从数据入手不仅仅是收集数据，更重要的是分析数据，从数据中发现规律，指导后续工作。 这是我从雀巢一位规划总监的报告中了解到的（如图）。
我们先来说说数据。 雀巢的需求计划将数据分为三个层次：交易数据、计划数据和外部数据。
交易数据：这是操作级数据，例如订单、工单以及产品进出数据。 这是ERP中最原始、最基础的数据，也可以说是我们在信息系统中留下的每一个足迹。 例如，在ERP软件SAP中，物料的每一次移动、由谁进行、从哪个仓库到哪个仓库都有清晰的记录； 客户订单何时收到、何时发送等，也是典型的交易数据。 提供完整的交易数据是ERP系统的优势。
规划数据：交易数据不能直接用于规划，需要进一步整理和清洗，比如按日、周、月汇总需求历史，按产品线、产品、SKU分解，一次性剔除需要。 依此类推，它就成为用于规划和进一步数据分析的数据。 计划数据还包括主数据，如采购提前期、最小起订量、供应商等。计划数据的信息来源是ERP系统，但往往存储在专门的计划系统或单独的数据库中。
外部数据：来自第三方，比如电商平台、销售终端等。这种外部数据更真实地反映需求，对程序更有价值，当然也更难获取。 此外，行业研究和第三方数据也被视为外部数据。 例如，一些企业在推出新产品之前，会参考行业研究数据来确定潜在市场的规模和可能的份额，从而确定新产品的预测。
从数据开始=数据+分析
资料来源：雀巢如何为 ，Gléron，和 S&OP，2018 年。
随着公司规模越来越大，没有人知道真相； 真相就在数据中。 当然，在不确定性法则下，我们可能永远不知道真正的“真相”； 真理是相对的，更重要的是，它是大多数人认可的真理。 没有共同的数据，就没有共同的真理，也就没有协作的基础。 规划数据就扮演着这个角色。
据说，“规划数据”不仅供规划职能使用，而且还供规划部门使用。 每个管理者都在做计划，尽管他们的头衔和职能中不一定有“计划”这个词。 例如，生产需要利用计划数据来规划未来的生产能力； 仓储需要利用规划数据来规划仓库容量； 物流需要利用计划数据来计划物流成本； 采购需要利用计划数据制定采购计划并与供应商进行谈判。 价格; 财务还使用规划数据来模拟现金流； 销售当然要利用规划数据来预测收入，及时安排促销、活动等。
对于企业来说，一个很大的挑战是拥有统一的交易数据，因为那是ERP系统的原始记录； 但没有统一的规划数据，各个职能各行其是。 小企业如此，大企业也不例外。 比如有一家百亿级别的电子产品公司。 总部和每个战区使用不同的数据。 销售、产品、规划和供应链也使用自己的数据。 当然，金融有自己的数据。 数据来源和格式不同，需要花费大量时间来确认数据，效率低且难以沟通。
例如，销售使用收到订单的日期来识别需求，物流使用实际发货日期来识别需求，需求计划使用客户的需求日期来识别需求。 一个简单的例子是，客户在2月15日下了100件的订单，并在3月15日订购了。 我们实际上是在4月1日发货的。 那么按照上面的逻辑，销售会把这100台的需求分配到2月，计划分配到3月，物流分配到4月。 这些功能之间的通信将非常困难。
解决方案其实很简单：建立统一的规划数据，形成跨职能的通用语言。 谁将带头？ 规划职能，就是总部规划。 就像我们在电商公司做的事情，计划和财务协同（计划最熟悉ERP系统，财务数据最可靠）。 根据客户订单级数据，建立通用的计划数据库，并放置在统一的服务器或云端。 所有功能均已使用。
这里的基本假设是客户的订单数据是真实的，比如什么时候收到订单的，需要什么产品，多少，什么时候，价格是多少，什么时候发出的，因为这是要从客户那里收账的。客户基础是销售、客服、物流、财务等部门所依赖的。 在这样的原始数据的基础上，按照不同的时间、产品、地区、客户维度等进行细分（就像Excel中的数据透视表），就成为不同职能共享的数据。
在这家电商公司，我们计划每周安排专门的人定期将前一周的数据添加到数据库中。 不同的职能部门、总部和商店都使用相同的数据。 从管理角度来看，每周更新可以满足大部分功能的时效性要求。 当然，对于日常补货之类的活动，更新的频率应该更高一些，比如每天，这样每次更新的数据就会更少。
共同的规划数据不仅减少了职能部门、总部和分支机构之间的沟通成本，还降低了原始数据出错的概率，提高了决策质量。 根据这些数据，规划者就像医生看病一样。 他们首先分析已经发生的事情（现状），然后分析可能发生的事情（预测），最后提出指导性建议（行动计划）。 它们分别被称为描述性分析、预测性分析和暗示性分析，构成了“从数据开始”的三大分析。
描述性分析：现在是什么，或者已经发生了什么。 例如，用折线图判断需求历史是否存在趋势、季节性、周期性等； 使用标准差、离散度、最大值和最小值等来确定需求历史的变化性。 至于平均值、中位数、众数等，也是帮助我们了解需求规模的常用指标。
预测分析：会发生什么。 在描述性分析的基础上，使用数理统计模型来预测可能发生的情况。 这是数据分析和未来预测的核心。 后续的逻辑就是需求的连续性、相关性等。比如需求是季节性的，可以根据过去的数据来预测未来几个季度的需求。 值得注意的是，预测分析是基于数理统计的，例如需求将落在某个范围内的概率。
提示性分析：这是基于前两者的推荐行动方案。 用医生的比喻来说：描述性分析就像“望闻问切”，预测性分析就是预测病情的走向，暗示性分析就是开药。 描述性分析侧重于“发生了什么”，预测性分析侧重于“可能发生什么”，暗示性分析回答“做什么”的问题，并针对不确定的未来指出某些特定的行动计划。
作为规划者，无论做什么样的数据分析，都应该以假设为驱动，在业务指导下，为解决业务问题而分析，而不是为了分析而分析。 这也是规划师和分析师的一大区别：规划师一般都有业务背景，往往会从业务角度进行假设，数据分析更有针对性； 而很多分析师虽然有很强的IT背景，但是没有需求预测或者库存计划等方面的实际工作经验，结果是虽然做了很多分析，有很多报告，但是并没有解决任何问题。问题。
[学员问]数据很多，乱七八糟，不知道从哪里开始。 我应该怎么办？
【刘保红解答】对数据做一系列数据透视表，按客户细分，按地区细分，按月周细分，按产品和SKU细分，求平均值，求标准差，做统计13周或12月的频率[1]，做一个折线图，你总会发现有规律的东西。 企业数据不会乱七八糟； 企业数据总会有一定的规律性。 我们之所以感觉一团糟，很可能是因为我们花的时间不够。
借用诺贝尔经济学奖获得者科斯的话来说，只要你折磨得够久，数据总会坦白的[2]。
【学员问】怎么知道数据分析到位了？
【刘保红回答】你投入了足够的时间，发现了规律的东西。 无论谁挑战你，你都可以为自己辩护。 有了“千人千面，我去”的魄力，你就知道数据分析到位了。 。
[学员问]没有准确数据怎么办？
【刘保红答】是的，没有准确的数据可能会让我们的准确率降低几个点，但一般不会造成灾难； 拍拍自己的头，或者因为没有完美的数据而没有计划，更有可能导致大错误。 。 很多时候，预测的目标是避免大错特错，不完美的数据是可以接受的。 另外，数据不可能是完美的，不完美的数据也比没有数据好； 分析不完美的数据比根本不分析数据要好。
摘自《供应链三道防线：需求预测、库存计划、供应链执行》第二版，刘保红着。
以下是培训信息，不感兴趣的可以跳过。
------------------
我围绕我的畅销书系列开发了 5 门高级课程，已推出 445 次。 3月培训地点为上海、深圳，报名正在进行中。
1.供应链管理：高成本、高库存、重资产的解决方案（上海3/15、深圳3/22）
经济低迷、增速放缓，成本压力大、库存高、投资回报低等问题更加突出。 本次培训从供应链整体角度提出系统化解决方案：（1）控制复杂性，提高规模经济，降低产品成本； （2）完善规划，有效匹配供需，降低库存和运营成本； （三）聚焦核心竞争力，外包非核心业务，走轻资产路径，降低固定成本。
2、需求预测：供应链第一道防线（上海3/13、深圳3/23）
计划是供应链的引擎，需求预测是计划的龙头。 本次培训旨在解决三个问题：一是如何做好需求预测，避免大错，精益求精，争取首单精准？ 其次，由谁来进行需求预测，以便销售和运营能够更有效地衔接，提高预测的准确性？ 第三，如果预测错误，如何建立滚动规划机制，尽早发现并尽快纠正和补救？
3、库存计划：供应链第二道防线（上海3/14、深圳3/24）
科学合理地设定库存水平，将正确的库存放置在正确的地方，是提高服务水平、降低库存和运营成本的关键。 这就要从库存的“七点管理”和“三点技术”说起：第一，库存要么是天使，要么是魔鬼。 多少合适？ 其次，库存计划是一项技术性工作。 怎么做？ 第三，如何改变组织行为、减少不确定性、缩短周转周期来控制总体库存？
4.供应商管理：从业者的视角（上海3/16，深圳3/20）
为什么要“选择和管理供应商； 谁选择谁就被管理”？ 如何形成跨职能、跨层级的合力，有效管理“有能力但有气质”的战略供应商，整合“没气质但没能力”的一般供应商？ 如何打破质量差、价格低、价格低、质量差的循环？ 如何管理客户指定供应商和重点下属供应商？
5、采购职能建设：从“小采购”到“大采购”（上海3/17、深圳3/21）
随着轻资产化的进程，企业对供应商的依赖程度越来越高，采购成为一种战略职能。 需要从订单运营层面的“小采购”上升到以战略采购和供应商管理为重点的“大采购”。 本次培训聚焦“大采购”的职能转变、组织建设和绩效考核，兼顾采购的集中与分散，帮助企业成功实现采购战略转型。
培训详情及企业团体优惠请联系助理吴珍珍（微信同）。
[1] 13周频率是过去13周内有需求的周数，稍后会更详细地解释。 12月的频率相同。
[2] 英文原文：“If you , it will”。 ，摘自，。
