预测就如赌博，赌对说明了什么?说 明了你幸运。我们其实是很难分析赌对的 原因，除了基本的“从数据出发，由判断 结束”的需求预测流程，以及选择更合适 的数理统计模型。即使这两者都做对了， 你还是可能预测失败。所以，从赌对中， 我们很难学到太多的东西。这就如你问那 位九十多岁的老寿星长寿的秘诀，他说他 吃饭，他运动，他睡觉——他其实也不知 道为什么长寿，否则的话，为什么不教给 他的老伴儿，这样，老伴儿就不会在三十 年前去世了。

　　成功并不能让我们更聪明多少，也很 难复制。否则的话，马云会把他的那些成 功法则一遍又一遍地复制，把地球上的钱 都赚光了; 苹果也是，把iPhone的成功复 制到i汽车、i电视、i电冰箱，凡是你能想 到的，前面都加个i。人之所以变聪明，是 因为我们从失败中学习。具体地说，就是 坚守基本原则的情况下，尽量避免那些失 败，这样就增加成功的概率。

　　就拿长寿来说，基本原则就是吃好、 运动好、休息好。要避免的失败呢，就是 不吸毒， 少喝酒，不在XYZ公司上班——

　　加班太多，过劳死;压力太大，容易跳 楼。对于需求预测来说，坚持基本原则就 是选择最合适的统计模型，走“从数据出 发，由判断结束”的基本流程。而要避免 的失败呢，则得从预测的偏差率中去发现 ——所有的预测都是错的，识别偏差，纠 正差别就是调整预测的过程。

　　需求预测就如发射导弹， 一路飞去， 一路纠偏，命准目标的过程其实就是纠正 偏差的过程。

　　让我们先来看偏差怎么计算。概念上 很简单：实际值与预测值的差就是偏差。

导弹击中目标的过程，就是发现偏差，纠正偏差的过程

　　但预测是个循环更新的过程，如果每月滚 动的话，每一个月就有个预测。那究竟该 用哪个月的预测来计算偏差?这取决于供 应链的响应周期：在一般的行业，生产周 期加上长周期物料的采购前置期，大概在 3个月左右。因此，理论上讲，用三个月 前的预测(M-3)最合理：1月份，你告 诉我4月份的预测是100个，我就按照这 个来采购、生产。结果4月份的实际需求 是80个，那么偏差就是20个，偏差率是 25%。

　　M-3的偏差率一般会非常高，会揭 示太多的“问题”。而最大的问题呢，就 是预测做得太早而不准，解决方案就是缩 短供应链的响应周期，这样我们就不需要 那么早地做预测了。所以时间是最大的因 素，对于需求预测来说又不可控，反倒把 很多别的可控因素给掩盖了。

　　打个不一定很恰当的比方。乔丹的 投篮命准率是49.7%，这是他在三分线内 外的命准率。假定乔丹一过中场就投篮， 估计命准率只有5%。分析为什么95%的 球都投丢了，结论很容易是他离篮板太远 了。其实即使乔丹在篮下，跟篮板的距离是0，也不是百分之百地命准。这意味着 在距离因素以外，还有别的因素在影响他 的投篮命准率，比如投篮的姿势，手腕的 发力等。这些其实是可以控制的，但因为 被距离因素掩盖掉了，反倒没有被发现， 采取合适的纠偏措施。

　　有些企业用M-1来统计偏差，用1个 月前的预测作为基准。这有一定的合理 性，因为一般的行业，需求预测的冻结期 大概是1个月以内(意味着数量、配置和 日期都不能改变)，如果进入冻结期还改 变预测，那对生产和供应链的代价很高， 所以必须严加控制。半冻结期大概在1到 2个月，这段时间内的需求变化呢，对不 起，供应链你就想法消化吧。就这样，冻 结期内的问题由销售买单;半冻结区内的 变动由供应链买单，两头一凑，算是个折 中方案吧。

　　但是，对于芯片等采购提前期很长 (动辄就13个星期或更长)，供应灵活性 很差的情况(比如芯片生产流程很长很复 杂，人工干预挺困难)，M-1对供应链来 说就有点太不公平——M-1的预测准确度 挺高，但太迟了，因为供应链的决策早都做了。这就是为什么有些企业用M-2来统计预测的准确度，分析其偏差度。当然，还有些企业采取更折中的方式，用M-1、M-2、M-3的平均值来统计需求预测的差异，这在操作上有点太复杂，也掩盖了不少有用的信息，指导意义有多大，还有待商榷。

　　其实，采用多久前的预测做基准，其实是销售与供应链力量博弈的结果：销售的力量越强，就选择近期的预测做基准;供应链的胳膊越粗，就越可能用更久前的预测做基准。想必我们现在也清楚了，如果两家公司都说他们的预测偏差是30%时，如果一个用的是M-1，另一个是M-3，那他们的差距可不是一点点喔。定义好了偏差怎么计算，让我们进一步探讨差异是怎么分析的。总的来说，我们感兴趣有几个方面：绝对偏差(绝对值)，相对偏差(百分比)，偏差的方向(偏见)。

　　先说绝对偏差。假定需求预测是100，实际需求是80，那么绝对偏差就是20。除以实际需求80，就得到绝对百分比偏差25%。绝对百分比让不同的产品有了可比性，所以是差异分析中较常用的一种。不过你看得出，绝对百分比掩盖了偏差方向，没法判断预测是虚高还是虚低。比如需求预测是60，实际需求是80，其百分比差异也是25%。但你知道，这是预测虚低，会造成短缺，跟预测100、实际80造成的过剩不一样，对供应链的影响也不同。

　　这就是为什么有些公司拿掉绝对值，直接计算预测和实际的偏差百分比。这种偏差可以清楚地判断预测与实际的偏差方向，以揭示需求预测中的系统性偏见。比如“由判断结束”中，有几个销售人员习惯性地高估需求，而别的销售人员时高时低，更加符合统计学规律。根据这样的分析，就可有针对性地采 取组织措施，纠正这几个销售人员的行为。

　　有的公司把预测和实际的偏差值累计起来，就得到累计偏 差，以判断预测的累计影响。比如而1月、2月、3月的预测偏高， 4月、5月、6月的偏低，半年加起来可能抵消，从而没有造成呆滞 库存。不过这并不意味着完美无缺。比如基于前三个月的过高预 测，供应链可能不得不赶工加急，造成额外的运营成本;由于后 三个月的预测偏低，工厂可能遣散一部分员工，产生遣散费用。 可以说， 一旦汇总，我们可能冒丧失某些信息、掩盖某些问题的 风险。所以，预测的累计偏差一般不独立使用，而是和别的偏差指标一起用。

　　此外，还有很多偏差的统计方法，比如统计预测值与实际 值之间的方差、均方差，来衡量偏差的幅度和离散度。但不管用 什么样的统计方法，超过一定限度的会成为异常值，需要根源分 析，采取纠偏措施。需求预测虽说是“预测”，其实大部分时间 都在纠偏：发现差异，分析差异，理解差异，采取纠偏措施，比 如更换统计模型，与销售、市场、产品管理会面讨论，和关联职 能协商等。正是通过处理一个个的“例外”，我们才得以避免失 败，从而能够成功。这就如要长寿很简单，只要解决那些可能让 你死去的“例外”，活着就是长寿。