合适的颗粒度：数据与判断的最佳结合点

企业的管理能力越弱，预测的颗粒度就越小。

就“从数据开始”而言，颗粒度越大，需求的聚合效应越明显，数理统计的可靠性就越大，预测的准确度也越高。但对“由判断结束”来说，颗粒度与准确度的关系就相对复杂。

如图1-27所示，颗粒度很小的时候，虽然判断者最接近客户、市场、项目，但因为颗粒度太小，判断的准确度反倒不一定高。比如你在你的片区跟进一个招投标项目，你要么得到这个项目，要么得不到，变成了0-1判断，预测准确度很低。随着颗粒度变大，比如说到了大区，这个大区有10个类似的项目在跟进，根据历史经验，我们大致有30%的中标率，意味着大概能拿到3个项目，判断就相对更准。促销活动也是同理：虽然你是个店长，熟悉你的门店业务，你还是很难判断一个促销活动能给你的门店带来多少业务，但我们能更好地判断对一群门店的影响。

图1-27　在最佳的颗粒度上做预测（示意）

其实，判断也是基于数据的，不过是大脑里的非结构化数据罢了。越在一线，颗粒度越小，数据越单薄，也越容易受偶然因素影响。比如今天客人对她笑了笑，多做了几笔生意，门店的小姑娘就高估需求；昨天的几个电话打得顺利，销售代表今天就拔高预测等。而且越往一线，员工的教育程度一般越低，工作经验也越少，限制了他们的判断能力，也影响到判断准确度。

但是，这并不是说颗粒度越大，判断的准确度就越高。这是因为在更大的颗粒度上，判断者更加远离需求，其判断能力往往在下降。比如对那些总部的销售总监们来说，因为不接触多少一线的事情，所以对具体的客户、一线的判断也往往有限，除非那些改变需求的决策，比如渠道政策、促销活动，是在总部层面由他们做的。

可以说，随着颗粒度的增大，判断能力是先升后降。这对那些总部的计划人员来说不是好事：他们深知“擒贼先擒王”，动不动就找销售的负责人或总部的经理、总监们要“判断”，这么做虽然方便，但往往得不到什么高质量的判断。

理论上，数据分析和职业判断两者结合，整体准确度最高的地方，就是最合适做预测的地方，如图1-27中的“最佳的颗粒度”。这有点抽象。在实践中，我们往往视显著改变需求的决策在哪个层面做，就以哪个层面为合适的预测颗粒度，因为这一般就是数据和判断的最佳结合点。

让我们通过两个例子来说明。

例子1：有一家啤酒企业，销售组织有全国、大区和片区之分。大区大致是省一级，片区大致是地市一级，片区下面还有数以千计的二级办。就数据分析而言，当然是全国层面的准确度最高，但对于判断而言，全国则不是合适的颗粒度：啤酒的消费有明显的地域特性，在大区一级体现得较为明显。比如冬天到了，别的省份一般销量大减，但黑龙江反倒上升——这些年来，东北的居住条件好了，供暖太足，暖气太热，大家反倒在冬天喜欢喝啤酒降温。相应地，促销、活动、渠道政策等决策也是在大区一级做的，这让大区成为数据和判断的最佳结合点，整体预测的准确度也最高。

在理想的组织设计上，我们会考虑在每个大区设置专职的计划人员，跟大区的销售团队一起预测大区的需求；各大区的预测汇总到一起，就成为公司层面的预测，驱动生产与供应链。但实际操作上，该企业却把预测颗粒度设在片区下的二级办：ERP在二级办层面跑基准预测，每个二级办在此基础上提交未来3个月的滚动预测，层层汇总起来，成为最终的预测。

这造成两个问题：（1）同样的数据模型，在二级办这么小的颗粒度，生成的基准预测一般会更不准；（2）二级办的颗粒度太小，每个点在预测全国需求的千分之一甚至更少，相应销售的判断也很有限。数据分析和职业判断都不理想，二级办的预测准确度自然不高；上千个二级办的预测叠加起来，总的预测准确度也不会高。准确度低，库存就高，啤酒放得时间一长，就会影响新鲜度和消费者体验。

例子2：某手机品牌在全世界多个国家和地区都有业务，比如欧洲、北美、南美、印度和中国（业内分别将其称为“战区”）。这些“战区”之间的需求差异往往很大。甚至在同一“战区”，不同国家、地区之间的差异也相当明显。比如南欧、北欧、东欧虽说都是欧洲，消费习惯却有很多不同。运营商和电商业务让情况变得更复杂。比如在同一“战区”，不同运营商在机型以及运营方式上各有不同。这一切都让最佳颗粒度的选择相当困难，需要差异化对待。

整体而言，线上业务以“战区”的电商渠道为合适的颗粒度，因为每个“战区”的电商渠道由统一的团队管理，促销、活动等决策是在电商渠道层面做出的，因而是数据分析、职业判断对接的合适颗粒度。运营商自成体系，属于大B业务，由大客户团队负责，在每个运营商层面做预测。线下渠道整体上以“战区”划分，但对于复杂的“战区”，有可能细分到国家层面。

但在实际操作中，与例子1中的啤酒企业一样，该品牌商也是一线销售提需求，虽然在“战区”层面有计划人员，但他们的任务也多限于搜集汇总信息，传递给总部的计划团队。

为什么两个企业都这样做，把预测颗粒度设在一线？一方面是误解，认为一线人员更熟悉业务，预测的准确度更高；另一方面是责任机制，谁预测谁负责，一线自己提预测，不准的话也别怪总部，可以说是总部应对一线压力的一种做法。

从绩效考核上看，颗粒度越小，绩效考核越具体，责任越容易落实。可以说，绩效考核的天然倾向是分散，比如指标的层层分解，落实到人。但是，计划天生就是个集中的概念，由于需求的聚合效应，越集中，预测准确度越高。当分散与集中没法有机协调的时候，老总们就习惯性地采取简单粗暴的管理方式，把需求预测的责任“落实”到基层和一线，结果就是在错误的颗粒度上做预测。

根本原因呢，还是管理能力不足，销售与运营没法有效对接，数据与判断没法在合适的颗粒度结合，最后就在颗粒度小的地方做预测，因为颗粒度小，对协同的要求一般也低（很多时候，“从数据开始，由判断结束”落在同一个人身上）。

这些年来我发现，管理能力越弱，预测的颗粒度就越小，就越可能由一线人员做预测。比如有个零售商，对国内业务的管理能力强，就集中做需求预测；对国外的业务管理能力弱，没法及时获取销量、库存信息，没法有效对接数据与判断，就由各个国家的一线人员做预测。有个手机巨头也是这样：国内的需求计划在集中做，国外各“战区”则是层层提需求。

同样的道理，越是管理粗放、需求预测做得差的企业，做需求预测的人就越多，就越可能在细枝末节做预测。其实，大多数产品的需求分散，跟水电、煤气、市政设施一样，不需要人人做预测。如果你发现基层、一线人人都在做预测，那八成有问题——要知道，计划天然有集中的倾向，而执行天然有分散倾向；分散做计划，背后往往有执行兼职计划的影子（见图1-28）。

图1-28　计划天然有集中倾向

此外，虚幻的控制感，也让一线愿意做预测。就如一位电商的店长说的，自己做饭（一线店长做计划）虽然难吃，但至少可以保证有的吃啊。天知道，你都不知道怎么做计划，怎么保证有饭吃？那就只有堆库存呗。显然，店长们花的是公司的钱，牺牲的是股东利益，图的是自己的方便。[1]

两点补充说明。

其一，数据分析不一定非要在预测颗粒度上去做，而是完全可以在更高层面统一做，包括选择合适的预测模型，制定基准预测等。这部分工作应考虑尽量集中，因为公司的最佳分析资源一般都在颗粒度更大的地方，比如总部。你不能指望一线的兼职做好这样的数据分析工作。

其二，并不是每个产品都得判断。这里的核心仍然是“大石头”：

（1）那些能够显著改变需求的行为；（2）客户集中度高的产品。抓大放小，“大石头”由判断驱动，要落实到具体的销售、市场、产品经理；“小沙子”则由数据驱动，应交给计划来整体负责。

[1] “花公司的钱，图自己的方便”是读者“黑白”之语。“黑白”应该是网名。