从数据开始：不但要有数据，而且要有分析
从数据开始，并不是只收集数据，更重要的是分析数据，从数据中发现规律，从而指导后续的工作。这是我从雀巢的一位计划总监的报告中体会到的。[1]
先说数据。雀巢的需求计划把数据分成三个层次：事务数据、计划数据、外来数据，如图1-8所示。
事务数据：这是操作层面的数据，比如围绕订单、工单、产品的进出存数据。这是ERP里最原始、最基本的数据，也可以说是我们在信息系统中留下的每一个脚印。比如在ERP软件SAP中，物料的每一次移动——由谁移动，从哪个库位移到哪个库位，都有清晰的记录；客户订单什么时候接到的，什么时候发货的等，也是典型的事务数据。提供完整的事务数据，是ERP系统的强项。
图1-8 从数据开始=数据+分析
资料来源：Olivier Gléron.How Nestlé Deployed Predictive Analytics for Better Planning[C].Business Planning,Forecasting and S&OP Conference,Europe,2018.
计划数据：事务数据并不能直接用来做计划，而是需要进一步整理、清洗，比如把需求历史按日、按周或按月汇总，按照产品线、产品、SKU分解，剔除其中的一次性需求等之后，就成为计划用的数据，供进一步的数据分析。计划数据也包括主数据，比如采购提前期、最小起订量、供应商等。计划数据的信息来源是ERP系统，但往往储存在专门的计划系统里或者单独的数据库里。
外来数据：来自第三方，比如电商平台、销售终端等。这些外来数据更加真实地反映了需求，对计划的价值更高，当然也更难获取。另外，行业性研究、第三方数据也算外来数据。比如在导入新产品前，有些企业会参考行业的研究数据，判断潜在市场的大小以及可能获得的份额，来确定新产品的预测等。
企业大了，没人知道真相，真相在数据里。当然，在测不准定律下，我们可能永远没法知道真正的“真相”。真相是相对的，很多时候，所谓的真相就是多数人认可的真相。没有共同的数据，就没有共同的真相，也就缺乏协作的基础。计划数据就扮演这样的角色。
说是“计划数据”，其实不光是计划职能用的；每个管理者都在做计划，虽然他们的头衔、职能中并不一定有“计划”二字。比如生产要用计划数据，来规划未来的产能；仓储要用计划数据，来规划仓库的容量；物流要用计划数据，来计划物流费用；采购要用计划数据，来制订采购计划，跟供应商商定价格；财务也用计划数据，来模拟现金流；销售当然也得用计划数据，来预测营收，及时安排促销、活动等。
对于企业来说，一大挑战是有统一的事务数据，因为那是ERP系统的原始记录，但没有统一的计划数据，每个职能都各行其是。小企业如此，大企业也不例外。比如有个百亿级的电子企业，总部和各分部用不同的数据，销售、产品、计划和供应链也是各自用各自的数据，财务当然也有自己的数据，数据来源不同，格式不同，鸡同鸭讲，很多时间不得不花在确认数据上，效率低下，沟通起来就很困难。[2]
解决方案其实很简单：构建统一的计划数据，形成各职能的共同语言。谁来主导？计划职能来主导，而且是总部的计划。就如我们在一家电商做的，计划和财务协作（计划最熟悉ERP系统，财务的数据最可靠），基于客户订单层面的数据，建立共同的计划数据库，放到统一的服务器或者云端，让各个职能都来用。
这里的基本假定是，客户订单的数据是真实的，比如订单是什么时候接到的，要什么产品，要多少，什么时候要，价格是多少，什么时候发货的，因为这是向客户收账的依据，是销售、客服、物流和财务部门都依赖的。在这样的原始数据基础上，按照不同的时间、产品、地域、客户维度等切分（就如Excel中的透视表），就成为不同职能共用的数据。
在这家电商，计划安排专门的人，每周定期把上一周的数据添加到数据库里，不同职能、总部和门店都用这些同样的数据。从管理的角度看，每周更新，能够满足大多数职能的时效要求。当然，对于日常补货这样的活动，更新的频率要更高，比如每天，那每次要更新的数据也就更少。
共同的计划数据，不但降低了职能与职能、总部与分部的沟通成本，也减少了原始数据出错的概率，提高了决策质量。在这样的数据基础上，计划人员就跟医生看病一样，先分析已经发生了什么（现状），再分析可能发生的情况（预测），最后提出指导性的建议（行动方案）。这分别叫作描述性分析、预测性分析和建议性分析，它们构成了“从数据开始”中的三大分析。
描述性分析：是什么，或者说已经发生了什么。比如通过折线图，来判断需求历史有没有趋势性、季节性、周期性等特征；借助标准差、离散度、极大极小值等，判断需求历史的变动性。至于说平均值、中位值、众数等，也都是常见的指标，可以帮助我们理解需求量的大小。
预测性分析：可能发生什么。在描述性分析的基础上，借助数理统计模型来预测可能发生的情况，这是数据分析的核心，是对未来的预判。其后的逻辑是需求的延续性、相关性等。比如需求呈现季节性，那就可根据过往数据，预测未来数个季度的需求。值得注意的是，预测性分析是基于数理统计的，比如需求在多大概率下，会落在某个区间。
建议性分析：这是在前两者的基础上，建议的行动方案。打个医生的比方：描述性分析就如“望闻问切”，预测性分析是预判病情的走向，而建议性分析则是开药方。描述性分析着眼于“已经发生的”，预测性分析着眼于“可能发生的”，建议性分析则是回答“怎么办”的问题，为不确定的未来指出一定确定性的行动方案。
作为计划人员，不管是哪一种数据分析，我们都应该是假设驱动，在业务指导下，为解决业务问题而分析，而不是为分析而分析。这也是计划人员与分析人员的一大区别：计划人员一般有业务背景，从业务角度往往已经有假设，数据分析更加有针对性，而很多分析人员虽然IT背景很强，但没有需求预测、库存计划等方面的实际工作经历，结果是虽然分析做了很多，报表一大堆，却不能解决任何问题。
实践者问
一堆数据乱如麻，不知道从哪里下手，怎么办？
刘宝红答
对着数据，做一系列的透视表，按照客户切分，按照地域切分，按照月份、周数切分，按照产品、SKU切分，求平均数，求标准差，统计13周或12月频次[3]，做出折线图，你总会发现规律性的东西。企业数据不会是一团乱麻，企业数据总会有一定的规律性。我们之所以觉得像一团乱麻，十有八九是因为花的时间还不够。
借用诺贝尔经济学奖得主科斯的话，就是“只要你拷问足够久，数据总会招供的”[4]。
实践者问
那如何知道数据分析到位了？
刘宝红答
投入足够多的时间，找到规律性的东西，不管谁来挑战你，你都能自圆其说。有了“虽千万人吾往矣”的豪迈，你就知道数据分析到位了。
实践者问
没有准确的数据怎么办？
刘宝红答
没有准确的数据可能让我们预测的准确度降低几个点，但那一般不会造成灾难；“拍脑袋”或者因为没有完美数据就不计划，更可能导致大错特错。很多时候，预测的目的是避免大错特错，而不完美的数据也能接受。此外，数据不可能完美，不完美的数据也比没有强；分析不完美的数据，也比不分析数据强。
[1] Olivier Gléron.How Nestlé Deployed Predictive Analytics for Better Planning[C].Business Planning,Forecasting and S&OP Conference,Europe,2018.
[2] 比如说，销售用接到订单的日期识别需求，物流以实际发货日期识别需求，而需求计划用客户的需求日期识别需求。一个简单的例子是，客户在2月15日下订单，要100个，3月15日要，我们实际是4月1日发货的。那么，按照上述逻辑，销售把这100个的需求归到2月，计划归到3月，而物流归到4月，这些职能沟通起来就很困难。
[3] 13周频次就是在过去13周里，有需求的周数，在后文还会更详细解释。12月频次同理。
[4] 英语原文：If you torture the data long enough,it will confess.Ronald Coase,Essays on Economics and Economists,摘自Goodreads,Goodreads.com。