导读：在企业的经营管理实践中，企业的“计”，企业的“知己知彼”，首先是对市场需求和销售的预测，其次是各种形式的经营计划，它们在企业中起着“指挥棒”的作用。
古代形容一个人的神奇之处，通常会用到这么一句话：“运筹帷幄之中，决胜千里之外”。著名的军事著作——《孙子兵法》有十三篇，首篇是始计篇，认为所有的军事斗争都要用“计”来统领，这里面的“计”，简单地讲就是“庙算”，是“知己知彼”。
在企业的经营管理实践中，企业的“计”，企业的“知己知彼”，首先是对市场需求和销售的预测，其次是各种形式的经营计划，它们在企业中起着“指挥棒”的作用。
从运行情况来看，虽然，大家都意识到了市场需求和销售预测的重要性，但在很多企业的实际工作中，却存在着以下方面的难点、盲点或误区。
有的企业主要通过市场、销售等部门的业务人员、经理或管理层凭借个人经验，甚至用“拍脑袋”的方式来做市场需求和销售预测，这种方式所做出的预测具有非常大的主观性、随意性和局限性，难以有很强的指导性和可操作性。
有的企业在做市场需求和销售预测时，虽然也应用某些简单的统计性分析技术或工具，但预测的结果（统计性分析预测基线）在接受评审和确认过程中，仍然会受到很多人员的主观人为式修改，有些修改基本是毫无数据支撑或现实依据可言。
有的企业在制订市场需求和销售预测时，难免会受到某些部门的某些个人出于“本位主义”的干扰或修改。比如，市场部门倾向于夸大预测数据，以获得更多的市场活动资源或预算，而销售部门倾向于保守地估计市场形势，以避免承担太大的销售指标。
有的企业直接把销售目标当成销售预测。市场需求和销售预测是企业对市场的未来状况所做出的、尽可能真实的推断或投影，是企业进行财务、运营、供应等计划的决策基础。销售目标是企业基于未来的市场形势、企业的发展战略或经营追求等相关考量所做出的目标设定。销售预测和销售目标之间虽然有逻辑关系，但不能视为同一回事。
有的企业所做出的市场需求和销售预测，维度上比较笼统，比如，只是基于整个区域、整个月份或产品家族做预测，而没有具体到城市、渠道、门店、产品或按周来做预测，预测数据的颗粒度太粗，难以指导后续相关经营计划的制订。
有的企业在做市场需求和销售预测时，只是每个月做一次，做完之后的当月之中也不进行更新，这在市场快速变化的环境下，显然是不够的。实际上，有些领先的企业，不仅做月度的销售预测，还每周，甚至每天都动态地更新销售预测。
有的企业做出市场需求和销售预测以后，只是被动地通过运营或供应计划去尽量满足，而不是考虑借助新产品导入、销售价格调整、营销计划、促销活动、展会展览、广告宣传等工作去主动影响（提升或减缓）未来的销售形势，那就仍然是低水平的销售预测。
有的企业虽然尝试了很多办法去做市场需求和销售预测，但预测的准确性实在太差，指导不了后续经营计划的制订。于是，这些企业干脆放弃了做准、做好销售预测的努力，而是把管理资源和精力全部放在供应链的改善上，期望通过供应链的快速反应来满足变化的市场需求，这是只“治标”而不“治本”，是“刻舟求剑”，是经营管理上走了极端。
诚然，在外部环境日益“VUCA”，即，易变（Volatility）、不确定（Uncertainty）、复杂（Complexity）和模糊（Ambiguity）的时代，企业要想做准、做好市场需求和销售预测不是一件容易的事情，但不意味着不值得去尝试，更不能直接放弃，积极的做法是树立起全员对销售预测的正确认知，开发并不断完善出一套有效的预测流程，以及采取合适的预测方法来做准、做好销售预测。
首先，市场需求和销售预测是企业经营管理工作的起点，它对运营和供应等计划的制订，具有决定性影响。实际上，相关数据表明，销售预测的准确性提高5%，企业在订单交货周期、订单满足率、库存周转等运营绩效指标上就可能得到30%以上的提升。
或者，我们换个角度，从管理原理和共识的角度来看，大家都知道管理上有所谓的“80/20”法则，销售预测就属于那个能在80%的程度上决定企业业绩的关键少数，因此，企业必须努力去做准、做好它。
在实际工作中，因为销售预测比较难做准，做好，于是，很多企业就“舍难就易”，就“舍本逐末”，把管理改善的重点全部聚焦在供应链优化上。但是，从微观经济学中边际收益原则的角度来看，企业在供应链方面的改善举措越多，其边际收益将越逼近于零，而销售预测方面的提升空间则往往很大。
当然，针对不同的行业、不同的企业，比如，快速消费品企业与为下游OEM做生产配套的制造型企业，其销售预测的内容和形式会有很大的不同，决定预测准确性的因素也会差异很大，但做准、做好销售预测的重要性是基本相同的。
其次，任何企业的市场需求和销售预测，都不可能是100%的准确。但是，那怕其准确度能达到60%，甚至50%，对企业的经营、供应等工作就能起到很大的指导作用；至少，如果销售预测的准确性能达到50%以上，企业就可以把供应的柔性留给另外50%不到的不确定性。因此，在设定销售预测准确性目标时，不能期望太完美，更不要指望“一步到位”，那怕是每月提升一点点，其带来的效果就非常巨大。
如果再进一步看，虽然所有产品的预测准确性可能比较低，但具体到某个产品，某个区域，某个渠道，或是在最近的一段时间，销售预测的准确性就有可能大幅度地提高，这就要求企业以“具体问题具体分析”的态度和方式来看待销售预测中所存在的问题。
又或者，虽然具体到每一个产品层面的预测准确性可能比较低，但如果往上汇总到产品组或产品家族层面，产品组或产品家族的预测准确度可能会大幅度提高，而产品组或产品家族的销售预测，对于该产品组或产品家族中通用件的物料需求计划运行是非常有帮助的。
再次，市场需求和销售预测既不是百分之百的艺术，也不是百分之百的科学。说它不是百分之百的艺术，指的是企业中销售预测的工作还是有规律可循的，有很多明确的方法和工具可供使用。说它不是百分之百的科学，指的是销售预测中所使用的方法或工具，仍然还有一定的局限性，不能保证所得到的销售预测能百分之百地准确，其中，还是会有部分解释不清楚的地方或随机的变动性。
再次，市场需求和销售预测的准确性提高，需要有高质量的数据作保证。科学的销售预测有几个要素：数据、流程、统计性模型、高级分析技术、领域知识或Know-how，等等，其中，数据是第一位的。通常，销售预测是根据过去来推测未来，这里的过去，指的是过去某个时间段的历史销售数据，且数据源越接近客户，数据采集与数据产生的时间延迟越小，所做出的销售预测就越可能准确。在实际工作中，根据销售预测的需要，客户在做出购买决策前的选购行为数据通常要优于下单数据，下单数据通常要优于渠道终端的交付数据，终端交付数据通常要优于企业的销售发运数据。
因此，基于以上的认识，企业要做的是，倾注必要的注意力和管理资源，持续地学习、总结和完善市场需求和销售预测中所采取的工作流程、方法、工具和知识，以得到尽可能准确的销售预测，进而指导其他经营工作的开展，帮助企业实现更大的经营效益。
为了尽可能主动和有针对性地响应市场需求，企业需要不断地提升其销售预测的能力和预测结果的质量，这有赖于合适的工作流程来进行，也就是所谓的需求驱动的销售预测，它包括需求感知、需求影响、需求切换和需求响应等工作步骤，具体如下图1所示。
图1 需求驱动的预测流程
所谓需求感知（Demand Sensing），指的是以最小的时间延迟来获取下游的数据，以理解企业在什么时间、哪个渠道卖出了什么产品或服务，购买产品或服务的客户是谁（包括客户的身份标识、社会属性、经济属性等），以及产品或服务的功能、销售价格、市场活动、促销政策、展览展示、商业广告、渠道选择等因素是如何影响客户的购买行为和产品销量的。
所谓需求影响（Demand Shaping），指的是企业采用What-if分析（先假设影响因素的变化，然后再模拟和验证其对销量的影响），模拟和分析销售价格、市场活动、促销政策、展览展示、商业广告、新产品导入等企业内部可控因素对市场需求和销量的影响，以指导企业制订针对性市场战略或战术，按照企业的期望来影响（提高或降低）未来的销量。
所谓需求切换（Demand Shifting），指的是市场、销售、财务、运营、供应等部门进行高效协同，按照企业的期望，将客户对A产品的关注和需求切换到B产品的购买上来。比如，通过在线订购网站的订购导航，通过更优惠的产品定价或优惠政策，或是更短的交货时间，引导客户去购买那些企业能更快地交货，或是库存比较高，或是销售毛利率比较高的产品。
所谓需求响应（Demand Responding），就是把经过前面三个步骤所得出的销售预测传递给财务、运营和供应等部门，指导他们制订出有针对性的财务计划、供应计划、采购计划、运输计划，等等。
在制订销售预测的过程中，需求感知、需求影响、需求切换和需求响应是依次进行、环环相扣的四个工作步骤，需要市场、销售、财务、运营、供应等相关部门的实时、高效协同。
4. 销售预测的方法和工具
一般来说，销售预测的方法大体有两类，一者为定性的方法，即，相关人员凭借自己的领域知识和工作经验，对未来的市场需求和销售情况做判断，其主观性比较强；二者为定量的方法，即相关人员以过往的销售数据做“原料”，借助统计性分析模型或高级分析技术，对未来的市场需求和销售情况做出推断。本书中，我们重点来看看与销售预测有关的定量化预测方法。
未来虽然不会是历史的简单重复，但念念不忘，必有回响。销售预测的量化分析方法有很多种，不管是哪一种，它都有如下类似的假设：
1）事物在历史时期的表现，都会在未来的某个时间段，以某种形式的规律或样式来重演，且未来的时间段距离今天越近，其规律或样式的可靠性越高。
2）抑或是如果某个因素（售价调整、促销政策、商业广告、消费品价格指数、消费者信心指数等）对历史销量有某种程度的影响（因果关系），在未来的某个时间段，这种影响必将持续存在，且未来的时间段距离今天越近，影响的可靠性也越强。
统计学分析模型或高级分析技术，就是建立在上述假设的基础上的，而与销售形势中规律或样式的识别有关的统计性分析模型，主要是数据序列模型；与销售形势中因果关系的识别有关的统计性分析模型，主要是因果模型。在实际的销售预测中，规律或样式、因果关系，等等，都会在未来的销售数据中得到体现。
未来销售数据 = 样式性规律（趋势/周期+ 季节性）+ 因果性影响 +随机变动性
通过上面的公式，我们假设，未来的销售预测数据由三部分构成：样式性规律数据（包括趋势性规律、周期性规律或季节性规律，趋势性规律有增长或下降）、因果性影响和随机变动性。我们只要找到样式性规律和因果性影响，就可以对未来的销售情况做出预测。当然，因为还存在随机的变动性，销售预测就不可能100%的准确，而随机变动性越小，所做出销售预测的准确度就越高。
根据相关机构的研究，销售的随机变动性，与产品所处的生命周期（导入期、成长期、成熟期或衰退期）、市场的特点（区域性市场、细分市场、市场竞争的激烈程度）等因素有关。通常，处于导入期的产品，其销量的随机变动性要远大于处于成熟期的产品，而产品所在的市场竞争越激烈，其销量的随机变动性就越大。
图2 不同形式的数据表现
就统计分析模型和技术而言，规律或样式性的识别、因果关系的识别，等等，有着各自相对应的统计分析模型供大家使用。
如图3所示，用于识别销售数据中规律或样式性特点的统计分析模型主要是时间序列模型，具体包括平均法（简单平均、移动平均、移动加权平均等）、指数平滑法（单指数平滑、双参数指数平滑、三参数指数平滑）、ARIMA（整合移动平均自回归模型），等等，它们可以帮助企业预知未来市场需求的“What（是什么）”。
用于识别销售数据中，产品定价调整、优惠政策、广告宣传、消费者信心指数等因素（自变量）与产品的销量（因变量）之间因果关系的统计分析模型，又称因果模型，主要有回顾分析模型，包括简单回归、多元线性回归（MLR）、ARIMAX（带干预和回归的ARIMA），等等，它们可以帮助企业预知未来市场需求的“Why（为什么）”。
图3 销售预测可用到的统计分析方法或模型
另外，在上面的统计分析模型中，ARIMA/ARIMAX等复杂模型，除了能识别销售数据中的规律或样式性特点，还能识别部分因素与市场销量的因果关系。当然，其运算所需的数据量也是非常大的。
从应用的角度看，任何一个企业或用户都希望有“一招鲜，吃遍天”的统计分析模型或方法来帮助自身做销售预测，但实际上是不存在的。上文所列的各种统计分析模型，不管是简单的也好，还是复杂的也好，谈不上这个就绝对比那个要好，企业需要根据销售数据的特点来进行验证并做出选择。有的时候，对于特定的数据集，简单的模型也可能比复杂的模型更适用。
根据统计分析和销售预测领域的专家Charle W. Chase Jr.的建议，企业可以参照图3-4所示，根据所需预测的市场和产品的特点来选择合适的预测方法和统计分析模型。
图4 销售预测中预测方法和统计分析模型的选择
具体来说，对于处于成长期的产品或品牌，其销售的可预测性高，预测的价值也大，企业可以采取简单回归、多元回归或ARIMAX等因果性模型，以对该类产品的未来销售情况做预测。
对于处于成熟期的产品或品牌，其销量通常比较稳定，销售的可预测性高，但预测工作的经济性一般，可供选择的统计分析模型有分解模型、简单移动平均、双参数指数平滑、三参数指数平滑、ARIMA，等等。
对于面向细分市场的产品或品牌，其销售的可预测性差，采用统计分析模型做销售预测的经济性一般，推荐选择的统计分析模型有组合平均、组合加权平均、间歇性模型，等等，同时也要求相关人员凭借其领域知识对统计分析的预测基线做相应的手工调整。
对于处于市场导入期的新产品，其销售预测的价值虽然很高，但销售的可预测性较低，建议主要以人工判断为主，比如，管理层意见、Delphi法、委员会评审或独立判断，等等。当然，企业也可以选取与新产品的功能特点非常类似的老产品，以老产品导入市场时的历史销售数据做参考。
考虑到预测模型需要用到大量的数据和多次模型验证，数据的采集、清洗、存储和模型验证、人工判断等工作量较大，基于统计分析模型的销售预测也要考虑其投入/产出；因此，建议企业将资源优先投入到预测价值大，即，成长性产品或品牌，或是即将导入市场的新产品的销售预测上。
如果把销售预测的统计分析模型与销售预测的工作流程结合起来看，需求感知环节可采用时间序列模型和因果模型来做分析和预测，需求影响环节则主要是采用因果模型来模拟和分析产品售价调整、促销政策、广告宣传，乃至消费品价格指数、消费者信心指数、采购经理人指数等因素对未来销量的影响，从而帮助企业做出影响（提升或减少）未来销量的营销决策。需求切换和需求响应等环节基本与统计分析模型的应用无关，主要是相关部门的协同，以及销售预测与运营计划等的衔接。
5. 量化预测的一般步骤
采取统计分析模型，对产品的未来销售情况做量化性分析和预测，需要遵循一定的步骤，其中，其中的关键和重点是统计分析模型的验证和选择，这可以通过以下几个步骤来完成：
1）确定所需的时间序列数据或历史销售数据集，包括数据定义、数据采集、数据清洗，等等。
2）将数据集分成两部分，一部分作为样本，用于统计分析模型的运行模拟（简称：样本数据集，通常是前半时间段的销售数据）；另外一部分用于统计分析模型的有效性验证（简称：验证数据集，通常是后半时间段的销售数据）。
3）根据上文的建议或使用者的使用经验，选择相应的量化统计分析模型。
4）使用样本数据集，运行所选定的统计分析模型，以得到相应的预测结果。
5）将第4步所得到的预测结果与后半时间段的历史销售数据，也就是验证数据集进行比较。
6）评估比较结果，以决定所选定的统计分析模型的有效性。如果评估结果不理想，需要重复第3~5步的工作，直至得到符合使用者期望的统计分析模型。
7）统计分析模型选定后，把样本数据集和验证数据集进行合并。
8）基于合并后的所有数据，应用最终选定的统计分析模型，对未来销量做出预测。
版权归原作者所有，如有侵权请联系删除。
免责声明：本文系授权转载，版权归原作者所有。本文内容为原作者观点，并不代表本公众号赞同其观点和对其真实性负责。
来源：ERP之家
