能,也是最受预测人员欢迎的功能。系统可设定对多个数据求和或者求平均,如果对和或者平均值进行调整,原始数据也会等比例调整。
对于销售预测工作来说,业务人员往往能够对总体趋势做出预判,但是很难把这个判断细化为各个品种各个周期的销量明细,反向调整提供了一种高效的方式可以解决这个难题。
表2最右列为各个品种年度销量求和,以及A101X品种下各个品种的求和。对求和结果进行调整,系统自动对各原始数据进行等比例调整,改变过的数据用粗框标识,方便用户辨别,保存之后变为正常字体。
(4)事件预测。系统可以将影响产品销量的各种短期因素定义为事件,如双11、6·18、春节促销、圣诞促销等。系统会自动对事件的影响进行分析,将历史数据分解为正常销量和事件影响销量。在对未来销量预测中,如果存在相同事件,系统会在正常预测值基础上添加事件影响销量,从而形成新的预测。
这种事件化的处理针对一些日期不固定的促销问题,如春节的销售、不定期的季末促销等。由于春节在阳历中的时间是不确定的,因此无法简单根据历史数据直接预测。采用事件管理,只需要设定历史数据中春节所在周期,未来春节所属的周期,系统即可自动处理春节对销售的影响。
(5)蚕食效应调整。蚕食效应是企业产品促销的一种现象,企业对品种A进行促销,A的销量将会增加,但是增加的A的销量有一部分是来自本应购买本公司其他品种的消费者,即A的促销蚕食了其他品种销量。利用反向调整、Top-Down预测,可以很方便地体现蚕食效应影响。
(6)产品替代。新品预测是销售预测的难题。在企业实际业务中,大部分新品是替代性新品。对于此类新品,D系统提供了替代功能来进行预测。如果新品A与旧品B和C是替代关系,则可以建立A对B、C的替代关系,系统可以通过将B、C合并的历史数据预测A。
(7)处理产品聚合与分解。销售与生产对信息明细程度要求是不同的。生产需要细致到每一个SKU,才可能清晰地备料和指导具体的生产。但是销售可能只关注一类产品的整体。比如,对于食用油,销售可能只关注某个油种(例如花生油)的需求总量,但是生产需要知道花生油的具体规格。 销售可能把几个规格的产品视为一个品种,如针对汽车销售过程中一个车型下面略有配置差异的各个型号,系统只需要建立销售型号与生产型号对应关系,即可实现按照销售关注的类别进行预测。同时,也可以根据比例或者历史数据分解形成具体规格的需求数量。
以上是D系统预测模块中预测调整的一些关键功能,实际精细调整还有更多。正是这些灵活的预测调整功能,使得计划人员可以方便地对预测数据进行加工,使得预测数据更能够表达计划人员的判断和想法,从而与实际需求更吻合,提高预测准确率。
3.动态执行跟踪
在实际业务执行中,系统会根据每日数据动态跟踪预测执行情况。计划人员可以设置阈值,对预测偏差超过阈值的品种进行突出显示,以提醒业务人员及早采取措施纠正偏差,从而“提高”预测准确率。这并不是“作弊”,也是提高预测准确率的一种有效方法。
应用案例
某汽车配件企业,产品销售分为三部分:整车厂配套业务、国内汽车后市场维修业务、出口业务(出口业务也可以分为配套与维修两部分)。各个地区分公司负责销售,负责管理区域仓库库存。
对于整车业务,整车企业客户会提供滚动52周需求预测,对于国内分销业务,企业为每一个大区设置了计划员。计划员对区域市场进行预测,并接受预测准确率考核。该企业活跃品种有3000多种,品种多,需求波动大,预测难度大。
由于之前没有应用系统,该企业只能手工编制预测,每个区域编制滚动三个月的月度预测,汇总调整,形成总部滚动三月预测。预测频率低,偏差大。实施D系统预测模块之后,实现总部滚动52周预测,每周预测,计划人员可结合最新市场感知对预测数据进行调整,见图2。
原来区域按月分品种预测准确率总体为46%左右,总部按月分品种预测准确率约为61%,采用新的预测方法之后,即使是按周预测准确率也做到了58%(由于预测周期变短,按周的预测准确率一般会比按月预测准确率低20%),预测准确率明显提升。同时,预测频率和时长大大增加,预测结果对于供应链的指导更精细具体,形成供产销各环节的滚动联动,促进了各环节的协同,交付水平明显提升,成品库存水平明显下降。■
作者单位
刘晓敏 北京联合大学商务学院
邓为民 北京实派科技有限公司
|