为什么预测在供应链最末端失效？

设想一个多阶库存：生产原厂、批发中心、零售中心都设定库存。原厂向多个批发中心供货，批发中心向多个零售中心供货，零售中心面对消费者。生产原厂需要了解全局需求，相对好预测：有些批发中心要货多于预测，有些则少于预测，互相抵消的可能很大；零售中心，特别是规模小、消费群小的，预测则很容易失真。拿计算机为例。联想预测全球对其计算机的需求，自然要比预测你住的那个小区的需求要准确得多。

预测在最末端失真，因为最末端的样本数量相对小，从数理统计的角度讲，准确性低。例如全球销售预测的对象是千千万万的客户，一个营业所面对的则可能不过几家。如果这几家中有一家需求变动大，预测就基本作废。另外，供应链的最末端直接面对消费者，计划执行过程中外界干扰大。而且远离供应链的核心环节（例如生产、供应部），对变化的响应需要一定时间才能响应。

在供应链多阶段库存模型中，人们一方面寻找更好的数学模型，一方面优化商业流程。

数学模型方面的研究很多，移动平均法、指数分布、正态分布、波松分布等，各有各的适用范围，不用赘述。

商业流程方面，提高供应链的响应速度、增加供应链的信息共享，都有其商业意义。缩短采购前置期/生产周期是提高响应速度的一种方法。同一零件，采购前置期是8周与3周，对市场变化的反应速度自然不同。空中客车制造飞机，有些部件的采购前置期动辄几十周甚至超过一年，与欧洲的“国营”企业供应商的懒散不无关系（说“国营”，是因为这些企业作风挺像国内以前的国营企业），跟波音这样的更市场化、供应链效率更高的美国公司竞争起来，难度就挺高。美国航空制造业推广精益生产的很多，目的就包括缩短生产周期，降低浪费。信息共享不只是让大家互通信息，其更高层次是让大家都在最原始的需求数据上做决策。出于种种考量，供应链伙伴之间并不一定愿意共享最原始的需求数据。例如采购方知道市场需求在100左右，但担心供应商产能不够，告诉他们需要120件。逐级而下，就形成牛鞭效应。这种问题在公司内部也存在，尤其是多部门、跨地域公司。公司内部相对好解决，让大家用统一的预测方法，用统一的软件，让最原始的数据对大家都开放；不同公司之间则需要长期磨合、建立互信。

不管采用什么方法，上述问题与企业生来就有，没有什么灵丹妙药。所以，不管是软件开发者也罢，咨询公司也罢，如果标榜自己的解决方案可以让你一劳永逸，八成有言过其实的嫌疑。相反，扎扎实实地解决一个个小问题，逐步完善，往往是没有捷径中的捷径。