从数据开始：不但要有数据，而且要有分析

从数据开始，并不是只收集数据，更重要的是分析数据，从数据中发现规律，指导后续的工作。这是我从雀巢的一位计划总监的报告中体会到[1]。 

先说数据。雀巢的需求计划把数据分三个层次：事务数据，计划数据，外来数据，如图 1。

事务数据：这是操作层面的数据，比如围绕订单、工单、产品的进出存数据。这是ERP里最原始、最基本的数据，也可以说是我们在信息系统中留下的每一个脚印。比如在SAP中，物料的每一次移动、由谁移动、从哪个库位到哪个库位，都有清晰的记录；客户订单什么时候接到，什么时候发送等，也是典型的事务数据。提供完整的事务数据，是ERP系统的强项。

计划数据：事务数据并不能直接用来做计划，而是需要进一步整理、清洗，比如把需求历史按日、按周或按月汇总，按照产品线、产品、SKU分解，剔除其中的一次性需求等，就成为计划用的数据，供进一步的数据分析。计划数据也包括主数据，比如交期，最小起订量，供应商等。计划数据的信息来源是ERP系统，但往往储存在专门的计划系统里，或者单独的数据库里。

外来数据：来自第三方，比如电商平台，销售终端等。这些外来数据更加真实地反映了需求，价值更高，当然也更难获取。另外，行业性的研究，第三方的数据也算外来数据。比如在导入新产品前，有些企业会参考行业的研究数据，判断潜在市场的大小，以及可能得到的份额，来确定新产品的预测等。

图 1：从数据开始 = 数据 + 分析

来源：How NestléDeployed Predictive Analytics For Better Planning, by Olivier Gléron, BusinessPlanning, Forecasting and S&OP Conference, Europe, 2018. YouTube.com.

企业大了，没人知道真相；真相在数据里。当然，测不准定律下，我们可能永远没法知道真正的“真相”[2]；更多的时候，真相是个相对概念，更重要地说，是多数人认可的真相。没有共同的数据，就没有共同的真相，也就缺乏协作的基础。计划数据就扮演这样的角色。

说是“计划数据”，其实不光是计划职能用的；每个管理者都在做计划，虽然他们的头衔、职能中并不一定有“计划”二字。比如生产要用计划数据，来规划未来的产能；仓储要用计划数据，来规划仓库的容量；物流要用计划数据，来计划物流费用；采购得用计划数据，制定采购计划，跟供应商谈定价格；财务也用计划数据，来模拟现金流；销售当然得用计划数据，来预测营收，及时安排促销、活动等。

对于企业来说，一大挑战是有统一的事务数据，因为那是ERP系统的原始记录；但没有统一的计划数据，每个职能都是各行其是。小企业如此，大企业也不例外。比如有个百亿级的电子产品企业，总部和各战区用不同的数据，销售、产品、计划和供应链也是各自用各自的数据，财务当然有自己的数据。数据来源、格式不同，鸡对鸭讲，很多时间就不得不花在确认数据上，效率低下，难以达成共识[3]。

解决方案其实很简单：构建统一的计划数据，形成各职能的共同语言。谁来主导？计划职能，而且是总部的计划。就如我们在一个电商做的，计划和财务协作（计划最熟悉ERP系统，财务的数据最可靠），基于客户订单层面的数据，建立共同的计划数据库，放到统一的服务器或者云端，让各个职能都来用。

这里的基本假定是，客户订单的数据是真实的，比如订单是什么时候接到的，要什么产品，要多少，什么时候要，价格是多少，什么时候发送的，因为这是跟客户收账的依据，是销售、客服、物流和财务部门都依赖的。在这样的原始数据基础上，按照不同的时间、产品、地域、客户维度等切分（就如Excel中的透视表），就成为不同职能共用的数据。

在这个电商，计划安排专门的人，每周定期把上一周的数据添加到数据库里，不同职能、总部和门店，都用这些同样的数据。从管理的角度看，每周更新，能够满足大多数职能的时效要求。当然，对于日常补货这样的活动，更新周期可能要更短，比如每天。

共同的计划数据，不但降低了职能与职能、总部与分部的沟通成本，也减少了原始数据出错的概率，提高了决策质量。在这样的数据基础上，计划人员就跟医生看病一样，先分析已经发生什么（现状），再分析可能发生的情况（预测），最后提出指导性的建议（行动方案）。这分别叫做描述性分析、预测性分析和建议性分析，构成“从数据开始”中的三大分析。

描述性分析：是什么，或者说已经发生了什么。比如通过折线图，来判断需求历史有没有趋势、季节性、周期性等；借助标准差、离散度、极大极小值等，判断需求历史的变动性。至于说平均值、中位值、众数等，也都是常见的指标，帮助我们理解需求的大小。

预测性分析：可能发生什么。在描述性分析的基础上，借助数理统计模型来预测可能发生的。这是数据分析的核心，是对未来的预判。其后的逻辑是需求的延续性、相关性等。比如需求呈现季节性，那就可可根据过往数据，预测未来数个季度的需求。值得注意的是，预测性分析是基于数理统计的，比如需求在多大概率下，会落在某个区间里。

建议性分析：这是在前两者的基础上，建议的改进方案。打个医生的比方：描述性分析就如“望闻问切”，预测性分析是预判病情的走向，而建议性分析则是开药方。描述性分析着眼“已经发生的”，预测性分析着眼“可能发生的”，建议性分析则是回答“怎么办”的问题，为不确定的未来指出一定确定性的行动方案。

作为计划人员，不管是哪一种数据分析，我们都应该是假设驱动，在业务指导下，为解决业务问题而分析，而不是为分析而分析。这也是计划员与分析员的一大区别：计划员有业务背景，从业务角度往往已有假设，数据分析更加有针对性；而很多分析人员的IT背景很强，但没有需求预测、库存计划的实际经历，结果是分析虽然做了很多，报表一大堆，但不解决任何问题。

此外，我还想强调的是，数据知道它知道的（已经发生过的），不知道它不知道的（尚未发生的）；对于已经发生的，如果重复性高的话，数据分析能做到精益求精；但对没有发生过的，却难以避免大错特错。人正好相反，很难在重复性的事情上做到精益求精，却能在不重复的事情上避免大错特错。

这就是为什么要“由判断结束”，把数据的智慧和人的判断结合起来。