预测的时间颗粒度

我们接着从时间的角度，来谈预测颗粒度。也就是说，我们是预测每天、每周，还是每月、每季、每年的需求？

图1-31　SKU的比例随生命周期调整（示意）

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

这首先取决于预测的目的。如果是规划产能，决定是否要另建新厂的话，按季度甚至年度预测看上去就够了；如果是安排主生产计划，按周预测一般就能解决问题；但如果是“钱大妈”那样的新零售，宗旨是不卖隔夜菜，每天的库存都清完，则需要预测每天的需求来给门店补货。

其次，要看可预见性。时间颗粒度过小的话，需求的聚合效应大减，可预见性就成了问题，预测准确度太低，有些规律性的东西反而看不出来了。比如就季节性来说，如果按月预测，季节性可能就没有按季预测那样明显；如果按周或按日预测的话，你会发现数据分析根本看不出季节性，因为每周的小“季节性”会掩盖每年的大季节性。[1]

但是，时间颗粒度太大，又容易掩盖需求的不平衡。比如每季的需求是100个，但这100个的需求是平均在3个月，还是一个月90个，另外两个月各5个？这对供应链的挑战可大不一样。

整体而言，预测的时间颗粒度越大，预测的准确度就越高。比如预测一个月的需求，一般会比预测一周、一天的需求更准确，预测也越“好做”。正因为这样，时间颗粒度也成了职能博弈的对象。销售、市场等前端职能的力量越大，预测的时间颗粒度往往也越大，特别是在那些销售提需求的企业，为了让预测“更准”，销售就把时间颗粒度定得尽可能大，预测结果看上去是更“准”了，其实并没解决多少供应链的问题，因为供应链需要更小颗粒度的预测，是典型的“手术很成功，病人却死了”。[2]

讲个小故事。这是个设备制造商，它有百亿级的营收规模。销售说，他们的预测准确度是百分之八九十，但生产呢，却一直在抱怨预测准确度太低。这就怪了：百分之八九十的准确度，放在哪个行业都算超级准了，更别说是多品种、小批量的设备行业了。细问销售，你们是怎么统计准确度的？答案是：按年，只要在这个年度生产，这个年度卖掉，就算准确！难怪生产都要笑晕过去了。

企业的管理能力越强，预测的时间颗粒度一般也越小。比如每个汽车主机厂都能提供月度预测计划（1～12月不等），只有部分主机厂能提供1～14天的周计划，还有部分主机厂提供2～6个小时内的排序信息。[3]管理越精细，整个供应链运作的可预见度就越高，企业就越可能提供更详细的需求计划。

预测跨度越长，时间的颗粒度一般也越大。否则的话，预测点太多，预测模型没法有效应对。大部分预测模型更擅长短期预测。比如我们要预测未来三年的需求，如果按周预测的话，这要150多个数据点，而很少有模型能相对准确地预测那么多的数据点。这并不意味着跨度越长，预测就越难做：虽然跨度长，但预测颗粒度不一定小，人们对预测的准确度期望较低，比如更多的是避免大错特错。

预测跨度越短，时间的颗粒度一般也越小，人们对预测准确度的期望也越高，预测的目标变为精益求精，这也是为什么短期预测并不简单。比如预测明天早晨10点会来多少订单，往往要比预测6个月的总体需求困难得多；预测明天下午3点具体加工哪件产品，比预测3个月后需要多少产线工人，难度也会更高，根本原因还是时间颗粒度太小。

有些人的误解是，在做短期计划时，我们更加接近需求，理应做得更准确。如果时间颗粒度一样的话的确如此，比如一个月前的预测一般要比3个月前的更准确。但是，短期计划也往往意味着时间颗粒度更小，其预测难度其实更高。

所以，要“精准”地做短期计划，其实很难“精准”，需要执行的灵活度来应对，比如交叉培训，一专多能；快速换模，快速换线；产线的小型化等。另一个解决方案就是在更大颗粒度上做预测，然后分解到更小的颗粒度。比如按季度预测，需求的季节性往往更明显；按月度预测，则往往看不出季节性甚至趋势来。那好，按照季度来预测，历史数据的可参考性更高，再根据经验值分解到每个月，往往比按月预测的准确度更高。

比如有个生产轻型卡车的企业，业务呈现明显的季节性：春季的需求明显高于别的季节。这是因为春节过后，大家都是信心满满，更愿意花钱买辆车，跑运输、做生意。但是，春节不是固定的，有时候在1月，有时候在2月，导致不同年份的1、2、3月需求波动相当大。如果按月预测的话，季节性就不明显，预测准确度更低；如果按季预测的话，每个季度的预测准确度更高，再根据经验分解到具体的月份，月度预测也往往更准确。[4]

实践者问

您说要在颗粒度大的地方做预测，但产品最终要进入渠道、客户、门店等细枝末节，最终还是得在颗粒度小的地方做预测。这怎么理解？

刘宝红答

没错，但那是短期预测，指导补货，即便预测失败了，执行弥补较为容易，影响也较小。我们说的在合适的颗粒度做预测，主要是中长期的预测，用来驱动生产和供应商。

实践者问

我们是生产手机的，在机型系列上按照月度做预测。您的书中建议周度。究竟什么是合适的时间颗粒度？

刘宝红答

我并不是建议“周度”，而是说供应链运营上，做得精细的企业一般会以周为单位，比如每周回顾上一周、上4周、上13周的按时交货率、质量合格率等。

就预测而言，如果是驱动长周期物料类的，一些管理精细的企业用26周预测（前13周的准确度更高，大部分已经转化成订单；后13周的准确度低，指导产能计划和长周期物料的采购），或者13+3的方式（前3个月细化到周，后3个月按月汇总）。如果是短期的补货计划，根据补货频次，则需要更小的颗粒度，比如周或天。

时间颗粒度的选择，也跟预测模型有关。一般的预测模型，除非有季节性和趋势元素，都是针对短期预测的，也就是说强项是预测最近几个数据点。对于半年26周的预测，如果颗粒度是周的话，要预测26个数据点是个很大挑战。那好，前些周按照周，其余按照月或者季度来预测，然后根据经验来拆解到周，或许是更可行的做法。

[1] 很多业务在每周会呈现“季节性”。比如在美国，餐馆周二的业务一般较淡，周末的业务一般较多。零售业、电商、其他服务业也有类似情况。如果按日预测的话，每年会有52个独立的小周期，反倒“一叶障目”，看不到更长的趋势和季节性：我们一般用指数平滑法来做此类预测，按日预测的话，数据点太多，老的数据权重衰减太厉害，在预测中几无作用，因而软件不能有效展示一年里的大季节性。我知道，这对于没有实际操作过的人来说有点抽象。

[2] 这也体现在产品上：在管理粗放的企业，销售、市场等职能的力量越大，就越可能在更高层面做预测，比如产品线或产品，而不是规格、型号层面。这时候，就把更详细的预测风险转嫁给供应链，而后者往往处于更糟糕的位置做这样的预测。

[3] 方英，安道拓的物料管理经理，2021年3月3日微信和电话沟通。安道拓（Adient）是汽车座椅制造商。

[4] 另一种方法就是围绕春节，重新排定月份、周数，而不是简单地利用自然日历，这样周期性会更清晰。其他农历节假日、穆斯林的宰牲节与开斋节等同理。甚至连元旦都有这样的问题：有时候元旦在第52周，有时候却在第53周，如果季节性是按周计算的话，就可能有问题。