需求預測經常面臨這樣的矛盾，一方面，就是對預測報以很高的期望，認為預測能夠解決供應鏈供需的問題，減少甚至杜絕庫存不足或者庫存過剩的問題，而另一方面，卻是對預測工作人員的努力，成果不認同，或者預測系統的不信任，總而言之，就是期望太高，現實不能的情況。

為此，筆者也收到過不少從業人員的抱怨，就是工作難度極大，追求完美而不能，但是付出和獲得的回報（暫且不說薪酬等）不成正比，更多的是被挑不足，批評甚至某著名名企的一個KPI就是預測準確率達不到某數字還要扣錢。

以下這些典型的問題，往往都是預測人員都經常面對的，那么如何說服對方，克服為此帶來的從業壓抑感等，是一個非常關鍵的改善點。

1.預測的出錯總是在對方眼里

預測總是錯誤的，這點如果被涉及的人員所理解，那么坦白說，所處位置的從業前景不樂觀。預測，一個是追求相對準確，能夠反映相關因素的預測結果，而非絕對的完美結果。預測精度出現的偏差，應該有一個彼此能夠認同的可接受范圍。

而從業人員往往面對的都是大量的SKU，某個或者某幾個SKU需求預測出錯很厲害，就容易被認為是所有SKU的預測都不可靠，不被信任。

預測結果一定會有不如人意的地方，假如是少量的SKU（比如5%）的預測結果相當不可靠，更是對整體的預測和預測工作失去信任，這是要克服的。

錯誤厲害的預測，讓可以把更多時間和精力投入在這些預測結果異常的SKU上，從而發現不足的地方，通過不斷改善來提升預測結果的可靠性，這點是一個準確的預測態度。

預測錯誤總是很容易被當成箭靶受到不同的指責，而合理區分出預測錯誤的可接受，和如何利用不可靠的預測結果提升，這應該是預測人員在工作事前，和相關部門明確和確立的重點步驟。

2.軟件，模型和經驗主義

無可否認，智能化在現在發展得越來越厲害，在預測區域，也開始出現了不少預測軟件。而有時候，總有一些人會相對排斥使用預測軟件，因為認為引入這些軟件，是認為自己的預測結果不準確。

而預測軟件很多邏輯是固定設置，這也是被一些經驗人士所不喜的，因為缺乏調整的變化，但內部始終認定軟件輸出的結果，導致經驗人士的知識和經驗被忽視。

這個是工作過程中不時出現的矛盾。

大多數軟件，都是只會告知如何輸入參數，數值，如何輸出結果，而不告訴邏輯，模型設置等具體，這應該要在工作前去了解，讓經驗人士認識到軟件的價值，同時也能發現軟件的不足，可以允許從業人員對此調整和修正，提高模型的精度和覆蓋面，既證明軟件系統的有效工作，而發揮從業人員的經驗和知識，贏得信任。

3.新品預測

新品不單指第一次出現的產品，范圍擴大一點的說，可以包括替代產品和一些只有很短時間的產品，它們的特點就是沒有歷史數據或者歷史數據很少，這使得采用時間序列方法進行預測的時候，結果可能很不穩定，預測的需求波動很大。

尤其是電商鋪貨，如何建立具備信任度的預測模型和得出可靠的預測結果，是很大程度上關系到經營成敗的關鍵點。

事實上，對于新品預測一個有效的方法就是選用類似品作為參照，不過這個需要花費一定的時間。引用合適參照品的數據，是簡單有效的方法。

當然，在一定歷史數據產生之后，還是應該轉回使用自身數據作為分析，畢竟再類似的產品也不能具備其完全一致的特點。

4.數據缺失

典型的例子就是間歇性需求，一個時期具有某單位的需求，然后接著的時期可能長時間的0需求。這樣的特性，除了是間歇性需求外，也有可能是流動很慢的滯銷產品。產品的數據特征就是并非每一個時期有需求數據，假如把0需求數據引入到計算之中，就導致結果異常。

除了使用針對0需求的預測方法外，也應該和相關方面，客戶等，為這些產品建立一套彼此認可的規則，比如補貨策略，下架策略等。

5.數據問題

數據是預測的重要基礎。不過比起數據處理，更多人往往把時間花費在預測模型的建立，預測參數的設置等，而很少把時間花費在認識歷史數據上。

這些包括不限于歷史的真實需求數據，產品相關的信息需求的，都應該與所有系統，尤其是預測系統數據保持一致，否則出來的結果就會出現不可靠性。

盡管數據繁多，哪怕無法全部核查驗證，也不妨使用抽查，或者通過一些方法來檢驗可能的異常值，從而提高所使用數據的真實和可信性。

從數據輸入開始，數據檢查的步驟就應該開始，盡管花費在數據的時間和成本并不見得帶來足夠的效率提升，但是一旦錯誤的數據引起的錯誤預測，這樣的損失往往也是昂貴的。

6.缺乏銷售信息的優化

預測并非一個埋頭苦干的工作，不是對著數據，對著屏幕埋首，因為往往數據并不能捕捉到未來的趨勢和發現市場迅速而起的驅動力，尤其是時尚快消產品，后者的因素尤其重要。這往往是預測結果不準確的一個很重要因素。

走出象牙塔，預測并非孤立的推算工作。如何和市場信息能夠緊密連接，而預測人員必修課題。而這些信息有時并不透明，或者簡單地換成數字，這需要預測人員分析和恰當地把握，從而納入在預測中，否則信息記錄的錯誤，不但不能提高預測準確率，反而降低預測質量。

這些都是一些常見的問題。

認識和克服這些問題，才更好地讓預測工作步入正軌，帶來更多的價值和獲得更多的認同。