小贴士　从数据里学什么：以发货记录为例

一谈起数据分析，人们经常抱怨的是没数据。就如一位职业经理人说的，公司多年来快速发展，都到千亿元规模了，还是靠“肩扛手拉”，从Excel到Excel，没有系统的历史数据积淀，也没有数据模型，怎么办？

其实一个公司数据再少，也不会没有发货数据，否则的话怎么跟客户收钱呢？那我们就以发货记录为例，光从这些发货数据中就能发现很多有用的信息，帮助我们更好地理解客户期望，判断供应链的绩效，识别能力短板。

先看发货数据汇总的时间单元，也就是说，是按周还是按月汇总发货量。在供应链运营上，周是个比月更理想的时间单元，是企业运营管理精细度的体现。管理能力越强，管理力度越大，企业的时间单元就越小，就越可能用周而不是月。试想想，如果以一个季度的需求历史为基准，预测未来的需求，一个季度有3个月，3个数据点能做什么样的分析？但如果分成13周，我们就有13个数据点，数据样本就更大，在数理统计上就更有意义。另外，按月划分，一个季度只有3个控制点，那就只有2次发现问题、解决问题的机会（第三个月的数据出来时，已经没机会改进了，因为季度已经结束了）；按周划分，就有13个控制点，意味着有12次发现问题、解决问题的机会。

讲到这儿，可能有人说，我们按天划分，不是数据点更多、更好吗？不过这样做可能分得太细了，需求的“杂音”可能会被不必要地放大，增加了数据分析的难度。比如我在看一个产品的需求历史，以寻找合适的预测模型。按周汇总，该产品呈现明显的下降趋势，尽管数据点只有6个；试着分解到天，就有42个数据点，虽然数理统计上有了更多的样本，但一周里不同日期的需求变动情况被呈现出来，让本来清楚的趋势中，增加了更多的变动性，看上去更像趋势中嵌套着“季节性”，分析难度大增（见图1-7）。

图1-7　需求按日分解，导入了太多的“杂音”，增加了分析的难度

对于很多企业来说，每周补一次货，周五送到，以满足下周的需求，所以按周汇总数据、做分析应该能够满足需要。当然，如果补货频率更高的话，比如每天都补货，那么需求历史就需要按日汇总，在预测每日的补货量时，也就不能忽视一周内的“季节性”。

相反，按月汇总数据，则可能掩盖很多本来不应该被掩盖的“杂音”，造成错误的决策。比如每月需求是100个，这100个集中在1个星期与平均分散到4个星期，对供应链的挑战可大不一样。如果按月汇总，我们看不出需求的波动；如果按周分解，需求的波动则能更清晰地反映在数据和统计结果中。

再看客户的期望，以及企业的实际交付能力。你问企业的管理者，客户对我们的期望是什么？大家往往各执己见，就是一笔糊涂账。那好，发货历史可以给你相当可靠的判断：客户订单是什么时候录入的（订单录入日期），客户希望什么时候发货（客户需求日期），我们实际发货是什么时候（发货日期），客户期望就是需求日期与录入日期的差值，录入日期与发货日期之差就是企业的实际交付表现。两者对比，你马上就看得出两者的差距，即客户期望与供应链能力的差距。

那如果客户的期望是3天交货，我们是平均5天交付，这差距是不是个问题？不一定。有些客户习惯性地“高要价”，比如今天下单明天要货，期待你3天后送来，供他们7天后用。有的差距却要消除，不能因为你一直不及格，就以为客户可以接受不及格——你可能因此在损失营收。怎么才能知道是否需要消除差距？你当然不用去问销售，发货历史就能告诉你，只要你进行分析的话。

比如对于客户A，从去年到今年，你的交付表现没有改变，但业务量却在增加——你知道客户的整体业务没增加，那意味着你的份额在上升，也意味着你虽然达不到客户的“期望”，但你的竞争对手可能做得更糟。相反，对于客户B，类似情况下，你的业务却越来越少，表明你的竞争对手可能做得更好，客户对你更不满意。作为后端的供应链，我们不是生活在前线的炮火中，不大直接接触客户，也对销售的“危言耸听”充满戒心，但佐以这样的数据分析，还是可以相当可靠地判断出发生了什么。

发货数据中还蕴藏着更多的客户信息。比如客户的订货习惯：每周还是每月下订单？是不是接受部分发货？这跟我们的关系可不小：如果是每月订货，而且不接受部分发货，那你就得备更多的安全库存来应对；如果订货频率更高，还接受部分发货，那么你可适当降低安全库存。背后的逻辑是，订货越频繁，需求量就相对越稳定，计划也就越容易做。

订货的频次也反映了客户的运营水平：运营水平越高，订货的频次一般也越高，订货量一般也越平稳，这些更可能是优质客户的体现。而习惯性地给你一个大单子，让你分N次送货的客户，就跟那些习惯于大批量运作的企业一样，往往在管理上也更粗放。这类企业呢，整体计划性往往有待提高——如果统计它们的急单比例，你就能够通过数据来验证。

从发货历史中，你还可以分析客户的集中度。摘取一段时间的需求历史，比如6个月，按照料号、客户、月份分解，你就能判断，对于特定的料号，是否有客户占了相当大的比例。如果有，这些客户就是“大石头”[1]，在进行需求预测和需求管理时就要特别关注，比如积极对接销售，了解信息系统外的信息；紧盯客户的需求变化，及时采取补救措施。在“大石头”的识别上，你得借助数据分析，而不是寄希望于销售，因为他们只知道自己的客户，并不熟悉别人的客户，没法告诉你他们的客户是不是“大石头”。

你还可以从发货历史中看需求的变动性。比如基于13周的发货历史，你可以计算每个产品的需求标准差，跟13周平均需求值相除，就得到度量变动性的离散系数或离散度。你马上可以看得出，不同料号的变动性大不一样，一刀切的管理方式比如都设置x天的用量作为安全库存，导致的结果就是要么多了，要么少了，短缺与过剩并存。你还可以设定一定的规则，比如过去4周的平均需求与过去8周的相比，上升或下降超过一定比例时，就需要额外关注等。

再看货是从哪里发出去的。比如对某个客户，企业默认是由最近的仓库A发货，但货物实际是从较远的仓库B发出的，那往往意味着仓库A的计划薄弱，没有备足货，造成更高的运营成本。或许有人会说，为什么不是客户需求问题呢，比如仓库B的客户调货频率高，每次调货量少，这样好对付，而仓库A的客户3个月不订货，一订就要3个月的量，谁都难应对，所以就不得不向仓库B借货，由仓库B发出？

那好，我们还是看数据。相同的料号，不同的仓库，计算需求的离散系数，这问题不就有了答案吗？你也用不着去问两个仓库的客服人员或者相应的销售人员，数据就放在那儿，答案就在数据里，你该先看看数据。

要知道，上帝只给了我们一张嘴，却给了两只手，就是让我们在动嘴之前，先动手分析数据。没有人比数据知道得多。如果你从数据中看不出什么，原因很简单，你的分析还没到位，最常见的呢，就是你还没有花足够多的时间来分析。

[1] 很多料号的需求分散到多个客户，每个客户只占很小的比例，就像一粒粒沙子，其需求变动经常互相抵消。“大石头”客户需求占比较高，一旦需求变化了，对全局的影响较大。