之前,我们从两个方面讨论了预测案例1:
首先,应用统计学知识,分析历史数据、并构建出可接受的定量模型;
然后,讨论了渠道业务现实,从其自身逻辑总结了预测偏差的来源,以及定量模型中所缺失参数的输入来源。
本篇,将讨论搭建最终模型,一个实用的定量预测模型。这个模型,将包含之前讨论过的所有重要结论。
最终的“自适应预测模型”效果如下:
(知识点:“自适应”是指,能够依据输入数据的特征,自动调整应对或处理方式。
虽然这是现代工程技术中应用广泛的一种方法,但是我们在供应链计量分析中也可以利用其原理,构建更加好用智能的模型。而且,这并不是多么困难的事情。)
如果喜欢,下面来一起看看搭建过程。^_^
第一步,搭建基准模型
简单回顾一下历史数据。
基准模型是一个年度时间序列模型,应当包含两个主要参数:
首先,季节因子。也即“季节性”,这里体现为各月权重系数,全年12个月合计为100%。
我们选择用过去两年的数据,以算术平均值来作为季节因子,结果如下:
注意:
(1)“过去两年”并非是强制或者推荐要求,通常可以选择业务模式和市场形势没有显著变化的过去2~3年数据;
(2)算术平均值也并非强制或者推荐要求。在本例中,因为很明显过去两年的季节性比较一致,所以算术平均值即可。如果可选用的2~3年数据存在着季节性的明显差异,在理解实际业务背景的前提下,通常可以设定合理权重、按照加权移动平均法来计算,以求计算结果可以更好模拟“常规情况”。
其次,增长系数。也即“趋势性”,这里体现为年增长率。
我们无法借助统计分析给出这个系数,当然,我们也不需要这么做。征询渠道管理部门,得知他们的年度增长目标是15%,这就是基准模型所需要的“增长系数”。
于是,我们得到的基准模型,也即基准预测,如下:
注意:先按照15%增长率计算全年总数,然后按照季节因子分摊至各月。公式简单,不再列出。
我们知道,基准模型已经可以通过检验。但是,我们也知道,现实中“渠道业绩管理”下的“经销商行为模式”会带来很多干扰,如果可以主动识别、修正干扰,那么就可以提高预测准确性,得到质量更高的预测模型。
第二步,建立修正模式
继续征询渠道管理部门,得知今年的渠道业绩管理体系如下:
由此可以确信:如果业绩态势太好或者太差,必然会有特定的“经销商行为模式”发生。我们需要将这种可能性纳入基准模型,建立修正模式。
需要考虑的修正模式,主要是经销商在限制性要求下的额外备库行为,以及这种行为的后续影响。
很显然,这种行为主要将发生在季度末。
如果形势不好,则需求将低于基准预测,但是缺口必须要在季度末补足,并且至少要补足当季指标的90%。只要对形势没有绝望,经销商就会砸钱去补;如果形势太过恶劣,我们也得充分预计有一定比例的经销商甚至于只能勉强维持住80%。
季度最末月份的实际需求 = 当季指标 - 当季前两个月需求之和
砸钱补货,就势必拖累下月需求。但是通常不至于等额影响下个月,因为,经销商会有更强的动力去加快销售。
这里我们定义一个简化的经验参数,“额外库存滞销比例”,用来定义当月额外库存有多少比例将会直接影响到下个月需求。涵义如下:
当季实际需求 = 当季真实需求 + 额外库存;
下月实际需求 = 下月真实需求 - 额外库存 * 额外库存滞销比例
本文中,我们设定此比例为40%。实际问题中,也可以将其设置为阶梯比例,以更完美地描述经销商行为心理。
如果形势太好,则需求将高于基准预测。供应商有动力借助于多消耗库存来尽可能减少进货,尽量不要超过120%当季指标,以免损失奖励。这些需求,通常将全部转入下个月。
第三步,全年预测评估和动态化
可以看到,这里计算的关键是,应该如何判断“额外库存”。额外库存是超出真实需求的部分,——我们强调需要保留的、在前面建立的基准预测,其实就是对于真实需求的评估值。(填坑完毕 ^_^)
唯一的问题是,基准预测依赖于据说并不完全靠谱的年度增长率目标。
所以,我们还需要一些技巧来处理这其中的风险。
首先,全年预测的再评估。
以上财年P8~P11 (以尽量避开季度末和年末的可能影响)的平均值,作为当前市场的需求水平。
假定Q1维持正常需求,也即P2、P3的平均需求与此持平,并且,注意到基准模型中P3的季节因子应当没有季度末额外备货行为,因此,以P2、P3按照季节因子反推全年预测值,如下:
(Y4P8+Y4P9+Y4P10+Y4P11) / 4 *2 / (P2 season factor + P3 season factor)
得到结果15051。(略高于基准模型的14091,意味着基准模型全年数字暂时可以接受。)
其次,P1预测的再评估。
再评估得到的全年数字,由P1季节因子,可以得到新的P1预测;考虑剔除P12可能的年底影响,就得到了P1预测的再评估结果。
最后,全年预测的动态化。
基于前述逻辑,每当有新的实际结果录入时,我们都可以借助季节因子反推全年预测值。毫无疑问,越接近年底,就有越多的实际结果,这个反推的全年预测值也将越逼近真实结果。
按照前面关于修正模式的讨论,季度末额外备货,接下来季度初消化该影响,因此,各季度第二个月基本不受“经销商行为模式”影响,所以,可以以动态预测的全年需求来计算各季度第二个月的评估需求。
最后一步,公式实现
我们仍然在Excel中呈现相关逻辑的公式实现,如下图:
注意:
(1) 用max/max-/min+/min来同时表示可能的经销商行为模式,也即,将其表示为一个区间。
(2) 季度初的修正(除了P1之外)的计算公式,仅展示了额外补库影响,未展示延后需求影响的具体计算。
可以看到,所有“Y5 adj. FC”的计算公式都已经预设了这样的逻辑:检查当期之前两期的实际发生值是否已输入,如果输入,则自动依据实际输入值调整计算公式。
所以说,我们所建立的“自适应模型”,是二阶的递归自适应。随着实际值的逐个录入,模型的动态过程如下:
二阶递归自适应模型,可以自动帮我们滚动更新后续两个月的预测。
当然也可以搭建出三阶的递归自适应模型,用以自动滚动更新后续三个月的预测。
出现在本文最初的动图,其实就是三阶递归自适应模型。虽然长得差不多,但是细看就能发现二者的明显差异。^_^
不过,我们不推荐过高的递归阶数。阶数过高,只会增加模型复杂性,并不会带来太多现实益处;另外,现实中,渠道或者市场的自我调节和消化能力是强的,所以对于历史的记忆能力也并不会很久。
需要提醒的是,对于需求预测,无论统计分析能力有多强,我们也都不推荐完全依赖于模型。
我们推荐采用S&OP流程,与业务部门沟通讨论后,再确定后续需求的最终预测值。
原因很简单:业务部门的积极主动性,是万万不可以忽略的。哪怕是市场形势再糟糕,你都不能忽略业务部门随时祭出大招的能力和可能性。
拥有定量模型,对你的好处是:更加主动。
你可以更容易理解业务的真实处境,更容易预判业务祭大招的可能性和紧迫性;在和业务部门的S&OP沟通中,你也更能够判断所获得信息的可靠度。
所以,模型在使用中会调整如下:
注意:模型中可以对单元格"N6"~"N11"设置权重,所有权重合计应为100%。判断为可能性最高的预测,应该赋予最高的权重。
即便是没有可靠的业务信息输入,你也可以依据对最可能情况的判定来分配权重。这个时候,你其实只需要从业务部门获得定性判断即可。
比如,本实例中,你会逐步发现,如果不祭大招,那么很明显“FC min+”可能性最高。所以,后期的权重赋值变成了下表:
任何一种模型的选用,都要明白其适用性,或者说局限性。
本模型适用范围:相对成熟的渠道业务。
所谓“相对成熟”至少体现在:
(1)终端市场相对稳定。例如工业低压行业,应用面比较广、竞争充分但变化没那么剧烈;
(2)市场占有率相对充分。越充分的市场占有率,意味着市场波动越可控,因而不太会有突发的剧烈冲击;
(3)经销商业绩集中度相对有限。越高的集中度,意味着业绩走势将会较大程度上受制于与头部经销商的博弈,因此,预设的管理政策是否一定能够得到期望的效果,也将会有更多的疑问。
如果成熟度低,例如行业应用窄、处于快速增长期或者衰退期、渠道寡头特征明显等,也并非无法处理。只不过,分析建模所需要的深度要求会更高。
这些情况,我们会在未来的原创案例讨论中,逐步涉及。
Tracy:绿色不是成本!
6703 阅读靠供应链暴赚、大建冷链物流,年营收77亿的奶茶品牌冲刺IPO
3219 阅读跃点物流科技获350万美元A+轮融资
2890 阅读顺丰、鲜生活、京东物流、万纬物流、普冷、菜鸟…谁家冷链能在2025实现新突破?
1906 阅读京东物流发布全球织网计划2.0路线图:全面构建海外仓配“2-3日达”时效圈
1581 阅读物流新央企成立!中国数联物流信息有限公司
1181 阅读中力股份上交所主板上市,电动叉车市场迎新机遇
1139 阅读顺丰、圆通、韵达、申通发布最新业绩
1020 阅读顺丰实现全货机国内航班首次可持续航空燃料商业飞行
954 阅读科技助力轮胎制造业转型,菜鸟与华勤集团通力轮胎自动化仓储升级项目正式启动
990 阅读