专题：在合适的颗粒度上做预测

我们在前面多次提到，提高预测的准确度，一大关键是在颗粒度大的地方做预测。其后的逻辑是颗粒度越大，需求的聚合效应越明显，从数理统计的角度而言，可预见性就越强，数据模型就越可靠，预测的效果也就越好。这里我们作为一个专题，来进一步探讨。

让我们先看个具体的例子。

有个电商，在亚马逊、eBay、淘宝等多个平台上有门店，而且在同一个平台上可能不止一个。比如他们在亚马逊上就有5个门店，分布在不同的地域（见图1-22）。长期以来，对于国际业务，该电商是店铺销售经理们做预测：每个月，每个店铺经理要预测未来三个月的需求，逐个产品逐月预测，发送给销售总监审批，然后转给总部，总部汇总后驱动供应商准备产能、库存和安排生产计划。

图1-22　案例电商的总部与店铺结构

你知道，多个店铺经理做预测，颗粒度太小，预测准确度很难做高，还不用说店铺经理的特长是销售，不是计划。我的建议是让他们在总部层面做预测，设立专门的职能负责需求预测。当然，我不能简单地说，我写过一本书，书上说在这种情况下，集中预测的话准确度高，我得证明给他们看啊。

于是我就分析他们的需求历史，掐头去尾，除掉新产品和即将下市的老产品，挑选了558个有代表性的量产阶段的产品做分析。这些产品中，平均每个大概在3个店铺中销售，共有1885个“产品—门店”组合。当店铺经理们在每个门店层面做预测时，需求的离散度[1]相对更大，预测难度就更高。比如我们分析历史需求，需求离散度的平均值接近1.4。如果在公司总部集中做预测，这时候预测对象就由1885个变成558个，经过整合，需求的变动性也降低，表现在平均离散度只有1，如图1-23所示。离散度越小，表明需求相对越稳定，也更容易预测。这就是说，集中预测时，预测的技术难度更低，客观上可能做出更准确的预测。

这也可以从“短尾”[2]产品的比例得到更直观的解释。当在各平台分散预测时，只有60%不到的产品是“短尾”，别的都是更难预测的“中尾”或者根本没法预测的“长尾”；当把各个门店的需求集中起来，在公司层面预测时，“短尾”的比例就提升到接近80%，如图1-23所示。“短尾”产品越多，理论上越好预测，预测的准确度也越高。

图1-23　集中预测降低了预测的难度

需要说明的是，对于案例电商，各门店不做的预测，指的是驱动供应链的预测。该预测覆盖的时间一般较长，在案例企业是3个月，因为要至少覆盖整个采购提前期，以指导供应链的生产与采购。对于日常的补货计划，一般覆盖两三周，各店铺还是要做。不过好处是，补货计划影响的是店铺到总库这一段，交期较短，即便预测失败，补救的话也相对容易。

对于驱动供应链的预测，我们尽量要在颗粒度更大的总部做，以提高预测的准确度，就如下面要讲的“自来水模式”。

[1] 离散度是标准差除以平均值。离散度越大，表明数据的变动性越大，预测的准确度也越低。

[2] “短尾”在这个案例中定义为在过去13周，有8周或以上有需求，表明需求相对频繁。当然，这只是本案例的切分方法，并不是什么标准，请读者明鉴。整体而言，“短尾”产品的需求相对频繁，也相对稳定；“中尾”产品的需求相对频繁，但不稳定；“长尾”产品的需求既不频繁，也不稳定。对于不同产品的预测，我们在后文还会详细讲到。