SKU泛滥，需求预测怎么做

我们换个角度，从产品的角度，来看预测的颗粒度。

产品预测的颗粒度越大，需求的聚合效应就越大，数据分析也就越准确。比如产品线层面的预测准确度一般高于产品层面，而产品层面的预测准确度则高于规格、型号（SKU）层面。

SKU是stock keeping unit的缩写，直译过来是存货单元。[1]举个例子：女孩子去买衣服，找到喜欢的款式、喜欢的颜色，还得找到自己的尺码——款式+颜色+尺码就是这里说的SKU。SKU是我们识别产品所必需的，也是商场进出存的最小单元。同样的款式、同样的颜色，中号跟小号是不同的SKU，所以需要两个不同的SKU编码来识别。

这些年来很多行业都有“快消品化”的趋势，助长了SKU的数量泛滥，导致批量越来越小，复杂度越来越高，规模效益越来越低。可以说，SKU泛滥是供应链的大敌。很多企业并没有充分认识到SKU泛滥的严重程度，习惯性地低估SKU的复杂度，在大批量行业尤其如此。

比如有个快消品企业，每年有几十亿元的营收。他们说自己的产品很简单，就两个系列，每个系列有6个口味，组合起来就十来种。且慢，那包装呢？标准箱、组合箱、三联装，以及季节性的产品，比如礼盒、家庭装。得，这已经由原来的十来种变成几十种。这还没有完。该企业有上千个经销商，为了防止串货，每个经销商都有唯一的客户码[2]，这就是上千个客户码。同一系列，同一口味，同一包装，打上经销商A的客户码，就不能给经销商B。这么大的复杂度，给需求预测、库存计划和配送带来的挑战，也就可想而知。

常见的做法是，需求预测往往是在产品甚至产品线层面做的，没有深入到型号、规格等SKU层面。这对于财务、销售来说一般没问题，但对于生产线和采购来说，必须落实到型号、规格，才能运作物料需求计划（MRP）来驱动供应链。但问题是，如果要直接在SKU层面预测的话，预测的准确度会非常低。比如在有些企业，SKU层面的预测准确度只有20%上下。

如何提高SKU层面的预测准确度，是需求预测的一大挑战，我们可用三种方式来应对。

其一，最好是控制SKU的复杂度，降低预测难度。比如有些衣服没有性别区分，小伙子、小姑娘都能穿；有些袜子采用弹性材料，单一尺寸，不管脚多大都可以穿。再比如前些年苹果的手机款式简单，每年就一两款；三星的手机款式复杂，每年有十几款，前者的预测难度自然要比后者低。

这需要产品设计的标准化、模块化和系列化来支持。这降低了产品的复杂度，从产品设计的角度解决销售和供应链的大问题，显然是更好也是根本的解决方案，不过对产品开发和需求管理的要求也更高。还有，就是在公司战略上放弃量小货杂的SKU，专填“大格子”。这要求在产品复杂度的控制上有所作为，美国的西南航空和好市多是这方面的典型。[3]

其二，不在SKU层面做预测，而是通过执行来弥补。让我们拿兰州拉面来举例说明。在讲究的店里，兰州拉面可不止一种，而是有大宽、二宽、韭菜叶、二细、三细、毛细等多种选择，这就是它的SKU。拉面师傅怎么预测今天有多少人吃二细，有多少人吃三细？他当然预测不准——他有那本事的话，早都去股票市场发财去了。他的解决方案是根本就不预测：客官，您要吃毛细，没关系，多拉两把即可；您要吃宽面，少拉两把就是了——他是用执行来弥补的。

这背后的逻辑呢，就是延迟SKU的差异化，用执行上的灵活性来降低对计划的要求。20世纪90年代，我在上海读大学，去一些大商场买衣服，发现有些裤子的裤腿很长，裤脚不锁边，统一尺寸，在卖的地方现场锁边，这用的也是同样的战略。这要求供应链的柔性。但供应链的柔性不是无限的，特别是在大批量的生产制造行业。

就拿手机来说，裸机都差不多，差异化的是包材、标签、说明书、插头等。比如欧洲的插头跟美国不同，南美的说明书跟北美的语言不同等。如果用惠普的“延迟战略”，裸机会基于预测按库存生产，进一步的差异化则靠订单拉动。但是，国内的一些手机巨头做不到，因为它们的供应链是大批量导向，柔性不够；响应周期太长，灵活性不足。[4]

所以，这些企业就不得不在SKU层面做预测。怎么预测呢？有个手机公司是层层提需求，由各“战区”的基层销售来预测。这些基层人员何德何能，能够预测未来几个月哪种机壳颜色会流行，大家更喜欢内存多大的手机？但不预测可不行，那就问办公室的小姑娘们喜欢什么颜色，交差了事。你知道，这样的预测准确度当然不可靠。那究竟该怎么预测？这就是我们下面要详细介绍的。

其三，在更大颗粒度层面做预测，然后自上而下地分解。

比如耐克针对款式和颜色的组合做预测，然后按照尺寸曲线[5]分解到具体的大小尺寸（SKU层面）。这降低了预测的复杂度，节省了花在SKU层面预测的资源，也便于汇总到更高层面来进行产能规划等。这背后的逻辑是尺寸的比例相对比较稳定，历史数据的参考性比较高。

企业可以通过建立“比例库”，来积累SKU层面的信息。服装鞋帽行业的“尺寸曲线”其实就是SKU的比例库，如图1-30所示。根据行业、产品的不同，我们可以在SKU的比例库里定义一系列因子，比如大小、颜色、材料、内存、功率以及其他配置等，再按渠道分为线上、线下等——在有些公司，同一产品在线上、线下的配置可能不同，不同线下渠道的产品也可能有差别；即便是同一配置，线上和线下的需求比例也可能不同。

图1-30　SKU比例库的结构（示意）

资料来源：Reaping the Rewards of Sub-SKU Forecasting,Logility,2013.

SKU的比例库是建立在需求历史的基础上的，是需求历史的重要构成。上面谈到的饮料的标准箱、组合箱、三联装等也是SKU，可以根据需求历史来定义比例库，指导后续的计划。

不同的产品，多季度的需求历史，这么多的SKU因子，你能想象那个数据库有多大。假定一个企业每年推出500款衣服，每款衣服有6个颜色、6种尺寸，那意味着在SKU层面有18 000个款式/颜色/尺寸的组合。这是驱动生产所需的SKU数量。再假定这些产品在100个门店、网店销售，那就意味着有180万个SKU——店铺的组合，需要在SKU比例库维护，以指导门店、网店层面的计划。

对于SKU的比例库，这里补充两点。

其一，需求历史要清洗，否则SKU的比例可能不准确。比如有的SKU在一段时间短缺，需求历史偏低，那需要“填谷”，清洗数据后再计算。再比如有的SKU当初备货太多，最后不得不打折处理，你当然不能将其当作正常销量，来误导以后也过量备货。

其二，随着生命周期，SKU的比例可能变化，需要动态调整。如图1-31所示，在产品生命周期的早期（导入期），我们可按照有参考性的老产品，来确定首期铺货的比例；到了生命周期的中期，产品有了一定的销量，我们可以根据实际需求来调整SKU比例；到了生命周期的末期，我们可把更大比例的量倾斜到主要的SKU上，以减小慢动SKU的呆滞风险，同时更好地消化供应渠道的原材料、半成品库存。

[1] 行业不同，公司不同，区域不同，SKU的叫法也各有差异，比如最小存货单元、最小库存单位、最小存货单位等。还有的叫单品、囤货单元、存货单元、库存持有单元、库存单品项、有效成品单位、最小发货单元等。

[2] 客户码是生产商为了防止串货的一种做法。比如为了打开A地的市场，生产商给A地的经销商更大的折扣，但不希望A地的经销商把这些货拿到B地去销售，一方面担心A经销商到B地低价销售，扰乱B地市场；另一方面也担心A和B经销商串通起来，低价从生产商处拿货，在B地谋取更多利益。

[3] 比如美国西南航空只有一种机型，那就是波音737，他们只提供经济舱，不提供头等舱、公务舱。再比如好市多的每个店面大概有4000个SKU，而一般的超市都在30 000个左右。好市多网站：www.costco.com。

[4] 响应速度慢，除了大批量制造难以快速掉头外，信息化水平低也是一个关键原因。比如有个手机制造商有ERP系统，但物料计划主要是手工处理：系统里的数据不可信，MRP跑出来的结果需要人工来核对；每个机型SKU层面的BOM有几十、几百个，物料的替换关系复杂，异常情况丛生，都需要大量的人工和很多时间来处理；SKU层面的物料在途、在库库存没法系统有效获知，就没法给需求端及时做出供应承诺。这些都决定了，如果在SKU层面采取拉动战略的话，供应周期就太长，没法满足需求端的时效要求。

[5] 尺寸曲线也叫尺码分布表，是size curve的翻译。简单地说，就是对一款衣服或鞋帽，大、中、小等不同尺寸各自占的百分比。