人们经常抱怨没数据，其实一个公司数据再少，也会有发货数据，因为他们要靠这个来向客户收钱。光从这些发货数据 中，我们就可以发现很多有用的信息，帮助我们更好地理解客户期望，判断供应链的绩效，识别能力短板。比如你新到一个企 业，人家给你一个几十兆、几百兆大的Excel文件，是这几年的发货记录，你该怎么分析呢?

　　先看发货数据的时间单元，是按 月还是按周划分，也就是说，每周还是 每月的发货量?在供应链运营上，周是 个比月更理想的时间单元，是企业运 营管理细度的体现。管理能力越强， 管理力度越深，企业的时间单元也越 小，越可能用周而不是月。试想想，如 果拿一个季度的需求历史为基准，预测 未来的需求。 一个季度有3个月，三个 数据点，能做什么样的分析?但如果分 成13周，我们就有13个数据点，数据 样本更大，在数理统计上更有意义。另 外，按月划分， 一个季度只有三个控制 点;按周划分， 一个季度就有13个控 制点，有13次发现问题、改进问题的 机会。

　　讲到这儿，可能有人说，我们按 天划分，数据点不是更多、更好吗?不 过对一般的企业来说，这样做太细分 了，需求的“噪音”会不必要地放大，可能误导你多放安全库存来应对。而且 数据可能更加不符合正态分布， 一个我 们最常用的数理统计模型。相反，按月 划分，则可能掩盖很多本来不应该掩盖 “噪音”，造成错误的决策。举个极端 的例子：每月需求是100个，这100个 集中在某一个星期，与平均分散到四个 星期，对供应链的挑战可大不一样。如 果按月汇总，我们看不出需求的波动; 如果按周分解，需求的波动则清晰地反 映在数据中和统计结果中。

　　再看客户的期望，以及企业的实际 交付能力。你问企业的管理者，客户对 我们的期望是什么?大家往往是大眼瞪 小眼， 一笔糊涂账。那好，发货历史可 以给你相当可靠的判断：客户订单是什 么时候录入的(订单录入日期)，客户 希望什么时候发货(客户需求日期)， 我们是什么时候实际发货的(发货日 期)，这些数据一般的企业都有。需求日期与录入日期之间的差值，这就是客 户的期望;而录入日期与发货日期之间 的差值，这就是企业的实际交付表现。 你马上就看得出两者的差距。

　　有些差距可能不需要关闭，因为有 些客户习惯性地“高要价”——今天下单 明天要货，期待你3天后送来，供他们 7天后用——这点你需要销售、客服的判 断，数据没法100%告诉你。有的差距 你可要关闭，不能因为你一直不及格， 就以为客户可以接受不及格——你可能 因此在损失营收。怎么才能知道?你不 用问销售——发货历史就能告诉你。

　　比如对于客户A，从去年到今年， 平均交货周期在缩短;但你知道，作为 一个公司，你的整体交付能力没改变 ——这从针对所有客户的交付周期上可 以看得出。那一个原因呢，就是对于你 的交付周期长的产品，客户A给你们的 订单更少了：他们根据你们的交货能 力，给你们更多的是你交付周期短的产 品。这在统计学上叫“选择偏差”——你 看到了你看到的，你没看到你没看到 的。打个简单的比方：敌人新近投入了 秘密武器，后方医院接到的伤兵突然 少了。如果你据此认为这秘密武器没什 么，那就打错特错了，因为这武器一击 致命，受伤的就根本回不来了。 一线的 指挥官不会犯这错误，因为他“看到” 了那些没能回来的士兵——清点士兵的 数量就知道了。

　　作为后端的供应链，你不是生活在 前线的炮火中，不大直接接触到客户， 也对销售们的“危言耸听”充满戒心，但你可以分析数据来判断发生了什么。 你可以继续深挖，落实到具体的产品类 别、料号，从需求量的变化来判断客户 的行为变化。没有对比就没有伤害：对 于交货周期短的产品，这个客户的需求 一直在上升;而对于同类但交期长的产 品，这个客户的需求一直在下降，你八 成可以看得出点什么了。

　　从发货数据中，还蕴藏着更多的客 户信息。比如客户的订货习惯：每周还 是每月?是不是接受部分发货?这跟我 们的关系可不小：如果是每月订货，而 且不接受部分发货，那你就得备更多的 库存来应对;否则，你可适当降低你的 安全库存。订货越频繁，需求量就相对 越稳定，计划也就越容易。总体来说， 订货的频次也反映了客户的运营水平： 运营水平越高，订货的频次一般越高， 订货量一般也越平稳，这些更可能是优 质客户的体现。而习惯性地给你一个大 单子，让你分N次送货的客户，就跟那 些习惯于大批量运作的企业一样，往往 在管理上也更粗放。这类企业呢，整体 计划性也往往有待提高。这点你也可从 数据中找出来：看看他们急单的比例就 知道了。

　　从发货历史中，你还可分析客户 的集中度。摘取一段时间的需求历史，比如6个月，按照料号、客户、月份分 解，你就能判断，对于特定的料号，是 否有客户占了相当的比例。这些客户就 是“大石头”，在需求预测和需求管理 时要特别关注，比如积极对接销售，了 解信息系统外的信息;紧盯客户的需求 变化，及时采取补救措施。你不能寄希 望于销售，因为他们知道自己的客户， 并不熟悉别人的客户，没法告诉你他们 的客户是否是“大石头”。

　　当然，你还可以从发货历史中看 需求的变动性。比如基于13个星期的 发货历史，你可以计算每个料号的标准 差，跟13周平均需求值相除，就得到 相对的变动性。你马上看得出，不同料 号的变动性大不一样， 一刀切的管理方 式， 比如都设置x天的用量作为安全库 存，就不合适。你还可以设定一定的规 则，比如过去4周的平均需求与过去8 周的相比，上升或下降超过一定比例， 就需要额外关注等。

　　从发货记录上，我们可探知的还 远不止上面这些。就拿订货频率来说， 当一个产品的订货频率达到一定水平， 比如过去6个月里4个月有订货，我们 就开始定期预测这个产品;否则就只设 安全库存。当然，行业不同，这些数值 不同。不过方法论挺一致：订货频率越高，需求也相对越稳定，需求预测的准确度也越高，库存风险也越低。对于多品种、小批量的企业来说，订货频率尤其是个有用的决策参数。

　　再看货是从哪里发出去的。比如某个客户默认是由仓库A发货，但货物实际是从仓库B发送的，那往往意味着仓库A的计划薄弱。或许有人会说，为什么不是客户需求问题呢，比如仓库B的客户调货频率高，每次调货少，这样好对付;而仓库A的客户三个月不订货，一订要3个月的量，谁都难对付，所以就不得不向B库借货，由仓库B发出?

　　那好，我们还是看数据。相同的料号，不同的仓库，分析需求的变动性(需求的标准差除以需求的平均值)，计算相关客户的需求变动性，这问题不就有了答案?你也用不着去问两个仓库的客服人员，或者相应的销售人员 ——数据就放在那儿，答案就在数据里，你

先该到数据里看看。

　　要知道， 上帝只给你一张嘴，但却给你两只手，就是希望你多动手。没有人比数据知道得更多。我们要做的就是在动嘴之前， 一定先动手分析数据。如果你从数据中看不出什么，很简单，你的分析还没到位，最直接的表现呢，就是你还没有花足够多的时间来分析。

声明：本文为转载类文章，如涉及版权问题，请及时联系我们删除（QQ: 2737591964），不便之处，敬请谅解！