费行为数据，这套系统也被称为“数字化的咖啡师”。

图9-3　星巴克的“数字飞轮”费行为数据，这套系统也被称为“数字化的咖啡师”。

图9-3　星巴克的“数字飞轮”供应要稳

有了稳定的客户，还要有稳定的供应，否则客户买不到想要的商品迟早还是会离开的。想要确保客户需要的商品有足够的供应，离不开供应保障。供应有周期，需要提前通过需求计划、供应计划、供应执行来落实。近期的需求驱动力因素掌握得越充分，预测准确率相对越高，而远期由于很多信息和因素还不确定，预测准确率会降低。如图9-4所示，以零售商的采购为例，按照时间轴来看整个过程，假设采购订单的制作周期是2天，供应商的供应周期是7天，每次供应覆盖未来5周的需求。假设零售商8月8日开始做采购计划，8月10日采购订单制作完成并经过审批后发给供应商，供应商收到采购订单后进行生产，8月17日发货到零售商仓库，到仓库后零售商8月17日开始发到门店销售。在这个过程中，从8月8日开始的计划、订单、到货，都是为了支持近期的需求。采购订单下达之后，一般来讲就很难改变了，因此从采购订单8月10日下达，到9月21日（下次到货的时间），这段时间就是供应的刚性期间，可以通过管理需求来匹配固定的供应，如果供应能发生改变（比如在不同的仓库、门店之间做调配），则管理供应来匹配需求。而从9月21日往后看，尚处于计划期间，计划期间我们要做的是计划需求与供应，让它们从时间和数量上做到在理论上匹配，此时供应和需求还有“无限的可能性”，对于波动并不敏感。

这样的运营、计划的过程循环是滚动的，同一时间段内同时存在两种过程。运营期间已经下达的订单、在途库存、已有库存很难改变，供应要稳

有了稳定的客户，还要有稳定的供应，否则客户买不到想要的商品迟早还是会离开的。想要确保客户需要的商品有足够的供应，离不开供应保障。供应有周期，需要提前通过需求计划、供应计划、供应执行来落实。近期的需求驱动力因素掌握得越充分，预测准确率相对越高，而远期由于很多信息和因素还不确定，预测准确率会降低。如图9-4所示，以零售商的采购为例，按照时间轴来看整个过程，假设采购订单的制作周期是2天，供应商的供应周期是7天，每次供应覆盖未来5周的需求。假设零售商8月8日开始做采购计划，8月10日采购订单制作完成并经过审批后发给供应商，供应商收到采购订单后进行生产，8月17日发货到零售商仓库，到仓库后零售商8月17日开始发到门店销售。在这个过程中，从8月8日开始的计划、订单、到货，都是为了支持近期的需求。采购订单下达之后，一般来讲就很难改变了，因此从采购订单8月10日下达，到9月21日（下次到货的时间），这段时间就是供应的刚性期间，可以通过管理需求来匹配固定的供应，如果供应能发生改变（比如在不同的仓库、门店之间做调配），则管理供应来匹配需求。而从9月21日往后看，尚处于计划期间，计划期间我们要做的是计划需求与供应，让它们从时间和数量上做到在理论上匹配，此时供应和需求还有“无限的可能性”，对于波动并不敏感。

这样的运营、计划的过程循环是滚动的，同一时间段内同时存在两种过程。运营期间已经下达的订单、在途库存、已有库存很难改变，它们属于上一次计划的产物，而同时运营期间又在做着下一个期间的计划。下一个期间计划结束后，随着时间的推移，又进入运营期间，周而复始。

供应也符合80/20法则，20%的供应创造了80%的销售，稳住20%的重要商品的供应，就能稳住60%～80%的收入。控制供应的不确定性需要从两个角度着手：一是在计划期间，让远期的预测偏差随着时间的推移不断缩小，同时管理供应来匹配需求。二是在运营期间，如果供应无法改变，则管理需求来匹配供应；如果供应可以调整，则管理供应来匹配需求。

图9-4　不同时间段供应链管理的重点

1.滚动控制中远期供需差异1）满足基本需求的产品它们属于上一次计划的产物，而同时运营期间又在做着下一个期间的计划。下一个期间计划结束后，随着时间的推移，又进入运营期间，周而复始。

供应也符合80/20法则，20%的供应创造了80%的销售，稳住20%的重要商品的供应，就能稳住60%～80%的收入。控制供应的不确定性需要从两个角度着手：一是在计划期间，让远期的预测偏差随着时间的推移不断缩小，同时管理供应来匹配需求。二是在运营期间，如果供应无法改变，则管理需求来匹配供应；如果供应可以调整，则管理供应来匹配需求。

图9-4　不同时间段供应链管理的重点

1.滚动控制中远期供需差异1）满足基本需求的产品要控制这种波动有两种方式，一种是缩短供应周期，提高供需匹配的频率。试想如果每周能进行一次供应，那供应和需求不匹配的范围就只有7天，7天一个滚动循环，能够比较快速地把供需的不匹配从小处“烫平”。但如果每3个月进行一次供应，那供应和需求的不匹配范围就有3个月，不匹配的范围和可能性变大了，每次“烫平”时就需要付出更大的努力，一是要努力预测未来3个月的需求，二是要努力规划未来3个月的供应。我们都知道，往前看的时间越长准确性越差，当两者的偏差合起来时要“烫平”可就不那么容易了。当然这也和商品本身的生产和供应周期有关，一般实践中，1个月进行一次滚动的供需“烫平”是比较常见的（月度S&OP循环），而在电商和快时尚行业，每2周甚至每周进行一次“烫平”也是很正常的。

需求稳定时提供稳定的供应并不难，但是需求波动时要提供稳定的供应就会面临挑战。为了稳定供应，需要相对准确的需求计划，而要做好需求计划就离不开过程指标的监控，首先需要能感知到需求计划与实际的偏差率。实践中不少企业往往是单一地用最近一次预测和实际发货或者销售进行比较。这样很难说明你的需求管理到底做得好还是不好，因为一次数据的偶然性很大，同时看不出你随着时间的滚动是做得更好了还是更差了。为了更好地“烫平”，需要能够识别出哪些地方是凸起的，科学的做法是用瀑布式分析来看。表9-1的横表头表示时间，纵表头表示在不同时间点针对横表头月份所做的预测。假设我们站在2018年6月回顾过去6个月的预测情况，表9-1第二行代表了在2017年12月所做的针对2018年1～5月的需求预测，第三行代表了在2018年1月所做的针对2018年2～5月的需求预测，依次类推。浅灰色的格子表示实际的销售数量，深灰色的格子表示已经成为历要控制这种波动有两种方式，一种是缩短供应周期，提高供需匹配的频率。试想如果每周能进行一次供应，那供应和需求不匹配的范围就只有7天，7天一个滚动循环，能够比较快速地把供需的不匹配从小处“烫平”。但如果每3个月进行一次供应，那供应和需求的不匹配范围就有3个月，不匹配的范围和可能性变大了，每次“烫平”时就需要付出更大的努力，一是要努力预测未来3个月的需求，二是要努力规划未来3个月的供应。我们都知道，往前看的时间越长准确性越差，当两者的偏差合起来时要“烫平”可就不那么容易了。当然这也和商品本身的生产和供应周期有关，一般实践中，1个月进行一次滚动的供需“烫平”是比较常见的（月度S&OP循环），而在电商和快时尚行业，每2周甚至每周进行一次“烫平”也是很正常的。

需求稳定时提供稳定的供应并不难，但是需求波动时要提供稳定的供应就会面临挑战。为了稳定供应，需要相对准确的需求计划，而要做好需求计划就离不开过程指标的监控，首先需要能感知到需求计划与实际的偏差率。实践中不少企业往往是单一地用最近一次预测和实际发货或者销售进行比较。这样很难说明你的需求管理到底做得好还是不好，因为一次数据的偶然性很大，同时看不出你随着时间的滚动是做得更好了还是更差了。为了更好地“烫平”，需要能够识别出哪些地方是凸起的，科学的做法是用瀑布式分析来看。表9-1的横表头表示时间，纵表头表示在不同时间点针对横表头月份所做的预测。假设我们站在2018年6月回顾过去6个月的预测情况，表9-1第二行代表了在2017年12月所做的针对2018年1～5月的需求预测，第三行代表了在2018年1月所做的针对2018年2～5月的需求预测，依次类推。浅灰色的格子表示实际的销售数量，深灰色的格子表示已经成为历史，不需要预测了。

表9-1　按照时间来监控预测准确率

由于每个月都做一次预测，滚动做，因此可以测算出提前1个月所做的预测的准确率和提前2个月所做的预测的准确率，以及提前3个月所做的预测的准确率。站在2017年12月预测2018年1月的需求是提前1个月做预测，而预测2018年2月的需求则是提前2个月做预测，预测2018年3月的需求是提前3个月做预测。可以用MAPE（平均百分比误差）来测算一下预测偏差率，MAPE=ABS（F-A）/A，其中ABS为求绝对值的函数，F表示预测值，A表示实际销售，用1-MAPE来计算预测的准确率。通过计算得到图9-5，很明显提前1个月做的预测的准确率相对比较高。通过这样的分析，可以识别出那些滚动预测做得不好的商品，如果准确率没有办法在近期收敛，那就意味着较大的供应过多或不足的风险。

接下来可以按照商品毛利、销售额等区分商品的A、B、C等级，来识别出重要但同时预测准确度无法随着时间推移而收敛的商品，加史，不需要预测了。

表9-1　按照时间来监控预测准确率

由于每个月都做一次预测，滚动做，因此可以测算出提前1个月所做的预测的准确率和提前2个月所做的预测的准确率，以及提前3个月所做的预测的准确率。站在2017年12月预测2018年1月的需求是提前1个月做预测，而预测2018年2月的需求则是提前2个月做预测，预测2018年3月的需求是提前3个月做预测。可以用MAPE（平均百分比误差）来测算一下预测偏差率，MAPE=ABS（F-A）/A，其中ABS为求绝对值的函数，F表示预测值，A表示实际销售，用1-MAPE来计算预测的准确率。通过计算得到图9-5，很明显提前1个月做的预测的准确率相对比较高。通过这样的分析，可以识别出那些滚动预测做得不好的商品，如果准确率没有办法在近期收敛，那就意味着较大的供应过多或不足的风险。

接下来可以按照商品毛利、销售额等区分商品的A、B、C等级，来识别出重要但同时预测准确度无法随着时间推移而收敛的商品，加