需求预测常面临的问题

需求预测经常面临这样的矛盾，一方面，就是对预测报以很高的期望，认为预测能够解决供应链供需的问题，减少甚至杜绝库存不足或者库存过剩的问题，而另一方面，却是对预测工作人员的努力，成果不认同，或者预测系统的不信任，总而言之，就是期望太高，现实不能的情况。

为此，笔者也收到过不少从业人员的抱怨，就是工作难度极大，追求完美而不能，但是付出和获得的回报（暂且不说薪酬等）不成正比，更多的是被挑不足，批评甚至某著名名企的一个KPI就是预测准确率达不到某数字还要扣钱。

以下这些典型的问题，往往都是预测人员都经常面对的，那么如何说服对方，克服为此带来的从业压抑感等，是一个非常关键的改善点。

1.预测的出错总是在对方眼里

预测总是错误的，这点如果被涉及的人员所理解，那么坦白说，所处位置的从业前景不乐观。预测，一个是追求相对准确，能够反映相关因素的预测结果，而非绝对的完美结果。预测精度出现的偏差，应该有一个彼此能够认同的可接受范围。

而从业人员往往面对的都是大量的SKU，某个或者某几个SKU需求预测出错很厉害，就容易被认为是所有SKU的预测都不可靠，不被信任。

预测结果一定会有不如人意的地方，假如是少量的SKU（比如5%）的预测结果相当不可靠，更是对整体的预测和预测工作失去信任，这是要克服的。

错误厉害的预测，让可以把更多时间和精力投入在这些预测结果异常的SKU上，从而发现不足的地方，通过不断改善来提升预测结果的可靠性，这点是一个准确的预测态度。

预测错误总是很容易被当成箭靶受到不同的指责，而合理区分出预测错误的可接受，和如何利用不可靠的预测结果提升，这应该是预测人员在工作事前，和相关部门明确和确立的重点步骤。

2.软件，模型和经验主义

无可否认，智能化在现在发展得越来越厉害，在预测区域，也开始出现了不少预测软件。而有时候，总有一些人会相对排斥使用预测软件，因为认为引入这些软件，是认为自己的预测结果不准确。

而预测软件很多逻辑是固定设置，这也是被一些经验人士所不喜的，因为缺乏调整的变化，但内部始终认定软件输出的结果，导致经验人士的知识和经验被忽视。

这个是工作过程中不时出现的矛盾。

大多数软件，都是只会告知如何输入参数，数值，如何输出结果，而不告诉逻辑，模型设置等具体，这应该要在工作前去了解，让经验人士认识到软件的价值，同时也能发现软件的不足，可以允许从业人员对此调整和修正，提高模型的精度和覆盖面，既证明软件系统的有效工作，而发挥从业人员的经验和知识，赢得信任。

3.新品预测

新品不单指第一次出现的产品，范围扩大一点的说，可以包括替代产品和一些只有很短时间的产品，它们的特点就是没有历史数据或者历史数据很少，这使得采用时间序列方法进行预测的时候，结果可能很不稳定，预测的需求波动很大。

尤其是电商铺货，如何建立具备信任度的预测模型和得出可靠的预测结果，是很大程度上关系到经营成败的关键点。

事实上，对于新品预测一个有效的方法就是选用类似品作为参照，不过这个需要花费一定的时间。引用合适参照品的数据，是简单有效的方法。

当然，在一定历史数据产生之后，还是应该转回使用自身数据作为分析，毕竟再类似的产品也不能具备其完全一致的特点。

4.数据缺失

典型的例子就是间歇性需求，一个时期具有某单位的需求，然后接着的时期可能长时间的0需求。这样的特性，除了是间歇性需求外，也有可能是流动很慢的滞销产品。产品的数据特征就是并非每一个时期有需求数据，假如把0需求数据引入到计算之中，就导致结果异常。

除了使用针对0需求的预测方法外，也应该和相关方面，客户等，为这些产品建立一套彼此认可的规则，比如补货策略，下架策略等。

5.数据问题

数据是预测的重要基础。不过比起数据处理，更多人往往把时间花费在预测模型的建立，预测参数的设置等，而很少把时间花费在认识历史数据上。

这些包括不限于历史的真实需求数据，产品相关的信息需求的，都应该与所有系统，尤其是预测系统数据保持一致，否则出来的结果就会出现不可靠性。

尽管数据繁多，哪怕无法全部核查验证，也不妨使用抽查，或者通过一些方法来检验可能的异常值，从而提高所使用数据的真实和可信性。

从数据输入开始，数据检查的步骤就应该开始，尽管花费在数据的时间和成本并不见得带来足够的效率提升，但是一旦错误的数据引起的错误预测，这样的损失往往也是昂贵的。

6.缺乏销售信息的优化

预测并非一个埋头苦干的工作，不是对着数据，对着屏幕埋首，因为往往数据并不能捕捉到未来的趋势和发现市场迅速而起的驱动力，尤其是时尚快消产品，后者的因素尤其重要。这往往是预测结果不准确的一个很重要因素。

走出象牙塔，预测并非孤立的推算工作。如何和市场信息能够紧密连接，而预测人员必修课题。而这些信息有时并不透明，或者简单地换成数字，这需要预测人员分析和恰当地把握，从而纳入在预测中，否则信息记录的错误，不但不能提高预测准确率，反而降低预测质量。

这些都是一些常见的问题。

认识和克服这些问题，才更好地让预测工作步入正轨，带来更多的价值和获得更多的认同。