博客 @HBR
在未知世界中
预测消费者需求
西泽·布雷亚 (Cesar Brea) 萨宁·比查尼奇 (Sanjin Bicanic) 李玥（音）(Yue Li)
施韦塔·巴德瓦杰 (Shweta Bhardwaj) | 文
刘隽 | 编辑
新冠疫情破坏了需求预测，这些预测可以指导消费品和服务零售商及供应商，确定订购或生产数量、库存地点以及广告或折扣数量。在疫情初期，突如其来的封城和居家办公转向引发了食品和日用品的恐慌性购买，一些商品售罄而另一些却滞留在货架上。
如今，不确定性依然存在于几个方面。某些产品，比如纸巾和罐装蔬菜，仍旧供应不足。食品销售商正在囤积一些几个月而非几周量的主食，以便为今冬做好准备，届时可能会出现病例重现，人们可能会蜷缩在家里。反观之，这可能会使假日和季节性采购的预测出现偏差。失业福利的变化、投资市场的动荡，甚至围绕总统选举和种族问题的社会动荡，可能会进一步动摇需求。
我们也看到了消费者态度和行为方面的更深层次变化。消费者普遍寻求降低风险、减少焦虑以及获得归属感的途径。可是，基于年龄、收入和政治倾向，人们对待疾病及体育锻炼活动的态度和行为的范围越发宽泛。了解这些新格局并在疫情时期对客户进行重新归类，可以提高预测水平，这也应该成为许多企业的头等大事。
雪上加霜的是，当预测失灵时，就像新冠疫情期间一样，管理者们通常会回归其直觉。嘈杂的数据与偏见混作一团，让预测的准确性变得更差。
这种偏见有许多不同形式。我们在包装消费品公司需求规划工作中看到的一种常见形式是，通过确保商品的充足供应来取悦零售商，而不管这些商品是否有望销量强劲。实地销售代表不希望走进商店听到商品缺货的抱怨，因为这会损失今天的销量，损害关系，进而损害明天的市场份额。可是，向另一个方向摆得太远——通过过度限制库存来对冲风险——代价也很高昂，因为它不仅直接损失了今天的销量，而且间接地损害渠道关系，并失去明天的市场份额。
管理者还会陷入“所见即所得”的陷阱，就像当时他们只看自己所在地区对疫情的响应一样。比如，一些在美国南部有大量业务的公司，最初认为纽约出现的早期新冠疫情趋势不会对他们产生影响。
与其放弃建模，不如换一种方式建模。
寻找替代数据集
在这些波涛汹涌的海面上航行，一个更可靠的办法是找出替代数据集——比如，通过混合使用更简单的模型，更深入地挖掘非显性的、有时是非结构化的“暗物质”数据。这些数据通常存在于那些应用预测的人的头脑中（想想员工对当地市场活动和其他情况的了解），而且可以在这些模型中得到安排和体现。
从数据集入手。许多预测模型依赖以前的销售数据。在相对稳定的时期，这些数据可以描绘出对下一季节的准确评估。可是当疫情袭来，过去熟悉的格局变得不具相关性，而类似的事件可能具有更强的预测能力。
类似的情形可能包括：过去的经济冲击，比如互联网泡沫破灭；过去的自然灾害，尤其是长期中断供应链的飓风；或者已从病例激增中恢复的地区。从类似事件得来的数据——比如，不同国家或城市的需求和供应需要多长时间恢复——可以在新冠疫情期间以及之后帮助人们看到不远的将来。
当然，类似数据不会说明全部的情况。公司还需要近乎实时的数据来追踪消费者当前的行为和态度。为此，通常缺乏及时准确销售点数据的消费包装商品企业，可以说服零售商随时分享他们的一手数据，或者他们可以建立直接面对消费者的渠道。即便是这种数据未必能从其他地区迅速获得。在这种情况下，利用电子商务渠道、在线搜索模式、智能手机移动数据以及社交媒体情感分析，都可以提供有用的消费势头信号。
一家全球食品企业在新冠疫情来袭几个月之后就采取了这种方法，在餐厅、酒馆和宾馆等无法衡量的渠道检测需求——这是它从未做过的事。该公司使用了来自手机的匿名位置数据，并确定了7个产品类别中的24个预测变量。这些数据集会流入一个工具，该工具会根据每个国家的疫苗供应、封城政策、经济刺激和其他因素来模拟不同情景。它还建立了“恐慌指数”，从社交媒体订阅源跟踪消费者情绪。迄今为止，这个工具的表现比过去一线销售代表作出的需求评估更准确。
挖掘当地知识
不过，收集的数据应该包括当地知识。我们曾合作过的一家烘焙食品公司使用了一种算法，假设在某些国家节假日期间需求会增加。可是在与实地代表的交谈中，我们发现，其他一些事件——如州博览会、钓鱼锦标赛、小职业联盟棒球赛——在某些市场上更为重要。将这些信息放入该公司基于机器学习的模型中，大大提高了预测的准确性。更高的准确性反过来又减少了商店退货、产品浪费和卡车司机花在订单上的时间。自疫情发生以来，这家公司通过减少过度订货和缺货已经实现了7500多万美元的税前收入增长。
除了当地知识之外，企业还可以寻求专家判断，包括在疫情出现时寻求流行病学家的判断，或者向高级顾问和行业协会寻求行业见解。使用德尔菲法(Delphi method)汇总一组专家的意见，企业可以将专家的判断内置为构建模型数据集的一部分，而不只是在事后调整模型的输出。
接受综合建模
一旦企业有了更多的相关数据，下一项任务就是改进其建模。这就要像飓风预报员一样思考：在不确定的动态条件下，综合许多简单的模型通常比使用一种复杂模型效果更好，因为后者在这些条件下可能更脆弱。
当任何单一模型的潜在数据不稳定时，综合建模可以融合不同模式的预测，以建议一个点估计值，或者一个合理范围。飓风预报员将几个模型预报的路径一同绘制在一张图上，以便用户可以很好了解风暴路径的集中趋势。
以新冠疫情期间某新产品的推出为例。一种模型可能使用简单的销售移动平均值。另一种模型可能纳入了同一家族的某一产品过去的销售数据，以发现该产品在不稳定时期的状态。还有一种模型可能代表其他类似商店的情况。由于每个单独模型涉及不同需求特征，如果它们全都指向某一特定的方向，对这条路径的信心就会上升。如果它们的指向不同，每种模型的简单性和透明性也使人更容易理解它们各自指向的原因。
在疫情初期，一家医疗卫生企业很难准确预测其联络中心的呼叫量，导致因人员过剩而产生过多的人力成本。该公司深入研究了误差的根源，并开发了一套变量，可以更好地预测人们何时、何因呼叫。其中一个变量是其他更早受新冠疫情侵袭的国家发生的情况；另一个变量是预授权请求。新的预测模型由一批比疫情前使用的更简单、更透明的模型组成。它综合使用了新数据和专家意见。结果，该公司在几周内大幅降低了预测误差。
测试，测试，再测试
由于消费市场仍然受到退订、病例剧增、意外和地区差异的冲击，管理者需要一个严格程序，通过快速和经常性的测试来验证结果。诸如A/B这样的简单方法，既快速又灵活。
比如，那些被隔离的、年龄在65岁及以上、从未考虑过网购食品杂货的成年人现在正越来越多地转向这些服务。食品杂货商可以设立A/B测试，衡量哪些营销信息对这个新群体最有效。A/B测试还可以评估不同营销渠道的有效性，比较流媒体视频和社交媒体广告各占一半的情况下，不同广告组合的表现。
测试还有后勤方面的好处。比如，某家公司可能希望确定，在经历新一轮感染潮的都市区将某类媒体广告翻番或减半会产生何种效果。执行测试不仅会产生分析性见解，而且可以帮助评估这些事是否可行，公司会如何购买额外的媒体，或者在合同上是否具有缩减广告的灵活性。
面向消费者的企业的管理者们，看到他们的预测准确度在2020年中下降时，他们的应对措施包括削减产量和营销，直至尘埃落定、全面进行简单线性的调整等。相比之下，一小部分追求新数据集、模拟和模型开发的企业在更好预测需求方面取得了初步成功。这有助于他们在不牺牲增长的同时控制成本。一旦市场稳定下来，他们将处于更有利地位。由于波动可能会持续到2021年，更多企业应该效仿他们的做法。
西泽·布雷亚是Bain & Company的高级分析业务合伙人。萨宁·比查尼奇是Bain & Company的高级分析业务准合伙人。李玥是Bain & Company高级分析业务的高级经理。施韦塔·巴德瓦杰是Bain公司客户体验业务的合伙人。