导语
华南零售行业全渠道联盟,简称“南零商盟”,华南时尚行业CIO联盟和广州鞋服行业信息化联盟、华南CIO联盟、华南智慧商品联盟唯一联合指导交流社群,汇聚服饰、时尚行业新零售全渠道搭建双方的精英联盟;
| 专心 | 专业 | 专研|
时尚行业信息化第一微信公号
第108期“南零商盟”微谈会于2019年10月24日晚上8点正式开播,本次分享嘉宾是来自智能供应链专家时永军总为大家做“计划预测和项目管理经验分享”。
嘉宾介绍
各位南零商盟的大伽们晚上好,今天是1024节,咱们IT的节日,首先祝各位节日快乐,感谢黄河总的邀请和董秘书的主持,今天给各位CIO做一次个人经验分享。
今天分享主题是计划预测和项目管理的经验分享,分享内容分成三部分,第一部分是个人介绍,第二部分是计划预测方面的经验分享,第三部分是项目管理经验的分享。
本人有16年的职业生涯,本科毕业于东南大学,MBA毕业于中山大学,曾任职采埃孚电子事业部亚太区IT经理和德国巴卡维管理咨询公司,从事智能供应链的方案设计和落地实施,现在在一家美股上市的公司从事离散制造业智能工厂的解决方案研究和规划设计,主要从事的行业有电子、汽车零配件、机械、家电等行业,也曾短暂进入过快消行业。
计划预测广泛应用于各行各业的供应链,当然行业不同,计划预测的方法肯定也不一样,今天我主要分享的是售后服务行业当中的计划预测,和零售行业中的成品计划预测还是有一定区别的。
售后服务行业现在面临的主要压力,一个是经营提效的压力,还有用户满意的压力,供应保障的压力以及物流配置、客户降价的压力。如果我们要提供比较好的售后服务能力,就必须有比较优秀的维修技术,优质的服务态度,还有及时的备件保障。售后服务越来越被各企业所重视,也是企业品牌核心竞争力之一,在这目标下,就得提高备件供应能力,不断缩短备件采购周期,还有合理的备件库存分配,以及高效的备件物流网络等等。
这些能力都有一个前提,如果计划人员有好的计划预测结果,那后面任务都不是大问题,问题现在售后服务行业当中,计划预测还普遍存在三大痛点,第一是很多计划人员缺乏科学决策技能,比如说他缺少预测方法,更多的是利用经验,以前我怎么做,现在也就是参照以前的经验来做,还有缺乏考核机制,对预测结果不负责,比如说预测结果偏离度高还是低,平均绝对误差值低或者高等。
第二就是处理流程,现在很多计划人员是手工用文件预测,比如说用Excel文件利用公式给出一些预测结果,但历史异常数据值没有有效剔除。此外缺乏需求预测支持的信息,比如说成品销售方面的趋势数据,对新产品推出或者发布之后市场的表现缺乏清晰的认识。还有就是企业内部的系统集成度比较低,存在信息孤岛,导致信息内部流通不畅。
第三在预测算法方面,首先是很多预测算法没有强大的异常检测机制能够把异常数据踢出来,或者进行优化。其次是预测方法比较少,都是使用比较简单的预测方法,可能很多只有一到两种预测方法。第三在系统上扩展或者配置预测算法逻辑非常困难,或者说加入这样算法之后,成本比较高,第四是使用Excel预测方案比较死板,缺乏弹性,导致计划人员按照一个比较固定数量进行采购。
可以改善供应商绩效,降低库存水平,减少缺货次数,增强运营计划,提高客户服务水平和满足率,提高经营利润等等,最终提高我们的经营利润,极大的改善企业在库存资金占用压力,减少备件缺失导致退机损失,赢得消费者的服务满意度口碑,还能提高备件的销售额,增加企业的销售利润。
但是预测计划怎么做呢?或者说市场上有很多计划预测的软件,是怎么去选择呢?下面我给大家讲一个好的计划预测系统,必须包含如下的内容:大量的产品参数、计划参数、财务参数和考核目标等。
比如说上面的图,我们除了有市场所需要的一些数据外,还需要有预测场景,即对应产品所在的生命周期阶段不同,预测场景肯定是不一样的,比如说新产品,跟已经上市销售一段时间的产品,还有已经退市的产品,这些产品所面临的销售增长点和后面要预测的趋势都是非常不一样的。另外,还有预测结果,即业务目标和财务考核目标结合在一起,才能保障预测软件在使用的时候能够达到企业管理要求。
刚才说的预测参数,好的预测系统会用到很多参数,比如说产品的SKU特性、销售数量、平均周转次数、包装参数还有历史统计,这些值都有可能会用到未来的预测当中,还有产品的市场数据、研发参数、什么时候搞过促销,以及定价的策略等。财务数据就更不用说了,要做预测,肯定要跟每年度的预算结合起来,和定价、成本利润率等指标结合在一起,这样保障预测软件的使用能够达到管理目标。
此外还有两个参数,一个是分配,就是说我们渠道是如何分配产品,还有渠道计划是怎么做,另外一个是其他产品特征数据,产品分类有哪些,产品的属性,比如说产品属于什么样的产品线等。
关于场景,首先我们需要对生命周期比较熟,也就是说产品是有生命周期的,从研发、上市、成熟,下市一般分为四个阶段,除了研发阶段不需要做计划预测,其他的三个生命周期阶段都需要做预测,比如说我现在给大家发一张图。
从图中我们可以看出,上市期的产品销售数量和持有数量是急剧增加的,增加速度非常快。而成熟期的销售数量和持有数量是相对比较稳定的,就是说销量也比较大,但是波动不会很大,增长不会那么快。在产品的换代期,即退市期,销售数量是逐渐减少的,持有数量缓慢下降,但不会减少得那么快,衰退时间比较长。所以说针对每个生命周期的销售特点不一样,我们就不能套用历史数据进行模型计算来做预测,而需要根据不同的阶段使用合适的模型,然后做相对应的预测计算,针对不同生命周期阶段的产品,当然需要不同的预测方法。
新品期的预测相对简单些,通常新产品预测需要利用到的数据有,销售或者生产的计划数量,及根据研发的初始故障率,根据上述2个参数就可以简单算出新品上市周期可能会用到的备件数量。
滚动成熟期阶段利用统计学方法会比较多,需要用到的数据也会比较多,比如用到销售数据,即备件销售数据、平均故障间隔时间,还有很多历史数据,比如说成品销售历史数据、备件采购历史数据等。当然还有市场上的机器安装数量,以及机器使用率大概是多少,这些数据都是需要进行统计的。
而针对停产期,即下市期的一些备件,需要用的数据有备件是什么时候停产?什么时候停止产品服务?以及产品衰退率,也就是产品是什么时间开始衰退的?供应商甚至供应商的供应商的零件停产日期是什么?
备件的预测方法,针对不同产品的生命周期阶段要用不同的预测方法,预测方法主要在特点、数据要求以及关键性的成功因素,我都放在图片上,大家可以看一看。通常来说,新品期的预测要求不高,因为不管怎样,产品上市后肯定需要大量的备件去保障产品的维修,即使计划人员不小心多备了一些,后面肯定能消耗掉,唯一要注意的就是产品备件的版本一定要保持一致,即备件的版本号要保持正确,新产品服务清单要及时更新,市场上知道备件清单版本更新到哪一版,不要用错了零部件,否则就会导致配件不匹配。
成熟期的产品预测需要利用各种统计学模型,根据需求特点不一样,选择的模型也不一样,统计模型介绍在国外的研究案例比较多,国内也比较多,大家如果有兴趣的话,可以在知网上面搜索产品预测的相关论文看看,这样可以快速帮大家提高对预测模型的认知。
上图可以看出,成熟期产品有哪些特点,比如说成熟期时,产品的销售额有上升的、快速波动的、不规则的、下降的、滞留的,包括在下降期时,可能还会有些间断性的特点。所以需求特点不一样的产品,需要使用的统计学模型肯定就不一样了。
我给大家整理了一些统计学模型以及它所对应数据特征的说明,比如说针对销量比较稳定的、波动性不高的,使用简单移动平均的方法来做需求预测。如果说针对波动性比较大,甚至有季节性的,比如说空调到了夏季可能销量特别高的,这种就需要有些类似指数平滑的算法去做一些应对季节性的需求变化,把预测和趋势当中的每一个预测点进行调整,使预测结果能够更加符合整个实际波动的趋势。另外针对间断性需求的预测方法,比如说Croston的间断性需求预测方法,就会将需求区间和需求分离,用指数平滑法分别计算需求区间和需求,这适用于服从正态分布、需求间隔比较稳定的需求,这些预测结果就会相对比较好一些。
对于用户来说,肯定不希望由人手工去选择模型,因为很多用户对这个不是很了解,也不是专业学统计学的。所以最好由系统自动匹配预测模型,这样才能把预测模型应用于企业实际工作当中,也就是说好的计划预测软件,是不存在上面说由用户去判断应该用什么模型,系统会根据数据的历史趋势自动结合多种模型进行运算,然后计算出结果去帮助用户选择最合适、准确率最高的预测模型。最后再利用预测模型给出未来三年的预测结果,可能按月、按周给出的预测结果。那系统是怎样匹配最优的预测模型呢?其内在逻辑是什么?下面我来给大家讲一讲。
上图左上角的小图,说明预测系统需要历史数据,不管什么样的预测模型都需要大量的历史数据,历史数据越多,相对应的预测结果就越准。比如预测模型运算基于五年的历史数据,它会去运算前五年到前一年之间的历史数据趋势,拿这部分数据去预测过去一年所产生的预测数据,然后再拿预测数据跟实际历史数据进行比对,比对后,如果发现在过去一年当中某个预测算法所得到的结果最匹配,它就会选择这个预测算法,用这个算法再去生成未来3年甚至未来五年的预测数据,精确到每个月。当然这个预测数据不是生成之后就永远不变的,它会定期进行更新。而且每个物料的最佳预测算法都可能不一样,因为每个产品或者物料的销售特点不一样,所以预测所用的模型肯定不一样,预测肯定要经常运算,不可能一次就好,而且需要有时加入人工进行优化,未来加入机器学习的方法后可以减少人工干预的程度,达到比较理想的结果。
计划人员需要定期查看系统更新的预测结果,还需要不断调整预测结果及历史数据,剔除干扰值,使其更符合企业实际运营的情况。如果十分依赖系统,希望得到的预测结果是100%准确,现在很多软件都没有办法来实现。根据应用的经验来看,系统的预测准确率大概只有百分之七八十,结合人工优化,我们可以拿系统生成的预测结果去制定计划采购数量,也更加符合企业的实际情况。
此外计划预测系统还能够有多种计划参数设置方式:1,系统能够根据单个物料、场景(型号、价值、生命周期等分类)、全局进行参数设置。2,优先级:系统考虑优先级应该根据单个物料参数->场景参数->全局参数的方式。3,能够自动触发报警或采购、安全库存自动调整。
通常主要的功能有,对重点物料进行关注,给予优先的地位。因为根据二八原则,把80%的精力放在需要重点管控的20%物料上,让系统给出的预测结果更加准确。对80%价值不太高的物料不需要太高的关注度,预测结果的准确性也不需要多高。还要自动触发存报警或者采购,通过这个功能,系统自动调整安全库存水平值,还有库存总体储备量。
除了刚刚我说的那些功能之外,一个好的计划预测软件,还需要有多种的预测模型,应对不同销售特征的产品。此外还要适应企业的多级库存情形,如果系统只能自动计算一个地方的库存,针对大型企业就不适用。大型企业的产品很多都是放在不同的地方或者仓库,可能是中央仓库,区域仓,还有本地仓库。举例来说,部分产品可能在本地仓库存放比较多,区域仓、中央仓存储比较少一点甚至没有,系统需要能够通盘考虑库存情况,如本地仓库有很多库存而中央仓库没有库存的备件,中央仓库就暂时不需要制定进行采购计划,否则就会造成库存的积压。
还有库存能否充分被利用?体现在整个库存体系当中就是库存调拨,从本地仓库调拨到区域仓库甚至中央仓库,一是可以节省时间,因为从本地仓库运输到其他仓库所需要的时间,肯定比你重新采购下单,供应商重新生产的时间要短,二是它可以清理呆滞库存,防止我们的库存产能积压,甚至导致库存过期报废。
预测系统说还有一个功能比较实用,那就是为下级仓库自动补库的功能,结合下级仓库的预测未来需要采购数据,再依据下级仓库库存、在途库存等数据自动为下级仓库生成补库的数量及生成一个向上级仓的采购计划,发送给上级仓库。同时上级仓库或中央库存,根据下级仓库的库存补充计划,自动生成向中央仓库或供应商的采购数量,并能生成对应的采购订单,这样会极大提高计划岗位人员的工作效率,同时为企业优化计划人员数量提供条件。
如果说找到一款好的计划预测系统,那项目就差不多成功一半了,成功的另一半就来自于系统实施过程中的项目管理。就是说,我们在系统实施过程当中如何进行项目管理,就这些年当中我做过的一些项目管理经验,给大家进行分享。各位可以对比一下现在正在做或者即将做的项目,看还哪些地方存在不足,现在补救还能来得及。
项目管理,我主要把它分成有七个方面,第一个方面是项目治理,然后第二个说的是项目的准备程度,第三个就是我们软硬件系统的准备程度,第四数据要求,第五项目资源,第六项目目标和收益,最后是上线之后的支持。
就项目治理来说,项目高层委员会的持续关注和参与度非常重要,没有高层参与的项目成员动力可能没有那么足,会导致内部协同出现问题。其次项目风险的控制,遇到风险时如果我们不能及时应对,制定改善措施,那项目可能就会失控,甚至最后的结果就是失败。
第二业务准备程度,企业的业务是不是做好了准备?是不是做好变革的准备?我们能不能清晰的界定组织的职责?以及我们项目团队,是不是能够保持稳定?比如说我们的项目团队不停的换人,不断有新人进来,有经验的人出去,如果存在这样的情况,那么项目成功率就比较低了。
第三是软硬件系统的准备,项目的实施方案的选择和决定,是按自己的经验来选择,还是说按照专家的经验来选择?在企业内部有很多系统,但是大部分都是信息孤岛,那信息系统的集成程度需要进行仔细考虑。我们是不是一开始就要把所有的信息都进行集成?系统集成难度,集成的工作量大小,集成所需要的时间,是否都进行充分的评估和考量?不能为了追求快而全,导致项目质量不高,项目后期导致无法收场。
第四个是主数据,在企业里面,主数据的管理和标准化是否都做到了?如果说数据还没有标准化,各个系统之间的数据存在很多不一致、打架的情况,那么在系统集成时就很难进行数据利用和融合。其次,预测系统需要大量的历史数据,也就是说企业能不能提供预测系统所需要的各种历史数据,还有各种产品的参数,财务参数等?这些数据是否都已经存在对应的系统中,还是说只是部分拥有?最后就是数据治理和数据质量,项目上线之前需要对数据进行大量的清洗,谁来做数据的识别和清洗的工作,业务还是IT?如果做不到剔除不合格的数据,保留有效数据,对于预测系统来说,就没有办法给你预测准确率高的一个结果,对后续业务就不存在指导意义。就如同企业上ERP的时,进入到ERP系统的数据是垃圾,那么反馈的结果基本上也是垃圾。道理是一样的。
第五项是项目资源,包含项目团队成员的能力,以及如何进行筛选团队成员和搭建团队?项目团队的成员能力,当然肯定业务和技术水平越高越好,当然不可能全都是最优成员,也是存在一些是比较弱的成员,那就要给他们多一些培训,让他能够很快的成长。举例来说,有一个项目是让业务外行来领导项目,导致进展非常不顺,项目控制基本没有,所以项目实际管控者必须既熟悉业务,也要懂项目管理,对项目里面的重要事项都要事无巨细,切不可全程丢给乙方做甩手掌柜。
第六项是项目的目标收益,就是说,项目立项时都会有预算和成本考核,还有项目的收益达成率。对这些指标,最好是能够进行量化。如果没有量化指标的话,那最终在项目汇报时,很难给上级比较满意的结果。
最后是系统上线后的支持工作,对于用户来说,用户的接受能力怎么样?业务和系统培训是不是到位?以及系统上线之后是否稳定?这些因素都会制约着系统上线后的使用,现在很多企业里面会出现这样的一种情况,用户是制约着系统实施和运行的最大障碍,因为这个企业的用户普遍接受能力差,对业务不熟练,经过多次培训,效果不是很好。计划预测系统需要用户具备知识面广,对业务非常熟悉,如果不能很快适应一套新系统,会导致新系统推广应用缓慢,业务开展不顺利。
上述的七个方面,是我在项目中总结的一些经验,给各位大咖和行业精英做一个参考,抛砖引玉,也希望和大家多一些交流的机会。今天是第一次分享,可能分享的不是太好,请大家多多拍砖,多多包涵。
注:以上内容摘选自南零商盟分享会,转载仅限学习分享;
如产生版权问题,请联系我们处理;
文章不代表”华南时尚行业CIO联盟“立场!
本篇文章来源于微信公众号: 时尚消费品行业CIO