在選擇合適的預測模型時，我們首先要看預測準確度。前面說過，常用的準確度指標有兩個：絕對誤差百分比、均方差。前者的好處是直觀，但有可能誤導;后者的好處是更能夠避免極端誤差，但不直觀。

　　我看到，有人用預測“成功率”來評判模型的好壞。比如準確度目標是70%或更高，選100個樣本，用預測方法A，有60個樣本達到70%以上的準確度;用方法B，只有55 個，所以就得出A優(yōu)于B的結論。這看上去有道理，但如果A 沒有預測“準”的產品中，誤差極端大的案例很多;而B沒有預測“準”的產品中，誤差都相對挺小，怎么辦?

　　我們當然希望更多的產品能夠預測更準;但害死我們的是那些預測極端不準的，這在上面評判方法中沒有覆蓋到。打個不恰當?shù)谋扔鳎@有點像木桶理論，每個桶板當然是越長越好，但真正害死我們的是那些最短的板。

　　所以，圍繞多個產品選擇一種更優(yōu)的預測方法時，我們也要觀察那些預測誤差極大的產品，通常有3種方法來應對。

　　1. 方法1是把所有產品的預測誤差加起來，看哪種預測方法的整體準確度最低。

　　2. 方法2是采取兩種互補的預測方法，比如方法A的優(yōu)勢是預測需求變動大的產品，方法B的優(yōu)勢是預測變動較小的產品，每個產品根據(jù)自身的特點，在A和B中選擇一種方法， 以盡量避免出現(xiàn)大錯特錯。我們后面要講的預測方法擇優(yōu)， 就是基于這樣的思路。

　　3.方法3是用多種方法預測，求其平均值作為最終的預測。我看到學者們在說，這樣做可以提高預測的準確度。這有點集思廣益的意思，跟“三個臭皮匠，能頂一個諸葛亮” 一樣。針對具體的案例，我們可以通過復盤的方式，來驗證究其效果?！?/p>

對預測來說，我們與其說是在追求“更準”，不如說是在避免“更不準”：我們要盡量避免極端錯誤。這就如長壽和早死的關系：我們雖說都在追求長壽，其實更多是在力求避免早死。長壽充滿偶然性，但早死卻有相當?shù)谋厝恍?你很難對偶然做點什么，你是通過控制必然來應對偶然，那就是避免早死，才會長壽。

　　或許這也能夠解釋，至少是部分解釋，為什么人們不愿接受人工智能(AI)和計劃軟件的建議：凡是我見過的AI和計劃軟件，整體的預測準確度都要比計劃人員更高;但是， 由于這些信息系統(tǒng)不知道它們不知道的東西，比如促銷、活動等需求歷史沒法完整體現(xiàn)的信息，往往會出現(xiàn)大錯特錯， 計劃人員一眼就可以看出。在精益求精的優(yōu)化上，計劃人員雖然斗不過軟件;但在避免大錯特錯上，他們卻往往做得更到位，或者至少覺得他們做得更好。出于避免“更不準”的心理，人們卻不敢用，或者不愿用AI和軟件系統(tǒng)做預測，也就不難理解了。

　　預測方法的擇優(yōu)，要盡量考慮對供應鏈執(zhí)行的影響，在預測準確度差不多的前提下，預測要盡可能平滑，以減小供應鏈的執(zhí)行難度，降低供應鏈的運營成本。

　　最后，預測模型的選擇還要考慮實施的難易度。人們難以理解的模型，就不信任;不信任，就很難推廣。就整體預測效果而言，簡單的模型往往比復雜的更理想，很大程度上是因為簡單的模型更容易落地。這就相當于給你一個100% 功能的“武器”，你能實現(xiàn)30%、50%，還是70%的功能一樣。

　　真正的計劃高手，高就高在用最基本的模型，比如移動平均和指數(shù)平滑法，解決實踐中的大多數(shù)問題。這就如真正的武林高手不會花拳繡腿，拖泥帶水，而是用最簡單、最直觀的招數(shù)克敵制勝一樣。所以，如果有些人一張口，就搬出一些你沒聽過的復雜方法，他八成是在以主題博大，以掩蓋在基本方法論上的貧瘠。

【小貼士】尋找更優(yōu)，而不是最優(yōu)的解決方案

　　有個千億級的大公司，開設了專門的事業(yè)部，雇了一幫博士、碩士開發(fā)計劃模型，也給別的企業(yè)提供咨詢。但他們自己的計劃人員呢，我問他們是怎么設安全庫存的。計劃員們說，對于A類物料，他們放x天的安全庫存;對于B類物料，他們放y天的安全庫存……你知道，他們還是在拍腦袋， 雖然公司很大，名氣也很大，但做計劃的方式跟粗放經(jīng)營的企業(yè)無異。

　　這后面反映的呢，就是典型的系統(tǒng)和組織“兩層皮”： 一邊是——幫博士、碩士、數(shù)理統(tǒng)計專家們皓首窮經(jīng)，奔著最優(yōu)化的目標去，開發(fā)了很完善、當然也很復雜的軟件系統(tǒng)(“完善”在很多時候是復雜的代名詞);另一邊是—— 幫計劃人員呢，還是我行我素，繼續(xù)操著“土槍土炮”討生活。一方面，這跟博士們懂數(shù)理統(tǒng)計，但不懂業(yè)務有關，導致軟件系統(tǒng)本身不一定實用;另一個方面，信息系統(tǒng)嚴重超前，超越組織的現(xiàn)有能力兩個階段，也會導致“兩層皮”的問題。

　　什么叫超越兩個階段?打個比方。一群原始人在赤手空拳與野獸搏殺，你給只棒子，這是超越組織能力一個階段， 他們試試后覺得不錯，用的可能性很大;但如果給輛坦克， 這是超越現(xiàn)有能力兩個階段，他們根本沒有能力操控，當然也就不會用了。

　　尋找漸進式的改良方案，可有效避免上述問題。

　　比如某企業(yè)對于所有的產品，原來都在用8周移動平均來預測。我們經(jīng)過復盤分析，發(fā)現(xiàn)部分產品用6周移動更準確，其余的用8周移動更準確;或者說整體而言，指數(shù)平滑法比移動平均法更準確，那我們就適當?shù)夭町惢幚恚@就是漸進的改良。

　　再比如說，每個產品在不同的庫存點，最優(yōu)預測方法都可能不同。但為了簡單，我們把一個庫存點的所有產品作為一個整體，尋找一種或兩種方法，讓整體勝算更高。我理解，相比每個產品都采用最優(yōu)預測方法，這樣做會喪失一些準確度，但希望換取可操作性，降低預測模型的維護成本， 也適當提高模型的容錯性。

　　商業(yè)問題的本質是尋求更好，而不是最好的方案。就如NBA里“獨行俠”的老板庫班所言，商業(yè)上追求完美是件糟糕的事， 因為有個投入產出比的問題。等組織的能力提升到一定地步后， 我們可以逐步導入更完美、也更優(yōu)化的做法。

　　【實踐者問】我是做供應鏈系統(tǒng)的，公司讓我主導供應鏈計劃改進項目。我怎么做預測部分的需求呢?畢竟信息化的從業(yè)人員很少有供應鏈體系的從業(yè)經(jīng)歷，我的問題比較尷尬。

　　【劉寶紅答】這是對你們IT人員的不公平。需求定義首先是計劃人員的責任，他們得搞清楚需求預測怎么做，庫存計劃如何設，哪些地方需要改進，定義好需求后，你們IT團隊可以幫助自動化。有趣的是，另一個公司的IT也有同樣的問題：他們在公司CFO的驅動下，給供應鏈設計了一整套的預測、計劃模型，整體思路很好，但根本沒法落地。反過來想想看，如果讓一個計劃經(jīng)理設計一套IT解決方案，其可行性會有多高?

　　這也反映了有些公司對計劃的誤解，認為計劃就是分析數(shù)據(jù)，而IT似乎是數(shù)據(jù)的對口部門。跟任何職能一樣，計劃的能力要從組織、流程、信息系統(tǒng)三個方面來改進，IT可以改進信息系統(tǒng)，但信息系統(tǒng)要圍繞組織的目標和做事的流程來開發(fā)，那些都需要計劃職能來定義。

　　注：劉寶紅，供應鏈管理暢銷書作者，“供應鏈管理專欄”創(chuàng)始人，美國亞利桑那州立大學 MBA。他的暢銷書包括《供應鏈管理：高成本、高庫存、重資產的解決方案》《采購與供應鏈管理：一個實踐者的角度》《供應鏈管理：實踐者的專家之路》。十多年來，他一直在美國研究和實踐供應鏈管理，經(jīng)常往返于中美之間，培訓本土采購、計劃與供應鏈管理人才，幫助本土企業(yè)提高采購與供應鏈管理水平。如欲聯(lián)系他，可電郵bob.liu@scm- blog.com，或訪問他的網(wǎng)站(www.scm- blog.com)查詢最新培訓信息。