1、 一個行之有效的計劃系統(tǒng)有N個約束，1-2組假設(shè)（預(yù)測）輸入，和1個輸出；

2、 企業(yè)的計劃系統(tǒng)往往是分層的，分層依據(jù)是所計劃事件的周期和計劃行為本身的Lead Time（此處翻譯成“提前期”似乎并不準確），分層的好壞對計劃系統(tǒng)影響很大；

3、 計劃的時效性是其根本屬性之一。然而收集信息、分析制訂計劃和輸出都需要時間，縮短其時間往往是改善計劃分層把上層計劃的工作交給下層計劃的最佳手段之一。（PS：實施ERP、MES、APS時往這個方向想，就不容易犯錯誤）

一個容易犯的錯誤是把多個約束當(dāng)成假設(shè)，使預(yù)測的復(fù)雜度急劇提高，最后為了求解又把這些假設(shè)改為開關(guān)量，這時計劃復(fù)雜度往往被頂?shù)疆?dāng)事人能力的極限，有時甚至超出其能力，造成漏算；另外工作時間往往也較長，最重要的是計劃工作時間變長以后，在計劃的執(zhí)行過程中，大量本來可以放在下層計劃完成的工作被迫遞交給上層計劃，從而破壞了整個系統(tǒng)。

另一個容易犯的錯誤是同一個變量在某一個階段是假設(shè)，而另一個階段應(yīng)該被當(dāng)作約束，而在實際使用時發(fā)生了混淆。比如最近時段的銷售預(yù)期（數(shù)天或一周），這個數(shù)據(jù)如果是直接來自客戶，往往已經(jīng)進入了訂單實現(xiàn)過程的不可更改階段，是很可靠的數(shù)據(jù)了，就像牛嘴里正在吃的草，你不是不能拽出來，但是何苦呢？又比如FTT，在某個階段不過是損耗，但一旦突破質(zhì)量控制的能力，或者對OEE的影響改變了瓶頸，或者對毛利率影響過大導(dǎo)致銷售策略調(diào)整，就會發(fā)生質(zhì)變。

一個典型S&OP用的銷售預(yù)測過程如下：

首先尋找兩組數(shù)據(jù)（計劃員）：

發(fā)貨歷史數(shù)據(jù)（也可以用首次承諾的歷史數(shù)據(jù)，然而認真管理這個數(shù)據(jù)的公司不多，如果失真度高，清洗難度大，還不如發(fā)貨歷史數(shù)據(jù)好用）

產(chǎn)品生命周期

然后是一些動態(tài)數(shù)據(jù)（從市場和銷售那里得到）：

客戶

競品（以及替代品）

促銷

突發(fā)事件

這四種數(shù)據(jù)只是例子，具體問題，現(xiàn)在有各種銷售理論的模型可以參考。特別的，出了4P和4C模型之外，SWOT分析對預(yù)測也有價值。

經(jīng)過清理后對發(fā)貨歷史數(shù)據(jù)進行處理，具體方法可以直接查教科書，此處僅羅列部分名稱（未包括德爾菲法等非數(shù)學(xué)方法，也未寫一些不常用的數(shù)學(xué)方法）：

移動平均法

指數(shù)平滑法

二次指數(shù)平滑法

三次平滑法（個人認為更高的次數(shù)意義很小了，二元和自適應(yīng)的變種比較有趣）

回歸模型（除了短期預(yù)測之外，還可以在中期預(yù)測中使用）

二次和三次平滑法的AI方式（對中長期沒有上述OR方式精確、但預(yù)測容錯率更高、速度往往更快；而短期似乎更精確？）

另外，自動邊界尋找雖然很重要，但大多數(shù)情況下可以被經(jīng)驗替代，本文還是不討論這個話題了。

本人原創(chuàng)的算法（2012）可以稱為自適應(yīng)局部投影迭代法（一直沒想到好名字，而后來獨立發(fā)現(xiàn)的其他人也沒起名字，就這樣命名了吧），為避免誤傷，這里不展開了。

最后是主動預(yù)測，這個也不好展開。

產(chǎn)品生命周期

產(chǎn)品生命周期本身是輸入的一部分，可以和二次指數(shù)平滑法混用。但還有一個重要特性選擇哪種算法或者混合哪幾種算法的開關(guān)，或者特定時候的權(quán)重系數(shù)，這個對AI方式特別重要。

為了彌補上一篇過于枯燥難以理解的缺陷，下面給出一個小例子。

產(chǎn)品生命周期存在兩個方面的影響：在產(chǎn)品上升期，有時存在需求急劇增加的可能，在產(chǎn)品下降期，則存在需求迅速消失的可能；這個工作往往在庫存管理時可以識別，但那時失銷或者呆滯已經(jīng)發(fā)生，所以我寧可把這個功能放在需求預(yù)測，哪怕準確度不高，但除了終端產(chǎn)品生產(chǎn)者之外，大部分的Benchmark是足夠低的，有很多替代方法。一種方法是給一個系數(shù)來增加或者降低需求預(yù)測；另一個方法是對平緩期選擇一次預(yù)測方法；非平緩期選擇二次方法（這也隱含著另一個問題：即數(shù)據(jù)清理時是否需要對上升期的數(shù)據(jù)予以處理？一般來說這個處理是有必要的）?？紤]到時間的延續(xù)性，對重大的預(yù)測，甚至有必要設(shè)置一次方法和二次方法之間的過渡規(guī)則。

歷史數(shù)據(jù)除了清洗工作，還有周期性數(shù)據(jù)（有的書把季節(jié)性問題和周期性問題分開，但季節(jié)難道不是一種周期嗎？）可以預(yù)提取。但最復(fù)雜的是清洗，下一章專門講歷史數(shù)據(jù)的清洗，我的清洗方法與眾不同，使用起來效果不一定能比傳統(tǒng)方式好多少，但是速度快。

當(dāng)上述預(yù)測作為輸入完成之后，還有假設(shè)和開關(guān)量選擇的人工清洗行為，這是另外的內(nèi)容了。

與預(yù)測配套的關(guān)鍵行為是設(shè)定庫存策略，這個放到后面來講。

總結(jié)：

本文仍然強調(diào)：預(yù)測時間較短并可控，而不是一昧追求預(yù)測結(jié)果最優(yōu)。當(dāng)客戶的數(shù)據(jù)每月輸入一次的時候，使用客戶的數(shù)據(jù)來做需求預(yù)測是無法得到周滾動預(yù)測的，進一步的，如果客戶數(shù)據(jù)要每個月月底得到，再加上處理的時間，甚至有時再盤點或者會計周期沖突，產(chǎn)銷協(xié)調(diào)會不得不在第一周計劃未完成時倉促召開，或者拖到10日左右，問題是突破了時間柵欄的計劃，還能稱得上是計劃嗎？

此處不講該方法的技術(shù)細節(jié)，只談一個失敗的例子。在一個19*19的棋盤上運行的圍棋游戲，其復(fù)雜度號稱超過了我們存在的宇宙（好像只是宇的顆粒數(shù)，如果按普朗克常數(shù)計算宙的部分，宇宙還是略大一些）。

為了降低復(fù)雜度，把該棋盤人為地分為幾個區(qū)域。比如包含四個角的四個區(qū)域，其邊長應(yīng)該是（3*19/4-2*19/3）之間（此處省略原因），考慮到奇數(shù)解較為符合該游戲的習(xí)慣，每個區(qū)域選擇了13*13，再考慮到角部變化多，13*13的四個局部投影一般也夠了。這時四個小棋盤分別求解得出權(quán)重并予以投票，然后再進行迭代以獲得可選的答案。然而有個術(shù)語叫“征子”，這是一個遠端行為，如下圖所示，四個小棋盤都考慮不到圖示的“征子”問題，出現(xiàn)了求解盲區(qū)。這是局部投影迭代法的缺陷之一。

19*19的棋盤，對可能出現(xiàn)的征子，白有利

分解后的四個棋盤

上述圍棋的個案可能已經(jīng)被解決，但AI和OR在思路上的根本區(qū)別將使它成為一個AI刻意保留的缺陷和OR無法解決的問題而長期存在下去的通用問題。