光伏投资成本分析
服务详细...跟链主企业一样，供应商的供应链也需要预测来驱动。供应商执行是否到位，很大程度上取决于需求预测的及时性和准确度。
预测从哪里来？从采购方来。但有些采购担心预测准确度，不愿意给供应商提供需求预测。作为供应商，你的选择有两个：如果你胳膊粗，你就不见兔子不撒鹰——没有订单，我就不建产能不备库存；如果你胳膊细，那就只好自己承担预测的风险，自己猜个预测。
不见兔子不撒鹰，自然是害了需求方：需求落地时，供应商已经来不及响应了。供应商自己做预测呢，因为比采购方更加远离需求，预测准确度只能更低，不管是短缺还是过剩，不管影响到的是客户还是供应商，从供应链的角度来看都不是好事。
要知道，在供应链上，谁处于最合适的位置做某件事，谁就应该去做，否则注定是次优化的解决方案。这是个基本准则。显然，采购方离需求更近，处于更合适的位置做预测。
在管理良好的公司，企业一般有滚动预测，定期发送给供应商，比如13周预测准确度较高，指导未来三个月的交货；14到26周的预测准确度较低，指导供应商做中长期产能规划。在管理粗放的企业，企业的需求预测能力薄弱，给自己的生产都没有预测，供应商就更不用提了。计划先天不足，就只能靠执行来弥补，表现在生产线上加班加点，忙的时候忙死，闲的时候闲死；采购采取多点寻源，一个料号由多个供应商做，以防万一供应商A供不上货，供应商B来备份。这样做的结果是生产效率低，运营成本高；采购额分散，规模效益丧失。
进一步讲，对于定制化程度高的产品，或者采购方需求很大、占供应商的产能比例较高时，没有一个供应商会有那么多的富裕产能，来“准备”万一自己的竞争对手没法供货，好把它们的生意抢过来——因为产能利用率低，那样的供应商早就破产了。所以，在供应商的产能准备上，我们必须正视预测，督促、帮助供应商及早准备。
在给供应商分享需求预测时，还有个问题是采购要不要调整预测，比如加码或者打折。
调整预测的最正当理由呢，就是预测不准确。不过想想看，作为采购，你更加远离需求源，何德何能比计划、销售预测地更准？采购调整预测，更多的是基于对供应商的不信任，比如担心产能不足，那好，就拔高预测。这结果就是需求信号重重放大，导致“牛鞭效应”；供应链的各个环节多重博弈，给供应链导入太多的不确定性，最后都形成库存。
打个比方。比如需求预测是100个/周，采购担心供应商产能不足，就加码20%，调整为120，供应商会不会知道？当然会，因为实践是检验真理的唯一标准：供应商按照120来准备，发现订单只有100个，你不用是个MBA也知道发生了什么。那以后供应商怎么办？打折。采购会不会知道？当然会：我订了100个，你只能供应80个，这不明摆着打八折了嘛。作为反制措施，采购就加更多的码，供应商就打更多的折，相互博弈，导入很多不确定性。对于不确定性，供应链的自然应对就是加库存、加产能，两者都是成本。
采购与供应商这么博弈，计划与采购、销售与计划、客户与销售也是这么博弈，你会发现，供应链上有四重博弈。博弈的结果呢，就是四个需求预测，而正确的需求预测只有一个，那就注定至少3个预测都是错的。错误的结果呢，就是库存过剩或者短缺。更糟糕的是，这种博弈导致需求变化沿着供应链层层放大，形成“牛鞭效应”。要知道，“牛鞭效应”是供应链的大敌，导致短缺与过剩轮番出现，无论是产能还是库存，最后都是成本。人类一思考，上帝就发笑。职能与职能、公司与公司之间互相博弈，导致的多重预测显然属于此列。
讲到这里，或许有人会说，我明白，采购调整预测是件很糟糕的事。但是，预测虚高，供应商已经吃过N次亏了，前年的呆滞库存还没处理掉呢，不调整行吗？是啊，你知道按照计划的指令，往前走会掉到坑里去，而且已经掉下去N次了，那你当然要调整。做为采购，你怎么调整呢？把需求历史调出来，根据过往的需求来打个折。得，这不就是计划应该做的数据分析吗？
这里的根源呢，是在很多企业，销售“提需求”；计划职能薄弱，简单汇总起来就给采购和供应链，只起个传声筒的作用。看得出，这需求预测不是“从（计划的）数据出发，由（销售的）判断结束”，而是销售“由判断开始，由判断结束”，习惯性地虚高。因为缺了“从数据开始”，采购调整预测，其实是在弥补计划的不作为。这也再次印证了，一个职能不做它的核心任务，就只能由它的内部客户或内部供应商来做了。
那怎么办？你不能简单地说，采购不得调整预测，如果需求预测的质量不能提高的话。要知道，不改变能力，就没法改变行为。这里的能力呢，就是计划对接销售和运营，做出一个“准确度最高的错误的预测”的能力。这就回到前面的需求预测流程，也是企业销售与运营计划（S&OP）的关键构成。
这儿又有人会说，我们是严格遵循“从数据开始，由判断结束”，相信得到了“准确度最高的错误的预测”。但这预测一到采购的手上，作为人之常情，采购总想增加点价值，捣鼓捣鼓后发送给供应商。这里的解决方案有二。从组织角度，要重申采购哪些可以做，哪些不可以做；从系统角度，就是增强信息系统的能力，比如通过电子商务，把预测自动、直接发送给供应商，甚至下级供应商。
供应商把预测给它的下级供应商时，也可能有同样的信息扭曲问题。作为解决方案，有个全球制造商就把电子商务平台开放给下级供应商，下级供应商在网上输入自己的料号，就能得到最终客户给一级供应商的预测。该公司是大型设备制造商，行业周期性异常明显，确保公司、供应商、供应商的供应商采用同样的预测，需求飙升时大家一起准备产能，需求下跌时大家一起控制库存，是供应链协同的关键。
这些措施都是增加信息的透明度。毕竟，“牛鞭效应”的根本原因是信息不对称：销售知道的计划不知道，计划知道的采购不知道，采购知道的供应商不知道。电子商务这样的信息系统呢，就是把各职能、供应商、供应商的供应商都纳入同一系统，信息对称了，预测失真就小，库存就少。这就是北美过去二三十年来常说的“拿信息换库存”。
看到这里，你就知道，在那些习惯性地采取一品多点的企业，为什么会屡屡抓瞎了。这些企业为了导入更“充分”的竞争，就把同一个料号分给多个供应商做。为了吊起供应商的“胃口”，各自的份额都经常变动。你知道，这种情况下，供应商的需求预测就很难做，导致诸多产能、库存问题。这还没完。有的企业把这种做法延伸到二级供应商，导致问题更加复杂，需求更加难以预测。
比如有个互联网+企业，新近进入电子硬件行业，为了“增加”对供应商的控制，就在一级、二级供应商上都推行一品多点。结果呢，新产品导入时预测本身就很难做，现在又分割给多个一级、二级供应商，组合太多，管理难度大增。打个比方。这产品的预测是100，由两个制造商来制造（一级供应商），其中的关键零部件又有两个供应商（二级供应商）。每个一级供应商的份额可能是0%到100%，每个二级供应商也是这样。二对二就是四种组合的情况下，不确定性很大，二级供应商的业务量不但取决于采购方，而且也受一级供应商的影响，预测的变数太大，产能就很难规划，也很难承诺最好的价格。这给采购方的新产品导入带来很大挑战，也给他们的成本控制带来很大麻烦，因为产品成本大部分来自下级关键零部件供应商。
