预测案例2 完结篇：成长期业务的“预测监督模型”

之前，我们从两个方面讨论了预测案例2：

    首先，对于成熟度较低的业务，我们应用“聚类分析”方法，从“产品需求结构”和“需求趋势”两个维度，完成了对客户群的分组；(原文链接："预测案例2：有限客户/行业")

    然后，我们讨论了产品需求结构相对稳定性的原因，如何考察这种稳定性，并以此作为客户群分组合并的依据；(原文链接："预测案例2 续：成长期业务特征")

本篇，将讨论搭建最终的实用定量预测模型。

这次的模型，需要更多的与业务团队的互动，但是，也会针对业务工作的特点，尽可能简化对业务信息输入的要求。

实用模型搭建：

第一步，确定最终客户分组

首先回忆一下上一篇合并分组的检验结果：

两个可能的合并分组：

    （1）Group_2+3，结构稳定性并不好。可以看到，其原因在于Y2需求增速的巨大差异；

    （2）Group_4+5，结构稳定性很好。判定其为相对成熟客户群体。

以上判定，需要与业务团队讨论确认。从业务团队得到的反馈信息如下：

基于上述信息，可以做出决定如下：

    （1）Group_2, Group_3，Y3的增速同步，但是由于之前增速的巨大差异导致的产品结构特征尚未进入稳定期，因此，Y3暂时不予合并；

    （2）Group_4, Group_5，均为成熟客户，业务增速接近，因此，可以合并为Group_4+5。

第二步，产品需求结构的计算方式

在搭建预测模型之前，我们还需要考虑：需要利用的是“产品需求结构的相对稳定性”，但既然是“相对”就意味着它存在着波动。如果要消除不必要的波动，我们就需要用一定时期的平均值。

可是，该用多长时间的历史数据来平均呢？如果选取时间过短，那么就会有太多的短期扰动影响预测输出质量；而如果选取时间过长，那么就有可能会丧失掉对于结构变化的反应速度，也是不利的。

这里我们对常用的几种选择进行对比验证，以有利于做出最佳选择。

这些选项包括：滚动3个月、滚动6个月、滚动9个月、滚动12个月。

验证的方式，是看采用不同方式所得到的预测结果，与实际结果之间的拟合情况。这里以相关系数展示拟合效果。

计算过程如下图：

    请注意，为显示方便，图中隐藏了中间列。

将上述结果整理，按照产品的XYZ属性排列，我们讨论各产品合并预测、以及与实际结果的拟合情况，可以得到下表：

    请注意：

    (1)对各产品，以深绿色和浅绿色分别表示相关系数第一和第二的选项。

    (2)各产品Total的XYZ，是产品月度需求的波动性，不同于之前讨论的结构稳定性的XYZ。

    (3)Z类产品拟合程度如此之差，请不要奇怪。这很正常，所有移动平滑模型，都会有这样的效果。    

并不意外，产品的XYZ特性不同，最有利的选项也不同。

    -- X类产品：选用“滚动12个月”，更有利于消除波动干扰；

    -- Y类产品：选用“滚动6个月”，在“消除波动干扰”和“对结构变化保持敏感”之间求得平衡。

    -- Z类产品：其自身波动性很强，我们选用“滚动12个月”，尽可能消除波动干扰。虽然这并不能提高预测准确度，但是Z类产品的交货和存货管理本来也就不是依赖于预测准确度的。

第三步，定量预测模型的搭建

现在我们可以搭建预测模型了。

模型的基本逻辑是：依托于订单需求预测，按照需求结构相对稳定性，展开成为产品预测。

模型结果以Excel展示，包含了“订单预测输入”、“历史数据”、“产品预测输出”三个分区。如下图：

下面逐个介绍三个分区。

首先，“订单预测输入”。

这个分区包含三部分内容。

（1）业务预测 “Sales Input”：由业务人员反馈客户订单需求预测，并录入。该部分输入不再细分客户，直接按照客户组别合计录入。

（2）“时间序列预测”：该部分的原理，与案例1完全相同，只是更为简化。但是保留了年度增长预测值的输入要求，以及，权重设置的要求。

（3）订单预测“Order Forecast”：这是最终将被使用的需求预测，它是业务预测和时间序列预测的加权求和结果。

该分区请见下图：

    请注意：(1)所有白色单元格需要输入，彩色单元格无需输入；

        (2)不用奇怪，在Y3新年伊始，表中业务预测只有前3个月。业务团队只能拿到相对短时期的订单预测，且数字不会是有零有整。这在现实中很正常；

        (3) 时间序列预测部分的公式，使用的主要是INDEX+MATCH。如需进一步了解，请回忆之前的文章“数据处理技巧：几个有用的Excel函数“

其次，“历史数据 & 辅助计算”。

按照前述讨论，为了后续计算的方便，特意将该区域进行了如下设计：

（1）关于“月度订单”的数据透视表。后面预留了12个月空间，当源数据更新后续月份销售记录时，可以直接刷新数据透视表得到后续内容；

（2）关于“月度产品需求”的数据透视表。为了支持后续计算，该表将产品与客户组分级展示，并按照经典格式展开。也一样预留了12列用于自动刷新；

（3）“滚动6个月”和“滚动12个月”的辅助计算区域。按照前述讨论，这两个选项将是计算所需，这里直接按照12个月预先准备好。需要注意的是，由于Y3数据还没有录入，因此，当前只有月份1的数据是有效的。

该分区请见下图：

最后，“产品预测输出”。

按照模型逻辑，直接计算出所有预测结果。原则上，这里不需要输入。

    为了方便起见，这里保留了一个输入要求：Y3销售数据更新到的月份。当然，这个输入要求其实也是有办法自动实现的。

该分区请见下图：

这里的计算公式，是一个数组计算公式。使用三个OFFSET函数，分别调用对应产品、对应月份的滚动6或12个月产品订单数据、需求订单数据，以及，订单预测。因为所有三组数据都包含了4个客户分组，所以，直接以数组表示并参与计算。

同时，该公式会依据Y3数据已经更新到什么月份，来判断采用最新的滚动数据，而避免使用暂时还无效的数据。

这个计算公式的简洁性，依赖于“历史数据&辅助计算”区域数据的结构化程度。

模型的使用：

与案例1一样，这里我们仍然推荐采用S&OP流程，与业务部门保持充分沟通讨论。

与案例1不同的是，这里我们强烈建议：

    在使用此模型时，一定要建立对“产品需求结构稳定性”的监测机制。

这么做的道理在于，对于成长期的业务，会有很多不易预料的新情况出现。由于，产品需求结构稳定性是模型输出质量的主要依托，因此，一定要对此保持足够警惕。

对于发现的异常，可以是S&OP会议的重要议题。用于提醒业务团队关注和澄清。

限于篇幅，本文不再具体展开监测部分的内容。

适用性说明：

本文模型，也一样存在适用性，或者说局限性。

本模型适用范围：处于成长期的制造业或者类似业务，体现为，有限客户或者行业。

请注意，这里的“成长期”，不包含“成长初期”。

在前面的分析中其实可以看到，从历史数据中分辨出“相对稳定性”，是此模型成功的关键。

成长期的业务，表现为不断有新客户、新行业被拓展出来，但是与此同时，也有沉淀下来的相对稳定客户群体。

如果是全新的业务状态，历史数据分析将是事倍功半的。

这种情况，我们需要借助于更灵敏更迅速的分析工具和手段，基本上已经不再是Excel所易于展示的。

（本篇完 & 案例2结束）