光伏投资成本分析
服务详细...我做了好几年的计划经理，最多的时候在全球有二十几位计划员，分布在北美、欧洲、亚洲等多个地区。那么大的团队，有人晋升了，有人离职了，有人做全职妈妈了，就注定一直在招新人。每次有新人，培训就是个大问题：采购员的话你可以给他本《采购手册》什么的读，而给计划员的书呢，不管是英文，还是中文，翻破地皮，就是找不到一本合适的，说你读了这本书，就算计划入门了。
美国运营管理协会APICS有成套的认证（CPIM），但光从要考5门课就能看出（这是2003年我考的时候），那要读多少本书！即便是过了认证，你还是不会做计划。比如给你一堆数字，你还是不知道从哪里着手，一步一步地预测需求、计算库存水位，虽然道理你都懂，基本的模型和公式你都见过。这就如你能把一本《新华字典》倒背如流，但还是不会写文章一样。
那怎么办？我就只能土办法来：先把新计划员从分公司叫到硅谷的总部，集中培训一周时间，手把手地教；然后让她回到自己的分公司，开始实践，但每个计划决策都得我先看过。大概三个月以后，看她会做基本的计划了，就宣布“出师”，让她自己做计划，但我还是在背后紧盯着——不光是紧紧地，而且是紧张地盯着，因为计划是供应链的引擎，一旦有失误，影响就很大。这就如你学车初上路，最紧张的不是你，而是坐在旁边的教练一样。
那些年一直想，如果有一本计划手册该多好。采购就有采购手册，中文英文的都有，告诉你订单怎么做，价格怎么询，合同用什么文本，各种表格、流程图都相当齐全。那在计划领域，为什么就没见过这样的手册呢，中文英文的都没有？
我想根本原因是采购是执行，结构化的事务为主，相对直观、简单；计划是决策，更多是非结构化的事，相对更困难。这就如你可以有个手册，教士兵一招一式学习打枪；但很难有个手册，教他一步一步学做统帅。那统帅是怎么培养出来的？学习了基本功以后，比如军校毕业，就跟着另一个统帅，从一件一件的事情上学的。而这一件件的事，在我们商业管理上有个专业名词，就叫“案例”。
MBA和法学博士当属美国最成功的职业教育之列，就是靠大量的案例培养出来的：他们要么面临复杂的商业环境，要么面临复杂的法律事务，没法按照一个操作说明，或者法典做，就能解决好这些复杂的问题。计划面临的环境也很复杂，我们为什么不能用同样的方法来培养计划人员呢？
自从我的绿皮书《供应链的三道防线：需求预测、库存计划、供应链执行》出版以来（与赵玲合著），我收到很多读者的来信或留言，发现他们把大概念掌握了，但很多具体的问题还是没有解决，还是不会做计划。比如有些人缺乏基本的数据处理能力，一年的数据被拆分成50周（一年是52周，有时候剩余几天形成第53周）；有些人没有基本的计划功底，连数据后面明显的季节性也不知道分析；还有些人的分析能力非常强，能够熟练应用统计软件SPSS，从中找到拟合度非常高的数据模型，但过度拟合——只要变量的次数足够高，你总可以找到拟合度高的模型，但这样的模型对未来的预测却往往很不理想。
不过你不能怪这些计划人员：他们有的以前是客服，有的以前在仓库里干，有的虽然做了多年计划，但一直是自我摸索，在怎么做计划上一直没有实质性的突破。这让我进一步意识到，从字典到文章还有很长的一段路，而这段路是没法用另一本字典来铺就——解决方案就是一篇篇的范文，放在计划上，这范文就是案例。
这就是我一年多来的主要任务：写一系列计划方面的案例，每个案例解决一个具体的问题，比如需求预测，比如库存计划，比如基本的数据分析。拯救世界得从拯救一个个具体的人开始，提高计划能力也得从解决一个个具体的问题开始。我力求这些案例都来自真实的数据——我的读者、学员提供了足够多的数据，解决他们的真实问题。如果你有问题，有数据，也可以发给我，我们一起看看，把解决一个真实问题的过程写下来，让更多的人来借鉴，不光借鉴做对的地方，而且是避免那些陷阱和错误——只要你不犯错，或者犯错最少，自然就做对了；这就如你把所有的坑都填了，这路自然就平了一样。
当然，写案例有一系列的风险，让我在这里一并说明。
第一，案例天然是特例居多，普适性不足。这就如狗整天在咬人，不是新闻；人咬狗是，因为人只是偶然咬狗。所以，你不能拿案例当理论，放之四海皆准。比如我写了个小案例，谈的是数据清洗，即处理那些异常的、非重复性的需求数据，比如促销（“削峰填谷”）。有人就说，这太偏了，大家如果跟着做的话，可就误导了。是的，那是用一个代理商的数据，外加贸易、电商行业等的一些经验，我本来就没想着写成一篇“如何做数据清洗”的说明文，你自然也就不能照搬，成为你“清洗数据”的操作说明。而且，案例就如文学创作，源于生活但高于生活，也有创造的成分，比如把多种情况合并到一起，这更加增加了其独特性，在借鉴的时候要注意甄别。
第二，案例就是案例，不能等同于最佳实践。我会围绕真实的问题、真实的数据做分析，做判断，并把整个过程写下来。这只是记录我是怎么思考、解决一个个具体的问题，并不是说这就是解决这类问题的最佳实践，或者说这类问题就应该这么解决。计划是做决策，复杂度很高，解决方法也很多，你或许永远也找不到最好的。所以，这些案例的目的不是找“最好的”，而是希望给大家一个“更好”的解决方案。举个简单的例子。有人在把需求历史按周汇总的时候，是从某天开始，数上7天就算1周，这相当费事，但你知道没有，Excel中有个函数叫weeknum( )，可以把日期自动转换成周数？我不认为这个函数是最佳实践，但它的确是个更好的实践。
第三，案例如药方，离不开具体的适用环境。限于篇幅，或者作者的个人倾向，案例不会面面俱到，甚至会有意无意缺失一些重要的背景信息。这就如名医的验方，写出来就那么几行字，但你知道每个验方都有具体的应用环境，否则的话，这些验方就不再灵验，甚至成为毒药。这也是为什么有些名医非常忌讳留验方——他们担心后来者不加辨别地使用。这些名医留下来的是药典，介绍各种药的药性，而把配药的任务留给具体的医生。
这些年来，我写的大多东西都更接近“药典”而不是“药方”，如果非要这么区分的话。但是，我越来越意识到光靠“药典”是不能解决问题的——我们没法回避“药方”层面的问题。开药方，其难度和挑战不低于写药典。放在计划领域，这是在解决“三分技术”的问题——计划是“七分管理，三分技术”，管理的问题相对直观，共性较多；而技术的问题则不是，有很多特殊性。
比如同样是简单指数平滑法，同样的一个产品，不同时段的平滑系数都可能不同，遑论不同的产品、不同的公司了。我在花大量的精力，围绕具体的数据，做各种各样的分析，试图得出一定的结论，但这样的结论注定是有局限性的，甚至说很大的局限性。每次都是诚惶诚恐，怕分析错，怕误导。不过最终还是决定写下来，分享出去，相信即便错了，也是排除一种错误的做法，让读者离正确的做法更近一步。
写这些案例的时候，一直是如履薄冰，战战兢兢，特别是涉及到数理统计的地方。数理统计的公式一般会要求相当大的样本数量，以及一系列的假设。而在计划中，样本数量往往不够，假设往往不成立，这样得出的结论在数理统计上往往不够“强壮”；但世界是不完美的，也就将就了（不过想过来，如果不用这些数理统计的东西，还不是由某个人拍脑袋？数理统计其实是把拍脑袋以科学的方式抽象出来，更系统、科学地找出纷繁复杂后面的规律来）。
不过，担心归担心，我还是决定尝试，写这么一本书，充满了不完美，希望先写出来，然后基于读者反馈，一版一版地迭代完善，希望最终有一本这样的书，你有了新员工，可以给他们看，说这就是些基础的计划知识——本书的这一版还达不到这点，但希望是个好的开端。也欢迎读者把你们的案例分享出来，验证、完善书中的方法论，为下一版做好准备。
