熟女人妻水多爽中文字幕,国产精品鲁鲁鲁,隔壁的少妇2做爰韩国电影,亚洲最大中文字幕无码网站

　　從數據開始，并不是只收集數據，更重要的是分析數據，從數據中發現規律，指導后續的工作。這是我從雀巢公司的一位計劃總監的報告中所體會到的。 原文摘自《供應鏈的三道防線：需求預測、庫存計劃、供應鏈管理》第2版。

　　文/劉寶紅

　　需求計劃的三個數據層次

　　先說數據。雀巢公司的需求計劃把數據分三個層次：事務數據，計劃數據，外來數據，如圖 1所示。

　　事務數據：這是操作層面的數據，比如圍繞訂單、工單、產品的進出存數據。這是ERP里最原始、最基本的數據，也可以說是我們在信息系統中留下的每一個腳印。比如在SAP中，物料的每一次移動、由誰移動、從哪個庫位到哪個庫位，都有清晰的記錄;客戶訂單什么時候接到，什么時候發送等，也是典型的事務數據。提供完整的事務數據，是ERP系統的強項。

　　計劃數據：事務數據并不能直接用來做計劃，而是需要進一步整理、清洗，比如把需求歷史按日、按周或按月匯總，按照產品線、產品、SKU分解，剔除其中的一次性需求等，就成為計劃用的數據，供進一步的數據分析。計劃數據也包括主數據，比如交期，最小起訂量，供應商等。計劃數據的信息來源是ERP系統，但往往儲存在專門的計劃系統里，或者單獨的數據庫里。

　　外來數據：來自第三方，比如電商平臺，銷售終端等。這些外來數據更加真實地反映了需求，價值更高，當然也更難獲取。另外，行業性的研究，第三方的數據也算外來數據。比如在導入新產品前，有些企業會參考行業的研究數據，判斷潛在市場的大小，以及可能得到的份額，來確定新產品的預測等。

圖 1 從數據開始 = 數據 + 分析

　　企業大了，沒人知道真相;真相在數據里。當然，測不準定律下，我們可能永遠沒法知道真正的“真相”;更多的時候，真相是個相對概念，更重要地說，是多數人認可的真相。沒有共同的數據，就沒有共同的真相，也就缺乏協作的基礎。計劃數據就扮演這樣的角色。

　　說是“計劃數據”，其實不光是計劃職能用的;每個管理者都在做計劃，雖然他們的頭銜、職能中并不一定有“計劃”二字。比如生產要用計劃數據，來規劃未來的產能;倉儲要用計劃數據，來規劃倉庫的容量;物流要用計劃數據，來計劃物流費用;采購得用計劃數據，制定采購計劃，跟供應商談定價格;財務也用計劃數據，來模擬現金流;銷售當然得用計劃數據，來預測營收，及時安排促銷、活動等。

　　“從數據開始”的三大分析

　　對于企業來說，一大挑戰是有統一的事務數據，因為那是ERP系統的原始記錄;但沒有統一的計劃數據，每個職能都是各行其是。小企業如此，大企業也不例外。比如有個百億級的電子產品企業，總部和各戰區用不同的數據，銷售、產品、計劃和供應鏈也是各自用各自的數據，財務當然有自己的數據。數據來源、格式不同，雞對鴨講，很多時間就不得不花在確認數據上，效率低下，難以達成共識。

　　解決方案其實很簡單：構建統一的計劃數據，形成各職能的共同語言。誰來主導?計劃職能，而且是總部的計劃。就如我們在一個電商做的，計劃和財務協作(計劃最熟悉ERP系統，財務的數據最可靠)，基于客戶訂單層面的數據，建立共同的計劃數據庫，放到統一的服務器或者云端，讓各個職能都來用。

　　這里的基本假定是，客戶訂單的數據是真實的，比如訂單是什么時候接到的，要什么產品，要多少，什么時候要，價格是多少，什么時候發送的，因為這是跟客戶收賬的依據，是銷售、客服、物流和財務部門都依賴的。在這樣的原始數據基礎上，按照不同的時間、產品、地域、客戶維度等切分(就如Excel中的透視表)，就成為不同職能共用的數據。

　　在這個電商，計劃安排專門的人，每周定期把上一周的數據添加到數據庫里，不同職能、總部和門店，都用這些同樣的數據。從管理的角度看，每周更新，能夠滿足大多數職能的時效要求。當然，對于日常補貨這樣的活動，更新周期可能要更短，比如每天。

　　共同的計劃數據，不但降低了職能與職能、總部與分部的溝通成本，也減少了原始數據出錯的概率，提高了決策質量。在這樣的數據基礎上，計劃人員就跟醫生看病一樣，先分析已經發生什么(現狀)，再分析可能發生的情況(預測)，最后提出指導性的建議(行動方案)。這分別叫做描述性分析、預測性分析和建議性分析，構成“從數據開始”的三大分析。

　　描述性分析：是什么，或者說已經發生了什么。比如通過折線圖，來判斷需求歷史有沒有趨勢、季節性、周期性等;借助標準差、離散度、極大極小值等，判斷需求歷史的變動性。至于說平均值、中位值、眾數等，也都是常見的指標，幫助我們理解需求的大小。

　　預測性分析：可能發生什么。在描述性分析的基礎上，借助數理統計模型來預測可能發生的。這是數據分析的核心，是對未來的預判。其后的邏輯是需求的延續性、相關性等。比如需求呈現季節性，那就可可根據過往數據，預測未來數個季度的需求。值得注意的是，預測性分析是基于數理統計的，比如需求在多大概率下，會落在某個區間里。

　　建議性分析：這是在前兩者的基礎上，建議的改進方案。打個醫生的比方：描述性分析就如“望聞問切”，預測性分析是預判病情的走向，而建議性分析則是開藥方。描述性分析著眼“已經發生的”，預測性分析著眼“可能發生的”，建議性分析則是回答“怎么辦”的問題，為不確定的未來指出一定確定性的行動方案。

　　作為計劃人員，不管是哪一種數據分析，我們都應該是假設驅動，在業務指導下，為解決業務問題而分析，而不是為分析而分析。這也是計劃員與分析員的一大區別：計劃員有業務背景，從業務角度往往已有假設，數據分析更加有針對性;而很多分析人員的IT背景很強，但沒有需求預測、庫存計劃的實際經歷，結果是分析雖然做了很多，報表一大堆，但不解決任何問題。

　　此外，我還想強調的是，數據知道它知道的(已經發生過的)，不知道它不知道的(尚未發生的);對于已經發生的，如果重復性高的話，數據分析能做到精益求精;但對沒有發生過的，卻難以避免大錯特錯。人正好相反，很難在重復性的事情上做到精益求精，卻能在不重復的事情上避免大錯特錯。

　　這就是為什么要“由判斷結束”，把數據的智慧和人的判斷結合起來的原因。