1、 一個行之有效的計(jì)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(jì)劃系統(tǒng)往往是分層的，分層依據(jù)是所計(jì)劃事件的周期和計(jì)劃行為本身的Lead Time（此處翻譯成“提前期”似乎并不準(zhǔn)確），分層的好壞對計(jì)劃系統(tǒng)影響很大；

3、 計(jì)劃的時(shí)效性是其根本屬性之一。然而收集信息、分析制訂計(jì)劃和輸出都需要時(shí)間，縮短其時(shí)間往往是改善計(jì)劃分層把上層計(jì)劃的工作交給下層計(jì)劃的最佳手段之一。（PS：實(shí)施ERP、MES、APS時(shí)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(shí)計(jì)劃復(fù)雜度往往被頂?shù)疆?dāng)事人能力的極限，有時(shí)甚至超出其能力，造成漏算；另外工作時(shí)間往往也較長，最重要的是計(jì)劃工作時(shí)間變長以后，在計(jì)劃的執(zhí)行過程中，大量本來可以放在下層計(jì)劃完成的工作被迫遞交給上層計(jì)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(shí)際使用時(shí)發(fā)生了混淆。比如最近時(shí)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(jìn)入了訂單實(shí)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(jì)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(rèn)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(jià)值。

經(jīng)過清理后對發(fā)貨歷史數(shù)據(jù)進(jìn)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(rèn)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(yàn)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(dú)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(shí)候的權(quán)重系數(shù)，這個對AI方式特別重要。

為了彌補(bǔ)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(shí)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(shí)可以識別，但那時(shí)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(zhǔn)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(shí)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(shí)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(qiáng)調(diào)：預(yù)測時(shí)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(shí)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(jìn)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(shí)間，甚至有時(shí)再盤點(diǎn)或者會計(jì)周期沖突，產(chǎn)銷協(xié)調(diào)會不得不在第一周計(jì)劃未完成時(shí)倉促召開，或者拖到10日左右，問題是突破了時(shí)間柵欄的計(jì)劃，還能稱得上是計(jì)劃嗎？

此處不講該方法的技術(shù)細(xì)節(jié)，只談一個失敗的例子。在一個19*19的棋盤上運(yùn)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(jì)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(shí)四個小棋盤分別求解得出權(quán)重并予以投票，然后再進(jìn)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(yuǎn)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。