自来水模式的预测机制

我经常问职业人，有谁预测过自家的用水量？大家都说没有：做预测的是水务局，它们预测整个城市的用水量，确保水厂有足够的水，大家用时打开水龙头就行了。大家也从没见过水务局深入到千家万户，让每家每户“提需求”，谁预测谁有水，谁不预测就没水。那我们为什么有那么多的公司，一而再地要求一线销售、直接用户提需求（做预测）呢？

要知道，我们的很多产品跟自来水很相似：需求相对分散，每个渠道、客户的占比都不高，需求计划部门在公司层面制定基准预测，结合市场、销售的整体预判，即可做出相当不错的预测，各分公司、大区、渠道要多少就领多少得了。对于这种模式，我们就姑且称之“自来水模式”，如图1-24所示。

图1-24　自然运作的供应链系统就如自来水系统，细枝末节是不用做预测的

消费品、零售、电商等众多行业都能看到“自来水模式”的影子。对于总库、子库等构成的多阶段库存模式，“自来水模式”也经常适用。[1]工业品企业的备件库存网络就是例子：备件在总库做好预测，让工厂和供应商生产好足够的库存，然后各地子库的库存一旦低于再订货点，就启动补货机制，而不用提前预测几个月的需求。

在“自来水模式”下，各分支机构不需要做预测，汇总成总体预测来驱动生产和采购，因而也消除了协同的必要。要知道，最好的预测是不需要预测，最好的协同是不需要协同。[2]

要注意的是，“自来水模式”下，不用做预测的是“细枝末节”，或者说“小沙子”，并不是说所有的分支都不用做预测。打个比方。作为万千居民的一分子，你搬到一个新的城市，是不用向城市供电局预测自己的用电量的，但是，如果你是个电解铝厂，这就不适用：电解铝厂需要消耗大量的电，它们是“大石头”，能够显著改变一个地区的用电量，如果要在某地设立新厂，就得跟供电局合作，确保当地供电局能够供应。

但是，这并不是说“大石头”就一定要做预测：如果“大石头”的需求稳定，没有显著改变需求的事情发生，需求历史有代表性的话，就不需要把“大石头”单列出来做预测。

在快时尚公司ZARA，我们就能看到“自来水模式”的痕迹。如图1-25所示，ZARA在供应链上设置了两个推拉结合点：第一个是半成品，针对标准化的半成品做预测，用自动化程度高的生产线大批量生产（推），然后根据市场需求的偏好对颜色、配件等进一步定制（拉）；第二个是成品，ZARA在总的配送中心层面预测需求，驱动整个供应链，而各地门店要多少，就下单补货多少，几天内到货——门店要做的只是提货计划，只覆盖补货周期这几天，而不是整个生产和采购周期。

通过设立这两个推拉结合点，ZARA得以避免在颗粒度小、准确度低的地方做预测，从而减少了随之而来的库存问题。这两个推拉结合点也解决了快时尚、快消品等行业的两个根本性问题：（1）SKU层面的预测准确度低；（2）库存进入渠道、门店后的“货到地头死”。

要知道，快时尚、快消品行业的颜色等流行元素很难预测，所以SKU的预测准确度低。ZARA在半成品层面不预测颜色，而是等到市场流行元素更清楚时再染色，降低了提前在SKU层面做预测造成的成品库存风险。渠道、门店的颗粒度小，预测准确度低，如果采取服装行业常见的订货方式，库存一旦压到渠道、门店，就容易出现“积压的积压，短缺的短缺”问题，降低库存的效率。

图1-25　ZARA的两级推拉和“自来水模式”

当然，ZARA之所以能避免“货到地头死”，是因为ZARA的门店是自有的，对门店的垂直整合增加了管控力度，能够更好地约束门店的博弈，避免它们在畅销时恶意抢货，滞销时又不愿进货等问题。很多行业的渠道压货行为，都跟对渠道的管控力度不够有关，因为渠道非自有（而自建渠道的话又有重资产的问题）。

[1] 复杂的仓储网络一般是这样运作的：总库补给各个地区库，地区库补给下一级的前置库，前置库再补给客户，一层一层展开，形成车轮毂一样的补给结构。“库”也经常被称为“配送中心”，但严格意义上，库和配送中心是有区别的。简单地说，前者更多是存储概念，相对简单；后者的功能更全面，也更复杂，比如对产品的拆分、包装、发运等。当然，配送中心也有存储功能，不过更多是短期的存储。

[2] 赵玲女士语。