銷售與運作計劃S&OP九步流程2:初步預測思路與採用的預測方法

2021-02-08 許栩原創之管理與職場

大家好,我是許栩,歡迎來到我的專欄《銷售與運作計劃S&OP基礎與實戰》。這是專欄的第7篇文章,S&OP九步流程第2步:初步預測。(專欄明細目錄見上圖)

S&OP的九步流程是:數據準備與處理→初步預測→預測調整與正式預測→供應計劃→S&OP預備會議→預備會議結果溝通→正式會議(高層會議決議)→S&OP輸出→S&OP執行與跟蹤。

專欄的上一篇文章,我介紹流程的第1步,數據準備與處理,本篇介紹流程的第2步,初步預測。先說明初步預測這一步是什麼時候什麼人做什麼事,再談一談做初步預測的思路以及初步預測的方法。

S&OP的九步流程第二步:初步預測。

1、什麼時候:初步預測在數據準備工作啟動的時候同時啟動,每月8日完成。

2、什麼人:初步預測由需求計劃人員完成。如果有內外部人員(專家)進行定性預測的部分,由需求計劃人員每月3日按相關制度和流程向內外部人員(專家)發出請求(索取),專家們6日完成並回復。

3、做什麼事。

3.1、做總業績預測。總業績預測是對金額進行預測,分兩種,一種為滾動的12個月預測;一種滾動的3年預測(或5年預測等),年度預測以年為單位滾動,每年最後一個月做一次即可。

3.2、做分類業績預測。具體的分類按公司的要求而定,比如分銷售區域、分產品群(族)、分客戶群等。分類業績做滾動的6個月預測,也是對金額進行預測。

3.3、做明細產品需求預測。要求細化到每一個產品(SKU),可按BOM展開到每一個物料,同時,可分類匯總。明細產品需求預測是對數量進行預測,做滾動的3個月預測。

註:再提一下本專欄第五篇文章中提到的一種說法,「S&OP處理的對象是產品族,而不是具體某個規格型號」,即S&OP是高大上的,完全是戰略層面而懸在上方的。這其實是個誤區,S&OP完全可以面向具體的明細的產品,而不僅僅是產品族或產品群。或者可以這麼理解,產品族是S&OP的戰略層面,而明細產品則是S&OP的戰術層面,這些,正是我提出做明細產品需求預測的核心原因。

如何做初步預測:思路。

第一個思路,初步預測是無約束預測。即初步預測不用考慮供應的限制,不用考慮有沒有產品向客戶交付,不用考慮供應端,只根據歷史數據和需求端的信息去預測未來的需求。

第二個思路,初步預測是個「初步」預測。這個思路的意思是做初步預測不要有太多的顧慮(除了第一個思路供應的約束以外),不要擔心(或考慮)未來太多的未知因素(比如公司引進投資擴大銷售區域等)。因為一來,流程的後續還有預測調整和正式預測的環節,那時會請相關專家(領導)共同考慮多方因素;二來,預測總是不準,如果過分糾結預測準確率,那預測要麼是做不出來,要麼只能是越來越不準。

第三個思路,需求可預測矩陣。

需求可預測矩陣主要針對明細產品的需求預測。我以歷史需求數據的穩定性為橫坐標,以歷史需求數據量的多少為縱坐標,得到一個矩陣,我將這個矩陣命名為「需求可預測矩陣」。

我們根據需求可預測矩陣四個象限的不同產品,採取不同的方法進行預測,這是初步預測的第三個思路。需求可預測矩陣的四個象限說明如下。

第一象限,數據穩定性強且歷史數據較多。這一象限的產品一般是公司的成熟產品。

第二象限,數據穩定性差但歷史數據較多。這個象限的產品一般為公司的小眾產品、冷門產品或呆滯產品。

相關焦點

  • Python玩預測的七種方法,必看
    時序模型是預測的一種方法。除了加密貨幣,還有許多重要的應用時序預測的領域,例如:銷售預測,呼叫中心的通話量,太陽的活動,海潮,股市行為等等。我們提供了2年的數據,並利用這些數據預測未來7個月的通勤人數。在本文中,只使用訓練數據集。從以上的報表上看到,我們有2年的按小時計的通勤數據(2012-2014),需要預估未來的通勤數量。在本文中,我構造子集和匯總數據集以便講解不同的方法。構造數據集的子集 (2012/08 – 2013/12)為建模構造訓練和測試文件。
  • Tensorflow如何導出與使用預測圖
    當使用這種方式時候就無需再重複調用初始化方法來初始化變量了,restore方法本身就完成了變量初始化,然後就可以繼續訓練或者使用計算圖進行預測。一個例子首先定義個網絡模型,對於輸入與預測部分tensor的name屬性我們都給予賦值。
  • 基於需求預測與預置物資——美軍預測性後勤之路(上)
    三、本文探討美陸軍需求預測整體運作概念與模式,援引美陸軍第八戰區持續保障司令部司令的觀點以及新穎後勤網絡規劃系統,籌建前瞻性資產,預先預置分配的具體做法,將可增進T陸軍各類補給品的需求估算方法,並提供未來邁向系統自動化及人工智慧輔助研究發展精進,作為其現代化以及大數據數字建軍發展的參考方向。
  • 如何對時間序列預測建模?
    這兩幅圖代表了大數據環境下趨勢預測的典型場景,即事件預測和時序預測,本文重點關注第二幅圖中的場景,即與時間維度相關的時間序列預測。2.預測時一般設法過濾除去不規則變動,突出反映趨勢性和周期性變動。3. 方法綜述時間序列預測法分為傳統的時間序列預測方法和機器學習方法。
  • 臨床預測模型:模型的驗證
    C統計量的取值範圍為0~1,C統計量越接近1表示模型區分度越好,C統計量等於0.5時表示模型沒有預測能力,C統計量小於0.5表示模型預測與實際結果相反。若終點事件是二分類變量,C統計量與ROC曲線下面積(AUC)相同;若終點事件是事件-時間變量,最常用的是Harrell提出的Harrell’sC統計量[6]。
  • Excel應用大全 | 時間序列預測的步驟
    廠商會通過以往已知的銷售規律判斷本季度是否要增產,酒店通過往年的入住率判斷在淡季是否要降價促銷,等等。這些活動都是基於已知的歷史數據推測未來,時間序列就是研究這種預測的工具。不同行業和領域的時間序列數據有不同的特點。例如,旅遊行業,往往在夏季達到高峰,零售行業在節假日,尤其是春節時達到高峰,某交易所的股票綜合指數則明顯呈現出波動性。
  • Kaggle:一套完整的網站流量預測模型
    今天給大家推薦的是一個名叫Kaggle的網站流量預測項目,本項目採用Python語言開發,可以給大家的流量預測建模提供一些思路。
  • 使用python+sklearn實現stacking方法來組合預測
    Stacking是指一種混合估計器的方法,在這種策略中,一些估計器分別在一些訓練數據上進行擬合
  • 支持向量回歸的機器學習方法在海浪預測中的應用
    摘要:基於支持向量回歸(SVR)方法,建立了渤海海域近岸海浪有效波高短期預測模型,並設計了多組風浪信息組合輸入方案,開展了有效波高預測敏感性試驗。研究發現:綜合考慮當前風浪信息作為模型的輸入,對3 h和6 h有效波高預測具有較高的預報技巧,但隨著預測時效的延長其預測準確性迅速降低;若此時引入未來預測風速信息作為模型輸入,則可極大提高對12 h和24 h有效波高的預測能力;此外,若輸入信息與預測對象之間不存在顯著相關,多個信息的輸入對有效波高預測效果提高無顯著作用。
  • Keras入門(七)使用Flask+Keras-bert構建模型預測服務
    在文章NLP(三十四)使用keras-bert實現序列標註任務中,我們介紹了如何使用keras-bert模塊,利用BERT中文預訓練模型來實現序列標註任務的模型訓練、模型評估和模型預測。其中,模型預測是通過加載生成的h5文件來實現的。  本文將會介紹如何使用Flask構建模型預測的HTTP服務。
  • ADMET Predictor在預測資源或模型開發的應用文章匯總(2016-2020)
    2018 August 2. 2468-1113. CiteScore=2.5ADMET Predictor 的作用:搭建化學品處置(暴露量)的預測模型17.    採用計算機預測農藥在哺乳動物中的代謝和毒性Predicting mammalian metabolism and toxicity of pesticides in silico. Clark RD.Pest Manag Sci. May 15, 2018.
  • 時髦臨床預測模型必知指標 | C-index
    概念        C-index,又稱C指數,一致性指數(index of concordance),主要用於計算生存分析中的COX模型預測值與真實之間的區分度(discrimination),也稱為Harrell's concordance index
  • 學習歷史預測未來,國防科大新模型在多個數據集上實現未來事實預測SOTA
    在本文中,來自國防科技大學等的研究者借鑑了自然語言生成(NLG)中的複製機制思路,並通過設計一種全新的基於時序知識圖譜嵌入(TKGE)的模型來更有效地建模時序知識圖譜。在多個公開時序知識圖譜(TKG)基準數據集上,新模型 CyGNet 在未來事實(連結)預測任務上均實現了 SOTA 結果。知識圖譜在知識驅動的信息檢索、自然語言理解和推薦系統領域有著廣泛的應用。
  • 【專題推薦】基於LSTM的Encoder-Decoder多步軌跡預測技術
    構造輸入輸出的軌跡數據對, 將預測問題轉化為有監督學習問題, 研究多步預測過程中模型性能的變化, 實現端到端的軌跡預測。仿真結果表明, 該方法能夠從歷史軌跡數據中提取更多的軌跡特徵, 在多步軌跡預測中具有明顯的優勢。與KFTP和HMMTP算法相比, EDMTP的誤差增長率分別同比下降了2.18%和3.52%, 取得了較好的軌跡預測效果。
  • 【預測模型】基於DBN實現風速預測matlab源碼
    .利用WRF數值模式進行風速預報,將預報結果與70m高的測風塔實際數據作為網絡的輸入對深度信念網絡進行逐層訓練,在Matlab平臺上建立DBN風速預測模型並進行仿真.經驗證:基於WRF數值模式的DBN風速預測模型的相對均方根誤差為1.03%,比支持向量機(Support Vector Machine,SVM)預測模型降低了4.41%.實驗結果表明:該模型能很好地預測風速並且得到了較高的預測精度.
  • 通過 Python 預測 2021 年雙十一交易額
    可當時間節點來到 1202 年,你是否依然對剁手這件事情樂此不疲呢,在新一輪剁手行動開始前,讓我們來試試通過 Python 預測一下今年的交易額,因為在這場狂歡過後,沒有人會關心你買了什麼,而那個樸實無華的數字,看起來總比真實的人類要生動得多。思路說明其實,我一直覺得這個東西,完全不需要特意寫一篇文章,因為用畢導的話說,這個東西我們在小學二年級就學過。
  • 教程 | Kaggle網站流量預測任務第一名解決方案:從模型到代碼詳解時序預測
    seq2seq 天然適合該任務:我們根據先前值(包括先前預測)的聯合概率(joint probability)預測下一個值。使用先前預測可保持模型穩定,因為誤差會在每一步累積,如果某一步出現極端預測,則有可能毀了所有後續步的預測質量。現在的深度學習出現了太多的炒作。
  • 動手實戰 | Statsmodels 中經典的時間序列預測方法
    ARMA方法適用於沒有趨勢和季節性成分的單變量時間序列。ARMA 方法將序列中的下一步預測結果為先前時間步的觀測值和殘差的線性函數。它結合了AR 和MA 模型。模型的符號:AR(p) 和 MA(q) 模型的階數作為 ARMA 函數的參數,例如 ARMA(p, q)。ARIMA 模型可用於開發 AR 或 MA 模型。
  • 基於Python的中風數據挖掘與分類預測案例分析(三)
    數據集的劃分方法有很多,用的最多的就是留出法和K折交叉驗證法。我們先採用最基本的留出法,將數據集隨機劃分為訓練集和測試集。這裡要提一下,按照正規、嚴謹也是最正常的做法,也為了防止模型過擬合的問題,應該還要將得到的訓練集按照一定的比例繼續劃分,進一步拆成訓練集和驗證集,如下圖所示。
  • ARIMA模型預測CO2濃度時間序列-python實現
    p=20424 介紹時間序列為預測未來數據提供了方法。根據先前的值,時間序列可用於預測經濟,天氣的趨勢。時間序列數據的特定屬性意味著通常需要專門的統計方法。在本教程中,我們將首先介紹和討論自相關,平穩性和季節性的概念,然後繼續應用最常用的時間序列預測方法之一,稱為ARIMA。