减少人为偏差 优化供应链预测——专访MIT供应链专家Jeff Baker

导读：

• 供应链预测普遍存在人为偏差,导致高额成本。这一偏差在当今动荡的商业环境下尤为凸显,亟需采取切实措施加以规避。

• MIT供应链管理专家Jeff Baker提出了三条优化预测的法则:对运行良好的预测不要轻易改动;采用Bias和Variance来量化偏差;运用"最佳、最差、最可能"三角分布刻画不确定性。

• 在实践中优化偏差,还需正视人性局限,打造问责文化,重构激励机制,强化跨部门协作。

• 面对不确定的未来,供应链韧性比预测准确性更为关键。韧性源于供应链透明化、多方案预案、数字技术应用,以及人才的跨界视野与创新素养。

• 拥抱不确定性,需要供应链人突破既有思维模式,以开放心态汲取各领域智慧,将预测优化作为一项永无止境的学习事业。

预测偏差的普遍性

麻省理工学院供应链管理专家Jeff Baker，在其长达25年的职业生涯中，深入观察到在绝大多数公司中，人为调整预测的现象屡见不鲜。虽然人的主观判断在预测过程中不可或缺，但由此产生的认知偏差、部门间的利益冲突，以及与预测模型相脱节的人为调整，常常导致供应链管理陷入难以预料的混乱之中。他坦言，过度依赖人的主观判断来调整预测，是一个经常被忽视但却代价高昂的问题。他通过研究发现，许多公司会手动修改大量产品的预测结果，但令人惊讶的是，其中仅有40%的修改实际上提高了预测的准确性，而其余的修改反而带来了不良影响。

这种预测偏差会给企业的运营带来显著的显性成本和隐性成本。以过高预测为例，它可能导致以下几方面的损失：

• 库存积压：由于过高的需求预测，企业可能会囤积过多的库存，这不仅占用了大量的流动资金，还可能面临库存贬值和滞销的风险。Jeff Baker估计，平均每产生10亿美元的销售额，就可能因过高预测而造成高达1700万美元的库存相关损失。

• 产能浪费：被夸大的销售预期会打乱正常的生产节奏，导致产能无法得到充分利用，进而摊薄固定成本并推高单位生产成本。

• 供应链波动：预测偏差的增大还会加剧供应链上下游的“牛鞭效应”。当失真的需求信息传递给供应商时，会引发一系列的连锁反应，使整个供应链陷入库存和生产的恶性循环中。

• 决策失误：在过高的预测下，企业可能会做出激进的决策，如盲目扩大产能或进行高风险的杠杆并购。然而，一旦实际需求不及预期，这些决策就可能导致企业陷入困境，严重影响其长期竞争力。

同样地，过低预测也会带来显性的机会成本（例如损失的销售量和市场份额）和隐性的信任成本（如供应商和渠道合作伙伴的信任流失）。但值得注意的是，过度下调预测虽然可以在一定程度上提高预测的准确性，却也可能导致销售机会的丧失，从而对公司的整体业绩产生负面影响。因此，企业需要在预测准确性和整体经营目标之间找到恰当的平衡点。

Jeff Baker还进一步指出，在人为调整预测的过程中存在一个有趣的现象：下调预测通常比上调预测更能提高准确性。这是因为当提出下调预测时，往往会面临来自各方的强烈质疑，这种质疑反过来又促使人们去搜集更多的决策依据。相比之下，当预测被上调以更接近年度经营计划目标时，却很少会受到同样的挑战。这实际上反映了人性的两大弱点：一是过于乐观的倾向，容易高估未来的增长前景；二是从众心理，即更倾向于跟随大多数人的预期而非基于客观实际的判断。

综上所述，系统偏差在供应链预测中广泛存在，且多数情况下表现为过高的预测值，这严重削弱了企业的运营效率和市场竞争力。而这一切的根源在于人性的局限性，特别是在当今这个快速变化且充满不确定性的商业环境中，这一问题显得尤为突出。在接下来的章节中，Jeff Baker将分享他多年来通过实践总结出的三条法则，旨在为供应链从业者提供减少预测偏差和优化管理决策的具体指导。

三大预测优化法则

面对普遍存在的预测偏差问题，Jeff Baker凭借其多年的研究和实践经验总结出了三条优化预测的关键法则。这些法则不仅为识别和量化偏差提供了明确的方向，也为如何在统计模型和人类判断之间找到平衡点提供了宝贵的指导。

法则一：对良好预测结果保持谨慎调整

Jeff Baker以半开玩笑的方式指出：“在预测领域，我们常说‘不要只是袖手旁观，要采取行动’，但有时候恰恰相反，对于那些已经表现出色的预测结果来说，‘不要轻举妄动，保持观察’才是更加明智的选择。”

他进一步解释道，当统计预测模型已经能够输出高置信度、低偏差的预测结果时，额外的人为调整很可能会引入“过拟合”的风险。特别是当这些调整缺乏充分的统计依据时，情况尤为如此。例如对季节性规律的主观臆测、对小概率事件的过度反应以及受到各种利益诉求的干扰等因素都可能导致人们偏离模型输出的最优解。

因此，Jeff Baker建议在实施任何人为调整之前先自问三个关键问题：首先，现有模型的置信度有多高？其误差率是否在可接受的范围内？其次，我所掌握的信息是否已经被模型充分考虑？是否有确凿的证据支持我的判断？最后，调整所能带来的收益是否大于其可能引发的成本？是否会因此引入新的风险？如果这三个问题的答案都是否定的那么最好不要轻易改动预测结果。

在实际操作中Jeff Baker发现针对需求预测的人为调整特别容易受到过度自信和从众心理的影响。“销售人员往往倾向于给出乐观的预测结果因为他们不愿意错过任何销售机会也不愿意承担因预测过低而造成的责任。而当乐观的预期在团队内部达成一致时再想要逆流而上降低预测值就需要极大的勇气。这也是为什么在实际操作中上调预测值的频率远高于下调的原因之一。”

法则二：将偏差具体量化为Bias和Variance

即便经过了深思熟虑的人为调整也可能产生不易察觉的偏差。为了更准确地衡量这种偏差Jeff Baker建议使用Bias（偏差）和Variance（方差）这两个统计指标来量化预测误差并进一步分析误差的性质和来源。

从统计学的角度来看误差可以分解为Bias和Variance两个部分。其中Bias反映的是预测值与真实值之间的系统性偏离而Variance则反映了预测值本身的波动性。在供应链预测中Jeff Baker发现人为调整更容易引入系统性的Bias而这种Bias又常常被人们所忽视。

例如销售人员习惯于将系统预测值上调以使其更接近年度销售目标但很少会考虑这种上调是否有充分的客观依据。Jeff Baker将这种行为戏称为“抢功劳”因为一旦销售结果超预期功劳往往会被归功于销售部门而一旦不及预期责任则会被归咎于系统预测的不准确。长此以往销售预测值就会系统性地高于实际客观需求但很少有人能意识到这种偏差的存在。

那么如何判断一次预测调整是过度乐观还是过度悲观又或者是合理范围内的不确定性呢？Jeff Baker提出了一个既简单又实用的方法：“我们可以将调整值与统计预测值之间的差异定义为调整量并在事后将它们与实际值进行比较。如果调整量经常大于实际的预测误差且方向一致那么这就是过度调整；反之如果调整量经常小于实际预测误差则是不足调整；如果调整量与预测误差大小相当且正负相抵那么这很可能就是合理范围内的不确定性。”

通过定期回顾和分析Bias与Variance的变化情况预测团队可以及时发现并纠正人为调整中存在的系统性偏差从而不断提高判断的准确性最终实现精准预测的目标。

法则三：采用“最佳情况、最坏情况、最可能情况”的三角分布来表达不确定性

在尝试对未来做出准确判断时我们往往很难给出一个确定无疑的数字但相对容易描述一个大致的范围或区间。基于这一观察Jeff Baker提出了采用“最佳情况、最坏情况、最可能情况”的三角分布来表达人类判断中的不确定性。

他解释说：“当我与销售和市场部门沟通并要求他们对新产品的需求进行预估时他们给出的往往是一个相对乐观的目标数字。然而这个数字背后隐藏着许多不确定性因素如竞争对手的市场策略变化、消费者偏好的转变等。为了更全面地揭示这些不确定性我会进一步追问他们关于最坏情况和最可能情况的预测值并通过三角分布来对这些情况进行建模分析。”

值得注意的是这三种情景的设定需要跨部门之间的紧密合作与沟通。Jeff Baker特别强调这并不是某一个部门能够独立完成的任务而是需要供应链、销售、市场和财务等多个部门共同参与集思广益才能完成的任务。“我会邀请各个相关部门从自己的专业角度出发对三角分布中的三个关键点位给出自己的判断。在这个过程中我们会逐一审视各方的假设条件充分讨论市场机会与潜在风险并最终形成一个综合平衡的三角分布模型。”

在建立了三角分布模型的基础上Jeff Baker还进一步引入了蒙特卡洛模拟方法来生成多个可能的需求场景及其对应的概率分布。“通过随机抽样的方式我们可以模拟出数百种可能的需求实现情况每一种实现都是基于一定概率加权的随机组合。这样一来原本单一的预测值就转化为了一个具有多种可能性的预测分布我们对未来市场的判断也从原先离散的点拓展为了连续的区间范围。基于这样的概率分布我们可以更加准确地计算出预期需求量、置信区间等重要指标从而为风险评估和库存优化提供更加丰富的数据支持。”

Jeff Baker提出的这三条法则不仅深刻地揭示了预测偏差问题的本质也为供应链管理实践者提供了极具价值的操作指南。然而想要真正将这些法则落到实处还需要我们正视并克服人性的局限性打破部门之间的壁垒建立起有效的激励机制和组织文化以培育出一种良性的预测修正机制。这将是我们在后续章节中需要进一步深入探讨的话题。

克服偏差，构建精准供应链预测

Jeff Baker提出的三大预测优化法则为供应链管理提供了宝贵的理论指引。然而，要将这些法则转化为实践成果，还需根据企业的具体情况灵活应用。谈及成功实施预测优化的关键，Jeff Baker着重强调了四点：清晰区分预测与计划目标、建立预测问责制、设计合理的激励机制，以及促进跨部门间的理解和互信。

清晰区分预测与计划目标

许多组织在制定年度计划时，容易将期望目标与客观预测混淆。Jeff Baker观察到，销售部门提交的预测往往更像是目标，因为他们不愿在年初就为自己设限。而财务部门为了预算的弹性，又会在销售预测的基础上进一步上调。这种目标与预测的混淆，是导致预测偏差的重要根源。

为了解决这个问题，Jeff Baker建议在S&OP（销售与运营计划）流程中，将预测与计划目标明确区分。他分享了自己的实践经验：在主导S&OP项目时，先由数据科学团队基于历史数据和外部信息给出客观预测，这个预测通常是18至24个月的滚动预测。这样的预测周期既能够捕捉需求趋势的变化，又不至于过于遥远而失去实际指导意义。在这个客观预测的基础上，销售、市场、财务、供应链等部门再根据各自的假设，如营销计划、新品发布、产能调整等，形成一个目标导向的计划。当新的一年到来时，这个计划可以直接对接到年度预算中。

建立预测问责制

许多企业并不缺乏智慧，而是缺乏有效的应用机制。Jeff Baker发现，销售人员往往能够敏锐洞察市场变化，但在预测中却难以体现这些洞见。这主要是因为缺乏一套合理的预测问责制度。他建议企业建立明确的预测问责框架，要求预测者在形成最终预测时，明确记录每一处人为调整的依据、假设条件和预期效果。同时，建立定期回顾机制，系统盘点各项调整的准确率，并总结反思得失。此外，将预测准确率纳入销售和运营团队的关键绩效指标，以激励他们主动寻求改进。

设计合理的激励机制

要真正消除预测中的偏差，单靠技术手段是不够的，还需要从人性诉求出发，协调各方利益，形成良性激励。Jeff Baker曾协助一家消费品公司重构销售预测流程，通过数据分析发现销售预测常常与销售目标惊人地一致。经过深入了解，他发现销售经理们担心预测数字会影响自己的销售任务和业绩评价，因此他们倾向于给出保守的“安全”预测。针对这一问题，Jeff Baker和公司高管共同设计了一套新的绩效考核办法：将预测准确率纳入销售团队的业绩指标，并与销售任务完成率形成均衡；同时，建立销售预测的容错机制，允许一定范围内的预测偏差，以消除“说实话”的顾虑。这一举措取得了显著效果，销售经理们开始更加关注预测的准确性。

促进跨部门理解和互信

要根本解决预测偏差问题，还需要打破部门壁垒，建立共同愿景。Jeff Baker建议通过跨部门轮岗、联合工作坊等方式，促进各部门对彼此专业视角的理解。他强调，预测中需要逻辑和感性的辩证统一。例如，可以邀请销售人员到供应链部门交流需求分析的逻辑，让数据分析师去市场部门学习捕捉客户心理的方法。此外，开展涉及多部门的预测竞赛也是一种有效的方式，让大家在友谊赛中建立默契和信任。

打造韧性供应链：拥抱不确定性，提升预测能力

随着市场环境的不确定性增加，单纯依靠预测已经难以应对瞬息万变的挑战。越来越多的企业开始关注供应链韧性的培育，希望在提升预测准确性的同时，也能打造一条灵活多变、快速适应的供应链。在这个过程中，数字科技固然重要，但更为关键的是重塑决策流程，打造学习型组织。

供应链透明化：打破信息孤岛

供应链上的信息不对称是预测偏差产生的温床。Jeff Baker发现，许多预测失误源于部门间信息共享不畅和缺乏全局视角。为了打破信息壁垒，企业需要构建一个共享的数字化平台，连接供应链各环节的数据源，包括销售点数据、物流追踪数据、供应商库存数据等。这个平台应该提供数据可视化和协作工具，方便各部门随时沟通、对齐预期。通过供应链透明化，企业可以实时洞察供应链的运行状态，及时调整自身计划。

制定多方案预案：将不确定性转化为机会

供应链韧性的核心在于面对意外变化时的快速反应能力。为了做到这一点，企业需要在事前针对影响需求的关键不确定因素制定多方案预案。这些预案不仅要考虑负面冲击，也要挖掘潜在机遇。例如，当市场需求超预期增长时，企业可以迅速扩大产能；当供应短缺时，可以找到可替代的料源；当油价波动剧烈时，可以优化运输模式。通过制定多方案预案，企业可以在应变时做到从容不迫，将不确定性转化为机会。

供应链人才培养：从需求响应到需求创造

未来的供应链管理者不仅要准确预测需求，更要主动创造需求、引领趋势。这对从业者的技能提出了更高的要求。Jeff Baker认为，供应链管理者必须具备全局视野、数字思维和创新意识这三大核心技能。为了培养这些技能，企业需要搭建人才发展的“双通道”：一方面设立正式的轮岗机制，让优秀人才在供应链不同岗位间历练；另一方面为创新项目配备导师，给人才提供挑战自我、崭露头角的舞台。同时，企业还需要营造一种持续学习的文化氛围，鼓励员工保持开放、谦逊、好奇的心态，不断汲取新知和启发。

Jeff Baker在访谈最后分享了他最喜欢的一句格言:"All models are wrong, but some are useful."这句话看似矛盾,实则道出了预测优化的真谛。是的,没有任何预测模型可以做到尽善尽美,因为未来总有"unknown unknowns"。但只要我们坦然接受这一事实,并在使用模型的过程中不断学习、迭代,总能找到一条逼近真相、造福决策的进化之路。这,就是供应链人应有的智慧与担当。