从数据预判需求：当天送货上门的秘诀

编者按：随着电子商务越来越发达，我们足不出户，也能买到各种商品。无论是日常生活必需品，快餐。还是其他商品，有时甚至是很偏的门类，下单后常常很快就能到手。亚马逊公司也宣布提供当天送货上门的快递服务。虽然这项服务只提供给Prime会员消费者。不过，我们可以切实的感受到供应链生态系统越来越完善。本文的主角——需求感应技术，或许会成为不同行业企业开启数字化转型的钥匙。 本文编译自strategy-business的原题为“The Magic of Predicting Demand from Data”的文章。

需求感知（Demand sensing）是实时互联供应链生态系统的的关键组成部分，能给数字转型带来强劲动力。

有时候亚马逊送货上门的速度令人称奇。不管你订的物件有多无人问津，亚马逊常常还是能承诺当日送达。这是怎么做到的？难道你有购买欲的种草物件，都已经聚集在自己附近了吗？这倒不一定。但是很有可能，亚马逊已经将你有可能下单的物件运到离你最近的仓库里，守株待兔了。

听起来很神奇，但"需求感知"这门技术已经存在并投入应用。需求感知利用新的数字技术来分析数据源，以找出潜在客户身在何方，什么时候会购买自己有兴趣的物件以及购买量，早在他们下单之前就都算出来。数据源来自商家的历史数据和其他实时信息。

在所有企业都面临前所未有的行业“动荡”的时刻，需求感知技术通过理解消费者行为及其对供应链的潜在影响，能帮助企业更了解消费者。“下单后即刻就能收货”，这一点在改变消费者对服务的期待上尤为重要。

这么一来，商家就能更快地将商品送到消费者手上，保持高质量的服务，提高销售量，并将少数卖不出去的货退给供应商。需求感知能保证供应链生态系统处于实时互联状态，将错误率降低45%。从我们的经验看来，这能大大提高效率，让服务更可靠，消费者更满意。

为什么现在出现这门技术？需求感知出现的基础离不开影响需求的新数据源、计算力的提升和人工智能。很多企业正使用需求感知来处理新数据，建立需求感知力，从而更好地理解消费者行为，并据此来“指挥”自己的供应链。

企业销售量越大、与客户距离越近，需求感知就越重要。所以零售商和快消品企业是第一批吃螃蟹的。但需求感知技术对其他行业的重要性也与日俱增，比如汽车、工业品、能源和制药企业。汽车制造业就能从不同的产品配置app中获取很多关于消费者偏好的有用信息，这些app能让消费者选择车辆的具体细节。

即使是在销量较低的行业，比如航空航天，需求感知也有其用处，可用于找到维修服务和零件需求。飞机引擎生产商能获得自己产品在飞行时的实时数据流，让他们能实时监测产品状态，进行调整，并设定零件库存量。就目前需求感知的接受度而言，企业分为两大阵营：自己利用开源算法（社区会不断有更新维护），在公司内部开发解决方案；直接使用从第三方数据挖掘和供应链专家的SaaS云解决方案。

瑞典能源集团Vattenfall和丹麦公司Orsted（曾用名 Dong Energy）开发了自己的解决方案——风能预测系统，从不同源头获取数据输入值，包括天气数据和传感器数据。这些数据用于丹麦周围北海的风力发电厂Horns Rev的运营。数据源通过神经网络（人工智能的一种形式）的处理，能发现最具影响力的参数，该参数会被用于预测系统。

将解决方案外包出去的企业也有很多，比如宝洁公司，多年来一直使用需求感知。 它利用销售点（PoS）数据、架上库存、仓库库存变动、分销商数据以及零售商预测等信息，所有这些信息都会每天输入到分析模型中。

德国零售商Otto投入使用的需求感知系统能为根据成百上千个参数，为每件商品创建每日预测。系统的主要目标是从巨量数据萃取精华，形成实时决策。Otto的系统在每件商品的预测准确度上有40%的提高，并且讲过量库存减少了20%.

很多企业都已经掌握了用于提高预测准确度的数据，其中很多企业也有足够的计算力以及必要的机器学习算法，有能力把手头的数据用起来。而那些无法独立完成预测的企业，找合适的企业将需求感知外包出去也是可以的。目前有一个日益明显的趋势，很多不相干的公司之间也出现越来越多的数据网络，让企业能获得本无机会得到的数据。比方说，如果机场把航程终点的客流量分享出去，这些数据就可能进入的士车公司或飞机生产商的需求感知模型。

但有一个底线，要想需求感知模型真的起作用，就必须投入时间经历去找出潜在的需求信号，把信号用分析引擎处理后，再将结果融入到供应链规划和执行中。

下图展示了在模型中有一定权重的四个比较宽泛的数据领域。分别是（1）结构化的内部数据，例如来自PoS系统，电子商务销售和消费者服务的数据; （2）非结构化内部数据，例如来自营销活动，店内设备和应用; （3）结构化的外部数据，包括宏观经济指标，天气模式，甚至出生率; （4）非结构化外部数据，例如来自连接设备，数字私人助理和社交媒体的信息。

通常，我们用算法处理这些数据，得出社交媒体的“情绪”分析，来确定人们发的内容是积极、消极还是中性的，从而了解消费者的感知。

当然，对于不同行业、不同地区，产品生命周期不同阶段或消费者类型，数据的应用方式不会一成不变。 这些因素的影响可能会随着时间的推移而变化，或在不同的环境下有所不同。 例如，一家全球零售商认为，当天气晴朗时，位于欧洲的商店的人流量会增加，这是因为天气好，人们会出去走走。 然而，在南美洲等地区，晴天里人流量增加，是因为商场里有空调。

这就说明一个关键问题，如果不理解背景，就无法正确应用数据。 但是，一旦理解了背景，这种理解也会成为其他活动的基础，例如，在新的数据驱动的商业模式设计和实施中。

需求感应应该成为实时互联供应链的一个组成部分。需求感应不是用来取代供应链需求计划的，二者并不矛盾，因为需求计划使用内部结构化数据（例如销售历史）来创建销售预测，需求感应能确实优化需求计划，使供应链对需求有更强的响应能力。

具体地说，需求感应能支撑短期计划的自动化，让供应链专家有更多时间制定中长期战略，并专注于预警和例外（例如意外缺货情况）。 如果采购，智能补货，动态仓储和实时生产调度等过程中，将需求感知的结果考虑在内，需求感知的价值就会最大化。

应用需求感知技术的可能带来很大的回报。 如上所述，跨行业经验表明，需求感知可以将预测误差降低35％到45％，从而提高预测精度。

这有三方面的影响：首先，由于脱销发生的次数减少，销售额会增加5-10％。 其次，由于人工工作量减少，至少运营成本降低5-10％。 第三，就捆绑资本而言，因为安全库存量较低，总体生产周期时长减少了10％到20％。

另外一个回报在于，需求感知因为很容易快速驶下，可以成为整个业务数字化转型的起点，并且可以很快就能产生实实在在的好处。 总的来说，公司数字化转型的动力既有的外部的“拉力”（例如消费者对即时订单履行等要求更高），又有技术的“推力”（实时数据的通用连接性和可用性）。 需求感知可以很好地开启了数字转型，因为它对于这两股力量都有帮助。

但是，需求感知的应用可能给数字化转型带来好的开始，不止是因为它带来的收益。因为需求感应可以快速证明其他新工具的价值，并且通常可以快速带来实实在在的好处，它还可以为整个企业提供早期的支持。 它可以提升我们所说的“内部自豪感”，为整个供应链的进一步数字化开辟道路，如融合规划和执行，供应链透明或智能制造 - 然后进一步创建以数据驱动业务的新商业模型。

那该如何迈出第一步呢？ 

任何企业首先了解自己有哪些数据可用，哪些数据点对消费者需求有潜在的影响。 一旦这两点得到确定，我们建议从小做起，但动作要快。确定一个有潜在需求影响因素的业务领域，至少有两年的数据。这可以是一个产品系列，如苏打水，也可以是业务的某个分部，比如在比利时的零售点。 测试一下流程，找到具有最高的预测价值和时间跨度的数据源，然后去除影响不大的数据源。

应用需求感测算法和机器学习，先用第一年的数据来构建引擎。 然后假设自己不知道第二年的情况，对比第二年的真实数据与算法给出的预测，并作出调整。 算法给出的预测与真正发生的情况有怎样的区别？算法学的越多，预测就越准确。 如果有越多年的经验和更多的数据源，效果就越好，这样你的引擎能得到更精准具体的数据。

从可以快速获得结果的小范围业务开始，降低区域和市场特定差异的复杂性，并好好利用第一次迭代得出的经验教训。

市场情况变化迅速，保持灵活性和应用迭代过程也至关重要。 随着时间推移，一些数据有用性减小, 也会有其他新的、未知的数据来源将出现，可以根据需要添加。

然而，在许多公司在采用需求传感技术时，会遇到一些阻碍。 一是，公司领导人根本不知道它能提供的价值。 对于这样的企业来说，至少应该运行上面描述的那种原型，看看将可用的数据利用起来，能提供什么样的价值。

另一个障碍是许多公司对于自动化系统非常警觉。 这是有道理的。 毕竟，公司已经聘用、培训培育了最好的人才。 但人类在处理大量数据，以及在规划对目前供应链需求时考虑相关因素时，实在能力有限。而处理这种复杂性正是机器擅长的。

并行测试是培养信任的好方法。 在有可用历史数据的业务上，对比分析模型给出的结果和人类当时的预测结果。

无论如何，规划者都有权否定系统的结果。 你可以稍后再比较系统和人的预测，看哪个更准确。 最重要的是，自动化系统能经验和人力投入中学习，不断调整算法，时间越长，预测会变得越准确。

在接下来的几年中，任何企业如果希望保持或扩大其当前市场地位，都需要接受需求感知为支撑的实时互联供应链，才能持续提供可靠的服务。 传统模式依赖的是对历史数据的统计分析，但是现在市场变化速度太快，影响因素太多。

需求感知能带来的好处，本文只是稍作概括，这只是一个开始。 需求感应为更广泛的数字化转型奠定基础，实现端到端供应链确实互相连接，需求感应不仅在采购，制造，仓储和分销方面带来巨大利益，而且为数据为动力的新商业模型打下基础，建立一个企业与消费者互动增加的模型。

如果采用需求感应，能带来很多收益，那么不用这门技术，企业会失去更多。 随着需求感应逐渐进入目前尚未开发的行业，这些行业的早期采用者市场地位将迅速提高，而没能抓住机会的企业会落后，最后可能发现就永远掉队了。

 原文链接：https://www.strategy-business.com/article/The-Magic-of-Predicting-Demand-from-Data

编译组出品。编辑：郝鹏程