從數(shù)據(jù)開始，并不是只收集數(shù)據(jù)，更重要的是分析數(shù)據(jù)，從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，指導(dǎo)后續(xù)的工作。這是我從雀巢的一位計(jì)劃總監(jiān)的報(bào)告中體會(huì)到[1]。 

先說(shuō)數(shù)據(jù)。雀巢的需求計(jì)劃把數(shù)據(jù)分三個(gè)層次：事務(wù)數(shù)據(jù)，計(jì)劃數(shù)據(jù)，外來(lái)數(shù)據(jù)，如圖 1。

事務(wù)數(shù)據(jù)：這是操作層面的數(shù)據(jù)，比如圍繞訂單、工單、產(chǎn)品的進(jìn)出存數(shù)據(jù)。這是ERP里最原始、最基本的數(shù)據(jù)，也可以說(shuō)是我們?cè)谛畔⑾到y(tǒng)中留下的每一個(gè)腳印。比如在SAP中，物料的每一次移動(dòng)、由誰(shuí)移動(dòng)、從哪個(gè)庫(kù)位到哪個(gè)庫(kù)位，都有清晰的記錄；客戶訂單什么時(shí)候接到，什么時(shí)候發(fā)送等，也是典型的事務(wù)數(shù)據(jù)。提供完整的事務(wù)數(shù)據(jù)，是ERP系統(tǒng)的強(qiáng)項(xiàng)。

計(jì)劃數(shù)據(jù)：事務(wù)數(shù)據(jù)并不能直接用來(lái)做計(jì)劃，而是需要進(jìn)一步整理、清洗，比如把需求歷史按日、按周或按月匯總，按照產(chǎn)品線、產(chǎn)品、SKU分解，剔除其中的一次性需求等，就成為計(jì)劃用的數(shù)據(jù)，供進(jìn)一步的數(shù)據(jù)分析。計(jì)劃數(shù)據(jù)也包括主數(shù)據(jù)，比如交期，最小起訂量，供應(yīng)商等。計(jì)劃數(shù)據(jù)的信息來(lái)源是ERP系統(tǒng)，但往往儲(chǔ)存在專門的計(jì)劃系統(tǒng)里，或者單獨(dú)的數(shù)據(jù)庫(kù)里。

外來(lái)數(shù)據(jù)：來(lái)自第三方，比如電商平臺(tái)，銷售終端等。這些外來(lái)數(shù)據(jù)更加真實(shí)地反映了需求，價(jià)值更高，當(dāng)然也更難獲取。另外，行業(yè)性的研究，第三方的數(shù)據(jù)也算外來(lái)數(shù)據(jù)。比如在導(dǎo)入新產(chǎn)品前，有些企業(yè)會(huì)參考行業(yè)的研究數(shù)據(jù)，判斷潛在市場(chǎng)的大小，以及可能得到的份額，來(lái)確定新產(chǎn)品的預(yù)測(cè)等。

圖 1：從數(shù)據(jù)開始 = 數(shù)據(jù) + 分析

來(lái)源：How NestléDeployed Predictive Analytics For Better Planning, by Olivier Gléron, BusinessPlanning, Forecasting and S&OP Conference, Europe, 2018. YouTube.com.

企業(yè)大了，沒(méi)人知道真相；真相在數(shù)據(jù)里。當(dāng)然，測(cè)不準(zhǔn)定律下，我們可能永遠(yuǎn)沒(méi)法知道真正的“真相”[2]；更多的時(shí)候，真相是個(gè)相對(duì)概念，更重要地說(shuō)，是多數(shù)人認(rèn)可的真相。沒(méi)有共同的數(shù)據(jù)，就沒(méi)有共同的真相，也就缺乏協(xié)作的基礎(chǔ)。計(jì)劃數(shù)據(jù)就扮演這樣的角色。

說(shuō)是“計(jì)劃數(shù)據(jù)”，其實(shí)不光是計(jì)劃職能用的；每個(gè)管理者都在做計(jì)劃，雖然他們的頭銜、職能中并不一定有“計(jì)劃”二字。比如生產(chǎn)要用計(jì)劃數(shù)據(jù)，來(lái)規(guī)劃未來(lái)的產(chǎn)能；倉(cāng)儲(chǔ)要用計(jì)劃數(shù)據(jù)，來(lái)規(guī)劃倉(cāng)庫(kù)的容量；物流要用計(jì)劃數(shù)據(jù)，來(lái)計(jì)劃物流費(fèi)用；采購(gòu)得用計(jì)劃數(shù)據(jù)，制定采購(gòu)計(jì)劃，跟供應(yīng)商談定價(jià)格；財(cái)務(wù)也用計(jì)劃數(shù)據(jù)，來(lái)模擬現(xiàn)金流；銷售當(dāng)然得用計(jì)劃數(shù)據(jù)，來(lái)預(yù)測(cè)營(yíng)收，及時(shí)安排促銷、活動(dòng)等。

對(duì)于企業(yè)來(lái)說(shuō)，一大挑戰(zhàn)是有統(tǒng)一的事務(wù)數(shù)據(jù)，因?yàn)槟鞘荅RP系統(tǒng)的原始記錄；但沒(méi)有統(tǒng)一的計(jì)劃數(shù)據(jù)，每個(gè)職能都是各行其是。小企業(yè)如此，大企業(yè)也不例外。比如有個(gè)百億級(jí)的電子產(chǎn)品企業(yè)，總部和各戰(zhàn)區(qū)用不同的數(shù)據(jù)，銷售、產(chǎn)品、計(jì)劃和供應(yīng)鏈也是各自用各自的數(shù)據(jù)，財(cái)務(wù)當(dāng)然有自己的數(shù)據(jù)。數(shù)據(jù)來(lái)源、格式不同，雞對(duì)鴨講，很多時(shí)間就不得不花在確認(rèn)數(shù)據(jù)上，效率低下，難以達(dá)成共識(shí)[3]。

解決方案其實(shí)很簡(jiǎn)單：構(gòu)建統(tǒng)一的計(jì)劃數(shù)據(jù)，形成各職能的共同語(yǔ)言。誰(shuí)來(lái)主導(dǎo)？計(jì)劃職能，而且是總部的計(jì)劃。就如我們?cè)谝粋€(gè)電商做的，計(jì)劃和財(cái)務(wù)協(xié)作（計(jì)劃最熟悉ERP系統(tǒng)，財(cái)務(wù)的數(shù)據(jù)最可靠），基于客戶訂單層面的數(shù)據(jù)，建立共同的計(jì)劃數(shù)據(jù)庫(kù)，放到統(tǒng)一的服務(wù)器或者云端，讓各個(gè)職能都來(lái)用。

這里的基本假定是，客戶訂單的數(shù)據(jù)是真實(shí)的，比如訂單是什么時(shí)候接到的，要什么產(chǎn)品，要多少，什么時(shí)候要，價(jià)格是多少，什么時(shí)候發(fā)送的，因?yàn)檫@是跟客戶收賬的依據(jù)，是銷售、客服、物流和財(cái)務(wù)部門都依賴的。在這樣的原始數(shù)據(jù)基礎(chǔ)上，按照不同的時(shí)間、產(chǎn)品、地域、客戶維度等切分（就如Excel中的透視表），就成為不同職能共用的數(shù)據(jù)。

在這個(gè)電商，計(jì)劃安排專門的人，每周定期把上一周的數(shù)據(jù)添加到數(shù)據(jù)庫(kù)里，不同職能、總部和門店，都用這些同樣的數(shù)據(jù)。從管理的角度看，每周更新，能夠滿足大多數(shù)職能的時(shí)效要求。當(dāng)然，對(duì)于日常補(bǔ)貨這樣的活動(dòng)，更新周期可能要更短，比如每天。

共同的計(jì)劃數(shù)據(jù)，不但降低了職能與職能、總部與分部的溝通成本，也減少了原始數(shù)據(jù)出錯(cuò)的概率，提高了決策質(zhì)量。在這樣的數(shù)據(jù)基礎(chǔ)上，計(jì)劃人員就跟醫(yī)生看病一樣，先分析已經(jīng)發(fā)生什么（現(xiàn)狀），再分析可能發(fā)生的情況（預(yù)測(cè)），最后提出指導(dǎo)性的建議（行動(dòng)方案）。這分別叫做描述性分析、預(yù)測(cè)性分析和建議性分析，構(gòu)成“從數(shù)據(jù)開始”中的三大分析。

描述性分析：是什么，或者說(shuō)已經(jīng)發(fā)生了什么。比如通過(guò)折線圖，來(lái)判斷需求歷史有沒(méi)有趨勢(shì)、季節(jié)性、周期性等；借助標(biāo)準(zhǔn)差、離散度、極大極小值等，判斷需求歷史的變動(dòng)性。至于說(shuō)平均值、中位值、眾數(shù)等，也都是常見(jiàn)的指標(biāo)，幫助我們理解需求的大小。

預(yù)測(cè)性分析：可能發(fā)生什么。在描述性分析的基礎(chǔ)上，借助數(shù)理統(tǒng)計(jì)模型來(lái)預(yù)測(cè)可能發(fā)生的。這是數(shù)據(jù)分析的核心，是對(duì)未來(lái)的預(yù)判。其后的邏輯是需求的延續(xù)性、相關(guān)性等。比如需求呈現(xiàn)季節(jié)性，那就可可根據(jù)過(guò)往數(shù)據(jù)，預(yù)測(cè)未來(lái)數(shù)個(gè)季度的需求。值得注意的是，預(yù)測(cè)性分析是基于數(shù)理統(tǒng)計(jì)的，比如需求在多大概率下，會(huì)落在某個(gè)區(qū)間里。

建議性分析：這是在前兩者的基礎(chǔ)上，建議的改進(jìn)方案。打個(gè)醫(yī)生的比方：描述性分析就如“望聞問(wèn)切”，預(yù)測(cè)性分析是預(yù)判病情的走向，而建議性分析則是開藥方。描述性分析著眼“已經(jīng)發(fā)生的”，預(yù)測(cè)性分析著眼“可能發(fā)生的”，建議性分析則是回答“怎么辦”的問(wèn)題，為不確定的未來(lái)指出一定確定性的行動(dòng)方案。

作為計(jì)劃人員，不管是哪一種數(shù)據(jù)分析，我們都應(yīng)該是假設(shè)驅(qū)動(dòng)，在業(yè)務(wù)指導(dǎo)下，為解決業(yè)務(wù)問(wèn)題而分析，而不是為分析而分析。這也是計(jì)劃員與分析員的一大區(qū)別：計(jì)劃員有業(yè)務(wù)背景，從業(yè)務(wù)角度往往已有假設(shè)，數(shù)據(jù)分析更加有針對(duì)性；而很多分析人員的IT背景很強(qiáng)，但沒(méi)有需求預(yù)測(cè)、庫(kù)存計(jì)劃的實(shí)際經(jīng)歷，結(jié)果是分析雖然做了很多，報(bào)表一大堆，但不解決任何問(wèn)題。

此外，我還想強(qiáng)調(diào)的是，數(shù)據(jù)知道它知道的（已經(jīng)發(fā)生過(guò)的），不知道它不知道的（尚未發(fā)生的）；對(duì)于已經(jīng)發(fā)生的，如果重復(fù)性高的話，數(shù)據(jù)分析能做到精益求精；但對(duì)沒(méi)有發(fā)生過(guò)的，卻難以避免大錯(cuò)特錯(cuò)。人正好相反，很難在重復(fù)性的事情上做到精益求精，卻能在不重復(fù)的事情上避免大錯(cuò)特錯(cuò)。

這就是為什么要“由判斷結(jié)束”，把數(shù)據(jù)的智慧和人的判斷結(jié)合起來(lái)。