需求感知 修不好一个没人信的预测
这项技术是真实的，准确率的提升也可信。但如果你的组织本来就会推翻更好的预测，而证据显示它很可能会，这些提升就毫无意义。
每个需求感知供应商都在推销同一套算术：近期预测误差降低30%到50%，安全库存下降，服务水平上升。这项技术是真实存在的，它用销售终端数据、未结订单、天气和网络信号，配合机器学习，来优化零到十二周的预测。这些数字没有错。错的是这套说辞的框架。
这些说法很容易找到。e2open声称其需求感知比传统方法将近期预测准确率提高30%到40%。Arkieva则表示短期预测误差最多可降低40%到50%，库存准确率提高15%到20%。这些区间在试点条件下是可信的。但对大多数企业的真实问题来说，它们无关紧要，因为需求感知带来的改善，只有在最终预测被信任并被使用时才有意义。
这里有一组数据，应该重新定义整场讨论。
在Steve Morlidge对八家供应链公司超过30万份真实预测的研究中，52%的预测表现不如朴素随机游走预测，也就是说，还不如简单地沿用上一期的实际值。后续跨二十多家公司的研究发现，30%到50%的低层级预测经常性地不如朴素预测。
好好体会一下这个数字。如果你有一半的预测本来就输给了"沿用上周的数字"，那么30%到40%的需求感知改善，只是在找回本不该失去的地盘。这是在治标。
而这个"标"背后的"本"，没有任何算法能解决。十四年来，我见过的预测失败根本原因只有四种，没有一种是统计问题：
- 这个数字没有唯一的负责人。 销售、财务、市场和供应链各自维护自己的预测，然后在一场什么都解决不了的会议上争论差异。
- 激励机制与准确率脱钩。 销售是为达成配额而付薪，财务是为达成预算，供应链是为达成服务水平。没有人是为预测准确而付薪的。
- 摧毁价值的主观修正。 这是致命的一击，而且是可以量化的。
- 没有反馈闭环。 大多数公司从不追踪到底是哪一个环节，引擎、分析师、共识会议，还是高管，拉低了预测质量，所以他们也无从修正。
关于第三点，研究结果很残酷。2024年发表在《国际预测学期刊》上的一项研究发现，主观调整只对略高于一半的库存单元（SKU）提高了准确率，而正向调整反而更可能使表现恶化。需求感知产生的是更好的统计预测。但如果你的组织本来就不信任统计预测，它也会推翻这个更好的预测，而证据显示，它很可能把它变得更糟。
所以在购买需求感知之前，先做一次预测价值增量（FVA）分析。用那个朴素基准，衡量你流程中的每一个环节。如果按Morlidge的证据推算，你目前的流程相对于随机游走几乎是五五开地在摧毁价值，那么正确的投资方向就不是更好的算法，而是明确这个数字的归属、把激励与准确率挂钩、用FVA监控每一次人工修正，以及有纪律地取消那个持续摧毁价值的高管否决权。
做完这些之后，再买需求感知。不是之前。把一个更精准的预测交给一个不信任预测的组织，是一种昂贵的方式，去生产一个大家依旧会无视的数字。
来源
- Morlidge, S. FVA and the Limits of Forecastability, IBF Amsterdam ， 引自 Gilliland, Tashman & Sglavo, Business Forecasting: Practical Problems and Solutions (Wiley, 2015).
- Fildes, R. et al. (2024). Forecast value added in demand planning. International Journal of Forecasting. sciencedirect.com
- e2open. Demand Sensing Software. e2open.com
- Arkieva. 6 Ways You Can Improve Forecast Accuracy with Demand Sensing. blog.arkieva.com
- Kinaxis. What is demand sensing? kinaxis.com