谈起销售预测，大多数企业都很头疼。准交率低和库存水位高都大概率被归咎到销售预测做得不准。今天我们就以销售预测为例，建立一个合适的流程，让这个流程为未来的数智化打好基础，从而让销售预测这项工作的上限更高。

提起流程，想必大家都想到流程图/泳道图，还有的朋友会想到RACI责任矩阵。流程图可以画得五花八门，但是要画一个“最优”的流程图，甚至要方便自我迭代的流程图，就需要回答好以下几个问题了：

1. 为什么要做销售预测？（确定最终目标）

2. 不做销售预测，可以吗？（确定流程范围）

3. 怎样衡量销售预测做得好不好？（量化直接目标）

4. 少了什么动作，销售预测的质量会变差？（流程必要步骤）

5. 哪个动作必须在哪些动作完成之后才进行的？（必要步骤的依赖关系）

6. 要做好这些动作，需要具有什么能力的人才，什么数据，怎样的系统？每一步谁要做好什么？（流程步骤要素）

7. 怎么衡量这些动作做得好不好？（量化子过程目标）

8. 出了问题，怎么进一步完善流程？（流程迭代机制）

1. 为什么要做销售预测？

销售预测指的是去估计未来一段时间的产品销量，目的是指导备货，让备的货不太少，能准时满足需求从而赚到该赚到的钱，也让备的货不太多，不积压库存，产生过多的资金积压成本和库存管理成本。当然不是说预测多少就备多少货，但是预测会成为基准。所以做销售预测的目的是指导备货，当然也有跟备货相关的一系列行为，例如准备产能，生产物料，资金等。

那销售预测要预测多长时间的需求量呢？要看备货备到哪里。假设我们是做出海的，如果我们没有任何仓库，生产出来货物直接送到客户手上，那预测时长就要从采购原材料算起一直到把货送到客户手上；如果我们把货备到海外的仓库，客户一下单就从海外仓库发货，那么预测时长就要从采购原材料算起一直到把货从到海外仓。这个海外仓就是我们以前讲过的推拉结合点。预测时长就是从采购原材料算起一直到备货到这个推拉结合点的时间。

从备货的角度来看预测太久远是没必要的。除非有时为了做战略规划，要建新产线新厂房新仓库，因为建这些东西需要更长时间，才要低频率去做更久远的预测。否则，后果就是员工被迫花更多时间在没必要的预测上，且还要被考核，浪费了资源。

2. 不做销售预测，可以吗？

有时候可以啊，甚至就不应该做，只要能实现指导备货的效果就可以了。

一种情况是压根不需要预测来指导备货。当客户的要货周期大于我们提供货物的周期，那我们基本上就等着客户下单再生产和运输就好。

另一种情况是，需要用预测来指导备货的效果还不如不用预测来指导备货。例如对于一些长尾产品，需求波动太大到没有任何规律，要么客人下单再去备料生产，要么就放着一定数量在那里，被买掉多少才去补回多少。

所以，什么时候才要做销售预测呢？当客户要货周期小于我们从无到有提供货物的周期，且需求波动至少稍微有点规律的时候。

什么叫稍微有点规律呢？就是从历史数据里看不出任何相关性，需求既没有趋势，也没有周期性，也跟别的因素没有相关性。这里通过数字化的方式用统计学方法可以检测出来，判断是不是纯粹的随机波动。是的话，我们交给销售预测的下一个步骤——制定安全库存来处理。

3. 怎样衡量销售预测做得好不好？

自然是要看预测值和实际值的比较。偏差大就是不好，完全没偏差就是最好。

对于单个 sku 的销售预测准确率，一般会用这个公式表示：

销售预测准确率=max（0，1-|预测值-实际值|/分母）

这个公式保证了准确率是在 0 到 1 之间的。越接近 1 表示预测值越接近实际值，代表预测得越好，越接近 0 越不好。

这里要考量的点是分母该用预测值还是实际值？

大部分企业都是用实际值作为分母，也有用预测值的，还有用两者的较大值的。

事实上，当我们设计这个公式的时候，就应该知道，分母就是基准，预测准确率算出比 1 小多少，就是偏离了分母这个基准多少。

把实际值当做基准，意味着说，最终我们希望预测值尽量靠近实际值，这里强调的是我们要多在预测上面下功夫，而我们的动作对实际值相对而言是无能为力的，难以控制的。这一般适用于偏贸易型的企业，纯卖，虽然能通过促销等方式调整实际值，但往往要是以降低毛利率作为代价，老板不喜欢。

反过来，如果把预测值当做基准，意味着说，我们希望实际值尽量靠近预测值。这一般适用于制造型企业，有自己的厂房产线设备和工人，生产计划是不希望被改变的，一旦改变成本更高，宁愿通过销售的手段去改变实际值。

你所在的企业是属于哪一种？

那么问题来了，你知道为什么还有一种企业，既不是实际值也不是用预测值当分母，而是用两者的较大值呢？

刚刚介绍的是对于单个 sku 的销售预测准确率的定义，那么如果要把多个 sku 的结果汇总起来，该用怎样的权重做加权平均呢？

是用同样的权重，还是用实际销售数量，还是用销售成本（实际销售数量乘以单位成本）？

这时候就要回到销售预测的目的了。销售预测是为了备货，关系到及时交付率（短缺了要么罚钱要么少赚钱）和库存成本，所以最后还是回到钱，所以越值钱的东西权重就应该越高，就越希望把预测做准。

所以尽量用销售成本，如果企业里有权限控制不让知道单位成本，或者数字化水平不高不容易取到单位成本，才去用数量做加权。

更好的情况是，如果数字化做得好，方便取到短缺成本和库存成本，那还可以进一步区分正偏差和负偏差，给他们不一样的权重，毕竟预测偏大了对应的是库存成本，预测偏小了对应的是短缺成本，影响程度是不一样的。

一般短缺成本会比库存成本高，举个例子，一个产品成本50块，卖100块，短缺成本就是少赚了50块，但是如果卖不出去多放就算一年，年利率就算按照高利贷20%来算也就是50*20%=10块，两者是5比1的关系。所以如果都是预测不准，更宁愿预测值偏大从而出现短缺的概率要更小。

4. 少了什么动作，销售预测的质量会变差？

从产品生命周期来区分，销售预测能分成新品预测和老品预测，差别在于是否有积累历史数据。

这次我们就只介绍老品预测，如果大家对新品预测有兴趣，我们后面再专门写文章来聊。

要做好老品预测，就要知道老品预测里面包含哪几部分。前面我们有一篇文章说过，

时间序列=趋势+周期性变化+特殊事件+随机波动

趋势和周期性变化可以从历史数据里知道历史规律，并通过销售/营销/品牌团队了解近期是否有改变趋势的动作。

特殊事件可以理解成促销，做国内电商的有618，年货节，双11等，做亚马逊的有秋促，黑五，圣诞节等，还有针对单品或者品类的特别策划的促销。

从以上分析我们可以知道，要做好老品预测，既需要历史数据，包括历史销量，最好也有一些别的相关的数据，例如销售价格，产品信息例如品类、颜色等，广告预算和投放节奏，电商平台信息例如评论数/好评数，星级/评分，竞品数据等。

要有这些数据，也就意味着计划部门需要跟相关部门收集数据，包括

• 找产品部门确认产品roadmap，看产品什么时候更新迭代，以及看看有没有竞对产品的变化；

• 找营销和品牌部门找广告投放计划；

• 找销售了解市场趋势是否有变化，有没有竞对异军突起等。

收集数据就成为了这个流程的第1步。

收集数据之后自然是去制定销售预测。当然，做销售预测的时候也有很多讲究，而不是光做完销售预测就算了。做的时候我们从多个角度检验销售预测的合理性，例如比较这次预测和上次预测的差异（两期波动），如果相差较大，要说得清原因；例如要比较这次预测跟销售目标的差距，如果差距过大也要看是否有合理理由，也要提前跟销售沟通看是否还能做促销或者活动来提高销量等。

销售预测出来后，最终是为了大家达成共识，只有一个需求计划，所以需要开一个会，一起确认好，有问题最好现场调整，把拟定的销售预测变成需求计划，从此以后大家都认这个计划，都按照这个计划行事，事后不扯皮。

达成共识后，这个需求计划就提交出去，给下一环节做补货计划/生产计划/采购计划了。

所以必不可少的步骤总共有4个：

收集数据->制定销售预测->开会形成需求计划->把需求计划交给下游

除此之外，其实还有很重要的第0步。我们放到最后讲。

5. 哪个动作必须在哪些动作完成之后才进行的？

很显然，这四步都只能先做完前一步再做后一步。而在做第一步的时候，因为要找不同部门收集数据，这里头没有明显的依赖关系，不是非得先找完一个部门再找另一个部门，所以可以并行完成。

6. 要做好这些动作，需要具有什么能力的人才，什么数据，怎样的系统？每一步谁要做好什么？

这四步里面最重要的角色是做销售预测的这个人。他/她要跟数据打交道，要跟人打交道，所以需要这两方面能力。

在跟数据打交道的时候，如果这家公司的系统非常完善，数据非常齐全，都已经被格式化且承载于系统里，而且做销售预测都已经有固定的模型且已经承载在系统里，那么这个角色只需要会操作系统和理解概念即可。

如果这家公司还没有系统，一切靠excel或者靠拍脑袋，要想把销售预测做好，那前期这个角色至少要是个计划专家+excel达人，因为大部分时间都会在跟excel打交道。

如果希望效果更好一点，那希望这个角色能懂点编程，使得处理数据的效率比用excel更高。如果还懂数学建模+统计/机器学习算法，那就完美了，但是一分钱一分货，这样的人很贵，但是能一个顶5到10个人，同时也降低了管理和沟通复杂度。迈瑞医疗就专门喜欢请数学博士/统计博士去做计划。

至于跟人打交道，这个角色不能太强势也不能太卑微，以至于让别人不好好提供数据和洞察。最好有双赢思维和个人魅力。

很多公司以为销售预测就该让销售做，销售一般善于跟人打交道，但未必善于跟数据打交道。而且站在销售的角度，业绩更多跟销售额挂钩，总希望货都是足的，而不是明明找到了销售机会却因为缺货而让其白白流失，所以销售预测一般偏大。而且销售更愿意花时间找客户卖更多，而不是花时间把销售预测作准。这就是所谓的屁股决定脑袋。我们看让销售做销售预测的公司，普遍有这个现象。

所以一家公司如果有能力，更适合专门独立出来一个角色专门做销售预测，让销售专心做好销售工作。

那这个角色该放到哪个部门呢？

是放在销售体系还是放在供应链体系，要看成熟程度。放在销售体系里面，离销售近，更容易感知到销售端的情况，对需求的把握更准。

而放在供应链里，则更清楚供应情况，更容易协调供需。

所以当销售预测做得不成熟的时候，我们优先把需求搞准，所以更适合放到销售体系。而当需求计划做得相对成熟，特别是流程、系统和数据都比较成熟，就适合划归到供应链，从而不仅能把需求计划做准，还能及时做好供需调节，做好供应保障。

除了做销售预测的这个主要角色，也需要各部门提供数据和确认销售预测的角色，以及最终拍板的老大。如果系统还没完善的时候，还要计划的老大在开会前也做一次评审，以防计划员的疏忽。

7. 怎么衡量这些动作做得好不好？

如何衡量流程动作，一般分成效率和质量两部分。

首先是效率部分，不管是哪个步骤，企业肯定是希望员工做得越快越好，因为这意味着人力成本，所以如果有系统，是可以去记录整个流程跑完要多少时间，每一步要多少时间，以及开始和结束时间，中间有多少是操作时间，有多少是等待时间。有记录才好知道慢在哪里，优化重点在哪里。

等待时间经常是优化重点，特别是跨部门协作或者跨时区工作。为了减少跨部门协作的等待，常常通过调整组织架构（垂直整合），增加虚线汇报，调整工位位置的方式增加即时反馈。而对于跨时区工作，则尽可能重新分配工作，把在同一个业务流的工作都放到一个地区完成。像中国的很多海归创办的科技公司，就有中美办公室，一个在中国出现的问题需要美国的工程师解决，往往要等上半天才有反映。而一些跨国银行，则因为部门在不同国家而导致等待。

而操作时间，一般通过管理（专业化）、系统（自动化）、数据（数字化）来解决。

对于销售预测，由于都是每月、每两周或者每周做一次，如果要延误会导致下游工作开启不了，所以还要考察是否及时完成。

而对于质量部份，就要去看具体是什么流程。

对于销售预测流程，数据收集要看是否收集齐全，是否有误，至少形式上没有问题，这可以通过数据的算法检验出来。但是如果有人忘记输入一些额外观察到的信息，那是觉察不出来的，只能靠我们一会儿讨论的最后一步去找出来。

制定销售预测质量如何，可以看两期波动，看销售目标偏差等辅助性指标，以及出现异常后是否有批注上原因和证据。

8. 出了问题，怎么进一步完善流程？

不管是什么流程或者什么方法，总是有漏洞和缺点，可以不断完善。对于销售预测，我们必须加上第0步：

复盘->收集数据->制定销售预测->开会形成需求计划->把需求计划交给下游

这也是为什么前面一定要思考各种衡量标准的原因。

每到了新的一个周期，在收集新的数据之前，我们特别要去看上一次哪里做得不好。预测准确率为什么往下走了？是什么没做或者没做到位导致不准的？

是数据没收集全吗？

有人没及时提供？

提供的数据质量有问题？

有些数据没有要求提供，但是提供了能大大提高准确率？

做预测的模型有什么东西没考虑到？

少写了个小数点？

复盘就是要去解决”我本可以“的问题。如果是流程问题，需要去调整流程。

例如一家做户外的出海公司，到了夏天突然起量了，发现通过气温这个辅助变量可以预测得更准，于是下一次收集数据的时候，就把历史气温和气温预测也收集起来，果然准确率高了10个点。

又例如，大家发现开销售预测会，和开S&OP会的人员都差不多，只是S&OP会议聊的是受到供应限制的计划，那就可以把两个会合在一起开。

又例如，大家发现年底一家零售商突然不下单了，复盘发现人家到了年底反正需求旺盛地方有限喜欢卖货值更高的产品，而自己公司的货物都是低单价的，所以导致人家在黑五和圣诞节都不进货了，那以后就知道要让销售去询问客户的策略。

小结

本文通过展示建立销售预测流程的思考过程作为例子介绍如何开展数智化建设中的流程化工作。建立销售预测流程的时候，需要提前思考销售预测的目的、范围、衡量标准和必要步骤，强调了建立一个高效、可迭代的销售预测流程的重要性。