光伏投资成本分析
服务详细...所有的预测都是错的，但错多错少不一样。在提高需求预测的准确度上，我们有很多可为的，比如“从数据开始，由判断结束”的方法论；比如缩短供应链的响应周期，从而我们就不用那么早地做预测；再比如选择更合适的预测模型等。
这里我们想重点介绍的是预测的颗粒度：颗粒度越大，预测的准确度越高，反之亦然。作为管理者，我们的任务是找到合适的颗粒度，也就是说，让在合适的层面做预测。这不是个技术问题——在颗粒度大的地方做预测，技术上的优势是显而易见的；这主要是个管理决策——因为种种管理问题，企业经常在不合适的颗粒度做预测，导致预测准确度太低。
预测的颗粒度是个三维概念：组织、产品和时间，每个维度都有多个层次。就组织维度来说，我们有全国、大区、分公司等；产品维度有大类、小类、SKU（存货单元）等；时间维度有季度、月度和星期等。三大维度在不同层次形成多种组合，比如按照产品大类和大区层次预测，跟按照SKU和分公司层面预测，操作难度大不相同，预测的准确度也是。预测的偏差分析是基于哪个层次组合计算的，其意义也是完全不同的。
先说组织颗粒度。预测的组织范围越大，预测的准确度越高。比如预测全国的需求，要比预测上海市杨浦区的准确度自然要高；预测全公司的需求，要比预测分公司的准确度要高；预测总库的需求，要比预测各地区库的准确度要高。这看上去是常识，很多企业却选择了不合适的组织颗粒度，导致需求预测的准确度太低。
比如有个公司有40个销售，对应几百个客户的一万多个料号，每个销售负责预测自己客户的需求。一方面，预测颗粒度小，单个销售的预测准确度很低，汇总起来就更低；另一方面，在从众心理下，大家都希望其余的39个销售会预测好，自己不做预测也没关系，就经常有销售不做预测，老总屡屡强调，甚至采取惩罚措施，还是没法根治。
从绩效考核的角度看，组织的颗粒度越小，绩效考核越具体，责任越容易落实。可以说，绩效考核的天然倾向是分散，比如指标的层层分解。但是，计划天生就是个集中的概念，组织层面越集中，组织的颗粒度越大，预测的准确度越高。如何协调两者，是需求计划的一大挑战。而解决方案呢，就是前面说到的“大石头”理论：抓大放小，客户集中度高的“大石头”由判断驱动，要落实到具体的销售；需求相对分散的“小沙子”则由数据驱动，应交给计划整体负责。要知道，各执行层面分析数据，风险是颗粒度小，而且受同样的因素影响，偏差没法互相抵消；集中统一分析，从数理统计的角度看，偏差更可能互相抵消，总体准确度更高。
当分散与集中没法有机协调的时候，老总们就习惯性地采取简单粗暴的管理方式，把需求预测的责任“落实”到“基层”和“一线”，结果是既牺牲了预测的颗粒度，也没法达到考核的目的。不信，谁见过有哪个销售因为预测准确度低而丢了工作？毕竟，从方法论上做不好的事，考核也不解决问题。
对于定制化程度高的工业品来说，自上而下的“自来水模式”就面临挑战。这就是为什么有自下而上的预测汇总。这是因为定制化程度越高，需求知识越在前端的销售、市场、产品管理等职能。比如每台几百万元的大型设备，往往会根据客户需求定制；即使同一客户，不同时期的配置也可能不同。这时候，客户或区域就变成更可靠的预测颗粒度，自下而上地汇总需求就成为选择，一线销售人员对需求预测的介入就更深。
对于很多企业来说，“自来水模式”和自下而上的汇总会并存，我们姑且称之为“混合模式”。比如新产品刚导入时，往往是针对具体的客户、具体的地域，自下而上的汇总模式或许更适合，由产品经理和相应的销售做预测；而进入量产期，客户更加多元化，自上而下的“自来水模式”就可能更合适，主导者则变为计划。在混合模式下，很多企业主要是用其中一种模式，而另一种模式则是作为参考，两种模式的过程独立，相互协同有限。当然，理想状况是两种模式能够完全协同，但这对信息系统和流程的要求相当高，操作难度很高。
值得注意的是，在有些大批量行业，比如智能手机，由于产品的生命周期越来越短，运营商、地区化、销售渠道的差异，混合方式被广泛使用。比如对于运营商的集中采购、不同语言国家的需求，手机厂商更依赖自下而上的方式；而对于电商渠道和公开渠道，则采用“自来水模式”。这些都是在成品层面。对于关键的长周期物料，比如半导体芯片，则是“自来水模式”方式为主，在公司/工厂层面做好需求预测，提前驱动供应链响应。对企业来说，混合模式的存在是个挑战，不过也是业务全球化、复杂化，以及产品生命周期缩短的必然结果。
前面我们讲了预测颗粒度的组织维度。接下来，我们讲时间维度。与组织颗粒度类似，预测的时间颗粒度越大，预测的准确度就越高。预测一年的需求，一般会比预测一个月更准确；预测一个月的需求，一般会比预测一周、一天的需求更准确。
两个因素影响到时间颗粒度的选取：管理能力和职能力量对比。
管理能力越薄弱，时间的颗粒度就越大；时间的颗粒度越大，对供应链的日常运作帮助就越有限。这就如你去日本，列车说几点几分到，就几点几分到；而到一些第三世界国家，错个半小时、半天都挺正常——你的时间颗粒度需要更大才能算“预测准确”。在把销售目标当需求预测的企业，很多都是年度目标一年不变，也是某种意义上的以年度为单位（尽管他们也会分解到季度、月度），而这些企业的运作都以粗放著称。
在职能力量对比上，销售、市场等前端职能的力量越大，需求预测的时间颗粒度往往也越大。在那些企业，“从数据开始，由判断结束”的需求预测流程不完善，常见的是销售提需求。销售把时间颗粒度定得大，这样预测看上去更“准”，其实并没解决多少供应链的问题，是典型的“手术很成功，病人却死了”。
比如有个设备制造商，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，还别说是多品种、小批量的设备行业呢。细问销售，你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！这不，生产线上的人都笑喷了。
很多人的误解是，在做短期计划时，我们更加接近需求，理应做得更准确。其实不是这样。比如预测明天的订单是早晨10点到，还是下午3点到，这比预测6个月的总体产能要困难得多。让你预测3个月后需要多少产线工人，你可以预测地相当准；但要你计划产线上的那5个人明天下午3点具体加工那件产品，你的准确度会很低。
有个公司上了销售与运营计划（S&OP），但日常交付还是挑战重重，计划团队不理解。其实这后面就是这个原因：S&OP解决的是半年、1年、18个月的问题，它对付的是整体资源配置，比如产能、人工、长周期的物料等。至于明天的产线如何安排，后天的送货如何计划，那是日常计划的任务。而日常计划呢，因为时间的颗粒度很小，所以准确度更低。
预测的时间维度小，短期预测难做，那解决方案呢，就是增加执行的灵活性，用执行来弥补计划的先天不足。精益生产，快速换线，交叉培训，都是增加执行灵活度的有益举措。就跟您去吃兰州拉面，多放辣椒、少放香菜、面条特细等配置看上去很多、很复杂，但没关系，大师傅看在眼里，动在手上，照单下料就行了——这说的就是供应链的灵活性，通过提高供应链的柔性来应对，而不是花费巨大资源来提高SKU层面的预测准确度。
