3、数据驱动思维：从经验驱动到数据驱动的转变，数据在需求预测中的核心作用，数据成熟度评估
需求预测的演进，本质上是一场决策依据的迁移。传统模式下，预测依赖计划人员的直觉、历史惯性及销售反馈的“经验驱动”；而现代供应链的复杂度、SKU数量级与响应速度要求，使得经验判断的局限性愈发明显。数据驱动思维并非完全否定经验，而是将经验转化为可验证的假设，用数据作为决策的“裁判”。本章将聚焦三个核心命题：为何必须转变、数据在预测中的具体作用机制、以及如何评估企业当前的数据成熟度，为后续建模方法奠定认知基础。
3.1 为什么必须从经验驱动转向数据驱动
核心原理：经验驱动的三个结构性缺陷
经验驱动预测并非一无是处，在数据匮乏、产品生命周期极短或极端市场变化下，资深专家的判断往往能弥补历史数据的缺失。但其缺陷是系统性的：一致性差（同一组数据，不同计划员给出的预测可能相差30%以上）、不可追溯（决策依据难以复盘）、规模不经济（SKU数量超过500个时，人工判断无法覆盖）。更关键的是，经验驱动容易产生“确认偏误”——计划员倾向于寻找支持自己判断的信息，而忽略相反的证据。
判断方法：识别企业是否处于经验驱动状态
可以通过以下五个信号进行自检：
- 预测会议时长：超过60%的时间在争论“数字大小”，而非讨论“需求驱动因素”。
- 误差归因方式：出现偏差时第一反应是“市场变化太快”，而非检查模型输入数据质量。
- 数据使用率：企业ERP/CRM中积累的数据，实际被预测流程引用的比例低于40%。
- 版本管理：预测数据通过Excel邮件传递，存在多个版本，无法确定哪个是最终版。
- KPI设置：仅考核“预测准确率”一个指标，且目标值拍脑袋设定（如“不低于80%”），未区分不同SKU的预测难度差异。
案例拆解：某消费电子企业的转变动因
某年营收80亿元的消费电子企业，其计划部长期依赖销售总监的“季度预测”。该总监经验丰富，但2022年Q3预测偏差达45%，导致原材料积压2.3亿元。复盘发现：销售总监依据的是大客户口头意向，但该客户实际采购受其自身库存周转影响，并未兑现。企业由此启动数据驱动转型，首先将过去36个月的订单数据、促销日历、行业指数纳入基线模型，再让销售总监的“经验判断”作为模型之外的修正因子，而非唯一依据。这一转变使预测偏差在三个季度内从45%降至22%。
3.2 数据在需求预测中的核心作用机制
核心原理：数据作用的四个层次
数据在预测中并非简单“喂给模型”，而是通过四个层次发挥作用：描述层（发生了什么——历史销量趋势、季节性、周期性）、诊断层（为什么发生——关联促销、价格变动、天气事件）、预测层（将会发生什么——基于模式外推与因果推断）、决策层（应该做什么——安全库存设定、产能分配建议）。多数企业停留在描述层，仅用历史销量做时间序列外推，忽略了诊断层的数据价值。
| 数据层次 | 典型数据源 | 预测中的作用 | 常见缺失 |
|---|---|---|---|
| 描述层 | 历史订单、发货记录 | 识别趋势、季节、周期 | 数据粒度粗（月度而非日度） |
| 诊断层 | 促销日历、价格记录、天气、竞品动态 | 解释销量波动原因，建立因果假设 | 促销数据散落在市场部，未结构化 |
| 预测层 | 模型输出、置信区间、情景模拟 | 生成基线预测与上下限 | 仅输出单点值，无概率分布 |
| 决策层 | 库存成本、服务水平目标、供应约束 | 将预测转化为库存与产能决策 | 预测与补货系统未打通 |
操作流程：构建数据驱动预测的输入框架
- 数据盘点：列出所有可能影响需求的数据源，包括内部（订单、发货、退货、库存、促销、价格）与外部（宏观经济、天气、节假日、行业指数、竞品活动）。
- 数据质量评估：检查完整性（缺失率）、准确性（异常值）、一致性（不同系统间同一字段定义是否相同）、时效性（数据延迟多久）。
- 特征工程：将原始数据转化为模型可用的特征，如“距上次促销天数”“连续下雨天数”“竞品降价幅度”等。
- 基线模型建立：先用历史销量数据建立简单基线（如移动平均、指数平滑），再逐步加入外部特征，观察预测误差是否显著下降。
- 误差分析与迭代：按SKU、渠道、区域维度拆解误差，定位数据缺失或特征无效的环节。
实战场景：促销活动中的需求数据整合
某快消企业每次大促前，销售部会给出“预计增长50%”的目标。但数据团队发现：过去12次促销中，实际增长幅度与促销力度（折扣率）、持续时间、是否叠加平台活动高度相关。通过建立回归模型，将折扣率、促销天数、竞品是否同步促销作为特征，预测误差从±35%缩小到±12%。关键操作是：将市场部的促销计划表（含折扣率、时间、渠道）提前30天结构化录入系统，并与历史促销数据进行匹配。
3.3 数据成熟度评估：衡量企业数据驱动能力
核心原理：成熟度模型的分级逻辑
数据成熟度评估不是“有数据”或“没数据”的二元判断，而是衡量企业在数据管理、数据应用、数据文化三个维度的综合水平。参考CMMI模型，我们将需求预测的数据成熟度划分为五个等级：L1初始级（数据散落、无标准）、L2重复级（有历史数据但未系统利用）、L3定义级（数据标准化、有基线模型）、L4管理级（预测闭环、误差治理制度化）、L5优化级（数据驱动决策成为组织文化）。
评估方法：三维度九项指标
建议采用以下评估框架，每个指标按1-5分打分（1=完全不符合，5=完全符合）：
| 维度 | 评估指标 | L1特征 | L3特征 | L5特征 |
|---|---|---|---|---|
| 数据管理 | 数据标准化 | 各系统编码不统一 | 主数据统一，字段定义一致 | 数据资产目录自动维护 |
| 数据质量 | 缺失率>30%，无监控 | 关键字段缺失率<5% | 实时质量监控与自动修复 | |
| 数据可获取性 | 需IT手工导出 | 自助BI工具可查询 | API实时推送至预测系统 | |
| 数据应用 | 模型覆盖率 | 无模型，纯人工 | 核心SKU有基线模型 | 全SKU自动预测+异常预警 |
| 预测粒度 | 仅月度总量 | SKU×渠道×周度 | SKU×门店×日度 | |
| 误差反馈 | 无系统误差记录 | 月度误差报表 | 实时误差追踪与自动归因 | |
| 数据文化 | 决策依据 | 领导拍板 | 数据+经验结合 | 数据为唯一决策依据 |
| 跨部门协作 | 数据部门孤岛 | 定期数据评审会议 | 数据责任共担机制 | |
| 持续投入 | 无专项预算 | 年度数据项目预算 | 数据能力建设纳入战略 |
案例拆解：某医药企业的成熟度评估与提升路径
某年营收50亿元的医药流通企业，其需求预测长期由各区域销售经理手工填报。评估发现：数据管理维度平均分1.8分（各系统药品编码不一致，同一药品在ERP和CRM中名称不同）；数据应用维度1.5分（仅做年度总量预测，无SKU级模型）；数据文化维度2.0分（管理层口头重视数据，但考核仍以销售目标为主）。
企业制定了12个月提升计划：第1-3个月，统一药品编码，建立主数据管理流程；第4-6个月，选取销量TOP200的SKU建立月度基线模型，误差目标设定为25%；第7-9个月，将预测误差纳入销售与计划部门KPI，权重20%；第10-12个月，引入外部数据（流感指数、医院门诊量）作为模型特征。12个月后，评估得分从1.8提升至3.2，预测误差从40%降至24%。
总结复盘：数据驱动思维的核心要点
- 转变的本质：从“人说了算”到“数据说话，人负责解释和决策”。
- 数据的作用：不仅是输入，更是校准机制——通过误差分析反推数据缺失和模型缺陷。
- 成熟度评估：是诊断工具，不是终点。每半年复评一次，跟踪改进效果。
- 组织保障：数据驱动转型需要一位高层 sponsor，以及跨部门的“数据治理小组”，否则数据标准化工作将寸步难行。