案例　分解需求，对接合适的判断者

案例企业的需求相当复杂，主要分三大块：大客户、渠道客户、零星散户。大客户和渠道客户走的是传统的线下业务，是典型的B2B；零星散户走的是线上电商业务，通过App下订单，虽然是小商户，却跟典型的B2C业务很像。线上、线下业务并存，大客户、渠道客户和零星散户对需求的影响方式也各不相同：大客户的需求变动主要由客户驱动，比如客户自己的促销、活动等；渠道客户和零星散户则主要由案例企业自己驱动，比如渠道政策、线上活动等。

在案例企业的一个主要城市市场，我们确定了一个有代表性的产品，基于过去13周的需求历史（6月9日～9月1日），用简单指数平滑法[1]预测该城市未来4周的需求。如图1-9的左图，预测做好了，该城市需求的总预测是每周32个，这算是“从数据开始”，但判断到哪里找线索？我们还是得从数据中寻找线索。

图1-9　根据需求历史，做出基准预测

如图1-9的右图，分解这个城市过去13周的实际需求，你会发现零星散户、大客户KA-2、渠道客户占了绝大部分，他们的需求变动会显著影响整个产品需求，造成短缺或过剩。看得出，在过去一个季度里，零星散户的需求有大起大落，很可能是由线上活动所导致的；大客户KA-2的需求也有剧烈变动，表明客户那里可能发生了显著改变需求的事。线下渠道不用说，一旦渠道政策改变，需求就可能显著改变。这些驱动因素要么是内在的（比如线上、线下活动），要么是外在的（比如大客户），我们都需要找到合适的人来帮助判断，在未来几周是否可能出现这样的变动。

顺藤摸瓜，我们围绕这三大块需求，找到相应的能够帮我们做判断的人：负责大客户KA-2的大客户经理、负责线上零星散户的电商经理，还有负责渠道的渠道经理。这三个人找到了，把图1-9中的预测拿给他们，他们能否做出判断？当然不能，因为我们给他们的是整个产品的预测，而他们各自负责特定的客户、特定的业务。比如渠道经理熟悉未来的渠道政策是否会改变，如果改变的话，会如何影响需求，但他不知道大客户、线上散户的情况；线上散户的电商经理能判断未来线上是否做促销、做活动，但没法判断渠道和大客户的情况。

要知道，销售一般按照客户、地域、渠道等划分职责，每个人知道自己知道的，不知道自己不知道的，所以没法判断整个产品层面的需求。那好，我们把总的预测分解为相应的三大块，如图1-10的右图，拿给相应的判断者。这时候，我们谈的是具体的产品、具体的渠道或客户，找的是具体的负责人，“冤有头债有主”，这样才可能得到更具体、更可靠的判断。

图1-10　分解需求，找到合适的判断者做判断

那让他们判断什么呢？对于大客户经理来说，他需要了解大客户KA-2有没有大的变动，比如是否进行促销、活动等；对于渠道和零星散户来说，他们的需求变动是自己驱动的，比如给渠道返利的政策、线上线下的促销活动等。这里要判断的是增量，即投入多少资源，带来多少额外的新生意。

比如找到负责线上零星散户的电商经理，说这是零星散户过去3个月每周的需求，有高有低，最近两个月在下滑，我们的预测是每周21个，你觉得这数字靠谱吗？他说“不靠谱”，因为临近季末冲量，他正在计划推出促销活动，希望把营收提高20%，以完成这个季度的销售目标。那好，针对线上零星散户的预测就变成21+21×20%=25个/周（四舍五入）。相应地，总预测也由原来的每周32个增加到36个。依次类推，我们找到大客户KA-2、渠道对应的销售经理，让他们帮助判断各自负责的部分，从而得到最终的总预测。

就这样，数据分析和职业判断就结合起来了。

在具体操作中，“由判断结束”可以直接调整基准预测，也可以把各项增量单列出来，比如新产品、新客户、促销活动等可能带来的额外需求。直接调整基准预测的好处是简单，缺点是难以跟踪、复盘、改进。管理更精细时，企业会清洗数据，制定基准预测，然后叠加各项增量。这种做法相对复杂，但好处是清楚，便于记录、分析和改进。

比如在表1-1中，假定我们基于1、2、3月的需求，预测4、5、6月的需求为每月900个。这是基准预测，是在清洗掉历史数据中的一次性需求后，采用一定的预测模型计算出来的。也就是说，这是重复性业务。但有些能够显著改变需求的事情没有体现在历史数据中，比如4月要做促销，5月计划进入更多渠道，还有6月要扩展到更多的城市等。那好，跟相应的市场经理、渠道经理、城市经理对接，纳入各自的判断，就会得到相应月份的增量。

表1-1　单列各项判断带来的增量

当然，作为判断者，他们可不能光给个数字，他们还得讲故事——故事比数字更重要。就拿促销来说，为什么在5月带来的额外销量是100个，而不是80个或者200个？这背后一定有故事，比如以前做过类似的活动，投入x元的资源，增加了50个的销量；这次投入2x的资源，增加了100个的销量等。这些都得作为附注整理起来，作为后续复盘改进的依据。

基准预测是存量，判断调整是增量，两者相加，就得到表1-1中4、5、6月的预测。但是，老总可能觉得还不够，想拔高预测，那好，专门给他留一行，把他的数字填进去。就这样，我们得到了最终的预测。

为什么要给每样调整都安排独立的一行？为了冤有头，债有主，一方面好找到相应的人做判断，另一方面在复盘的时候好评估判断的质量，是增加价值，还是制造问题。必要的时候，这也有助于“秋后算账”：渠道经理说5月新的渠道会增加300个的需求，现在只增加了200个，问题出在什么地方，如何才能改进？毕竟，不统计就不知道，不知道就不能改进。

更为重要的是，一旦我们记录下来有据可查，做判断的人就会更加认真，降低了随意性，限制了博弈冲动，客观上也有助于提高准确度。

[1] 简单指数平滑法是最常见的预测模型之一，用上一期的实际值和预测值的加权平均来预测下一期，适用于需求相对平稳，没有显著的趋势、周期性的情况。详细内容可参考我的《需求预测和库存计划：一个实践者的角度》，第20～33页，机械工业出版社，2020。