摘自《供應鏈的三道防線：需求預測、庫存計劃、供應鏈執行》，劉寶紅、趙玲著。

人們經常抱怨沒數據，其實一個公司數據再少，也會有發貨數據，因為他們要靠這個來向客戶收錢。光從這些發貨數據中，我們就可以發現很多有用的信息，幫助我們更好地理解客戶期望，判斷供應鏈的績效，識別能力短板。比如你新到一個企業，人家給你一個幾十兆、幾百兆大的Excel文件，是這幾年的發貨記錄，你該怎么分析呢？

先看發貨數據的時間單元，是按月還是按周劃分，也就是說，每周還是每月的發貨量？在供應鏈運營上，周是個比月更理想的時間單元，是企業運營管理細度的體現。管理能力越強，管理力度越深，企業的時間單元也越小，越可能用周而不是月。試想想，如果拿一個季度的需求歷史為基準，預測未來的需求。一個季度有3個月，三個數據點，能做什么樣的分析？但如果分成13周，我們就有13個數據點，數據樣本更大，在數理統計上更有意義。另外，按月劃分，一個季度只有三個控制點；按周劃分，一個季度就有13個控制點，有13次發現問題、改進問題的機會。

講到這兒，可能有人說，我們按天劃分，數據點不是更多、更好嗎？不過對一般的企業來說，這樣做太細分了，需求的“噪音”會不必要地放大，可能誤導你多放安全庫存來應對。而且數據可能更加不符合正態分布，一個我們最常用的數理統計模型。相反，按月劃分，則可能掩蓋很多本來不應該掩蓋“噪音”，造成錯誤的決策。舉個極端的例子：每月需求是100個，這100個集中在某一個星期，與平均分散到四個星期，對供應鏈的挑戰可大不一樣。如果按月匯總，我們看不出需求的波動；如果按周分解，需求的波動則清晰地反映在數據中和統計結果中。

再看客戶的期望，以及企業的實際交付能力。你問企業的管理者，客戶對我們的期望是什么？大家往往是大眼瞪小眼，一筆糊涂賬。那好，發貨歷史可以給你相當可靠的判斷：客戶訂單是什么時候錄入的（訂單錄入日期），客戶希望什么時候發貨（客戶需求日期），我們是什么時候實際發貨的（發貨日期），這些數據一般的企業都有。需求日期與錄入日期之間的差值，這就是客戶的期望；而錄入日期與發貨日期之間的差值，這就是企業的實際交付表現。你馬上就看得出兩者的差距。

有些差距可能不需要關閉，因為有些客戶習慣性地“高要價”——今天下單明天要貨，期待你3天后送來，供他們7天后用——這點你需要銷售、客服的判斷，數據沒法100%告訴你。有的差距你可要關閉，不能因為你一直不及格，就以為客戶可以接受不及格——你可能因此在損失營收。怎么才能知道？你不用問銷售——發貨歷史就能告訴你。

比如對于客戶A，從去年到今年，平均交貨周期在縮短；但你知道，作為一個公司，你的整體交付能力沒改變——這從針對所有客戶的交付周期上可以看得出。那一個原因呢，就是對于你的交付周期長的產品，客戶A給你們的訂單更少了：他們根據你們的交貨能力，給你們更多的是你交付周期短的產品。這在統計學上叫“選擇偏差”——你看到了你看到的，你沒看到你沒看到的。打個簡單的比方：敵人新近投入了秘密武器，后方醫院接到的傷兵突然少了。如果你據此認為這秘密武器沒什么，那就打錯特錯了，因為這武器一擊致命，受傷的就根本回不來了。一線的指揮官不會犯這錯誤，因為他“看到”了那些沒能回來的士兵——清點士兵的數量就知道了。

作為后端的供應鏈，你不是生活在前線的炮火中，不大直接接觸到客戶，也對銷售們的“危言聳聽”充滿戒心，但你可以分析數據來判斷發生了什么。你可以繼續深挖，落實到具體的產品類別、料號，從需求量的變化來判斷客戶的行為變化。沒有對比就沒有傷害：對于交貨周期短的產品，這個客戶的需求一直在上升；而對于同類但交期長的產品，這個客戶的需求一直在下降，你八成可以看得出點什么了。

從發貨數據中，還蘊藏著更多的客戶信息。比如客戶的訂貨習慣：每周還是每月？是不是接受部分發貨？這跟我們的關系可不小：如果是每月訂貨，而且不接受部分發貨，那你就得備更多的庫存來應對；否則，你可適當降低你的安全庫存。訂貨越頻繁，需求量就相對越穩定，計劃也就越容易。總體來說，訂貨的頻次也反映了客戶的運營水平：運營水平越高，訂貨的頻次一般越高，訂貨量一般也越平穩，這些更可能是優質客戶的體現。而習慣性地給你一個大單子，讓你分N次送貨的客戶，就跟那些習慣于大批量運作的企業一樣，往往在管理上也更粗放。這類企業呢，整體計劃性也往往有待提高。這點你也可從數據中找出來：看看他們急單的比例就知道了。

從發貨歷史中，你還可分析客戶的集中度。摘取一段時間的需求歷史，比如6個月，按照料號、客戶、月份分解，你就能判斷，對于特定的料號，是否有客戶占了相當的比例。這些客戶就是“大石頭”[1]，在需求預測和需求管理時要特別關注，比如積極對接銷售，了解信息系統外的信息；緊盯客戶的需求變化，及時采取補救措施。你不能寄希望于銷售，因為他們知道自己的客戶，并不熟悉別人的客戶，沒法告訴你他們的客戶是否是“大石頭”。

當然，你還可以從發貨歷史中看需求的變動性。比如基于13個星期的發貨歷史，你可以計算每個料號的標準差，跟13周平均需求值相除，就得到相對的變動性。你馬上看得出，不同料號的變動性大不一樣，一刀切的管理方式，比如都設置x天的用量作為安全庫存，就不合適。你還可以設定一定的規則，比如過去4周的平均需求與過去8周的相比，上升或下降超過一定比例，就需要額外關注等。

從發貨記錄上，我們可探知的還遠不止上面這些。就拿訂貨頻率來說，當一個產品的訂貨頻率達到一定水平，比如過去6個月里4個月有訂貨，我們就開始定期預測這個產品；否則就只設安全庫存。當然，行業不同，這些數值不同。不過方法論挺一致：訂貨頻率越高，需求也相對越穩定，需求預測的準確度也越高，庫存風險也越低。對于多品種、小批量的企業來說，訂貨頻率尤其是個有用的決策參數。

再看貨是從哪里發出去的。比如某個客戶默認是由倉庫A發貨，但貨物實際是從倉庫B發送的，那往往意味著倉庫A的計劃薄弱。或許有人會說，為什么不是客戶需求問題呢，比如倉庫B的客戶調貨頻率高，每次調貨少，這樣好對付；而倉庫A的客戶三個月不訂貨，一訂要3個月的量，誰都難對付，所以就不得不向B庫借貨，由倉庫B發出？

那好，我們還是看數據。相同的料號，不同的倉庫，分析需求的變動性（需求的標準差除以需求的平均值），計算相關客戶的需求變動性，這問題不就有了答案？你也用不著去問兩個倉庫的客服人員，或者相應的銷售人員——數據就放在那兒，答案就在數據里，你先該到數據里看看。

要知道，上帝只給你一張嘴，但卻給你兩只手，就是希望你多動手。沒有人比數據知道得更多。我們要做的就是在動嘴之前，一定先動手分析數據。如果你從數據中看不出什么，很簡單，你的分析還沒到位，最直接的表現呢，就是你還沒有花足夠多的時間來分析。