第二章 S&OP 与 FVA 先分清预测和承诺
全文共 1803 字,阅读约需 4 分钟
第二章 S&OP 与 FVA 先分清预测和承诺:白皮书范围:第一部分第四层、第五部分阶段三、第六部分 FVA。 S&OP 是把需求、供给和资金约束放在同一张决策表上的产销协同,不是把销售愿望、预算、产能和预测揉成一个数字。
课程目录与学习记录 0 / 109
学习进度仅存于本机浏览器。原教程站的记录不会跨域自动迁移;可先在原站导出留存,新站按实际完成情况重新勾选。
入门数据与作业包
禾味数据为 2 店 × 8 SKU × 180 天,共 2,880 行,是可见教学数据,不是封存盲测集。起步包是模拟夹具,不表示已完成六行业预测实验。资源中心另有四专项工程、模型实验和计划实验,使用前请阅读各自能力边界。
本课使用模拟数据与明确假设。数学推导、枚举和数据核验不等于真实业务模型有效。配套包包含60天教学曲线及约束枚举,不是完整订单训练集。
下载数学实验、完整教材与只读验证器
第二章 S&OP 与 FVA 先分清预测和承诺
白皮书范围:第一部分第四层、第五部分阶段三、第六部分 FVA。 S&OP 是把需求、供给和资金约束放在同一张决策表上的产销协同,不是把销售愿望、预算、产能和预测揉成一个数字。
方法出处:Michael Gilliland 撰写的 SAS FVA 原始白皮书,见“What Is Forecast Value Added?”与“Collecting the Data”。它支持逐环节比较和保留预测版本;本章采用自设的 WMAPE 数例。
2.1 四个数字可以不同
假设下月不受供给限制的需求预测为 1200 件,供给最多 1000 件,销售目标是 1400 件,当前承诺交付 950 件。这四个数字分别回答“预计有人要多少”“最多能做多少”“希望做到多少”“已答应多少”,不应互相覆盖。
最简单的单期供给模型:
计划销售量 s = min(d, a);未满足需求 u = max(d-a,0)。
- d:不受供给限制的需求预测,件/月。
- a:在服务时间窗内真正可用的供给,件/月。
- s:可实现的销售/交付计划,件/月。
- u:该简化模型下未满足的需求,件/月。
- 来源:需求与可用供给的数量边界;假设无替代品、无跨期延期和无新增补救供应。
代入 d=1200、a=1000,得到 s=1000、u=200。不能为了让供需“看起来一致”把预测改成 1000,再宣称预测变准。
一个可审计的 S&OP 周期至少保留:数据截至时间、系统原始预测、人工调整预测、调整原因、约束后计划、审批结论和实际结果。可调整预测,不可覆盖原版本;供应受限造成的低销量也不能直接当作真实需求。
2.2 FVA 的分子到底在比较什么
WMAPE(F) = Σ_t |A_t-F_t| / Σ_t A_t。
Bias(F) = Σ_t(F_t-A_t) / Σ_t A_t。
FVA(前→后) = WMAPE(前) - WMAPE(后)。
- t:同一验证集中的商品-地点-目标期记录编号。
- A_t:最终用于评价的实际需求,件;若只能得到受限销量,必须标明评价的是销量。
- F_t:在固定预测起点冻结的预测,件。
- WMAPE:绝对误差总量除以实际总量,没有单位。要求实际总量>0,且这里需求非负。
- Bias:带方向的总误差比例;本章正值代表高估。
- FVA:差值;以百分比显示时应使用“百分点”。正值代表后一个环节在本指标上更好。
- 来源:白皮书第六部分的定义;为教学增加统一验证集与冻结版本要求。
| 周 | 实际 A | 简单基线 | 系统预测 | 人工调整后 | 基线绝对误差 | 系统绝对误差 | 人工绝对误差 |
|---|---|---|---|---|---|---|---|
| 1 | 100 | 100 | 90 | 105 | 0 | 10 | 5 |
| 2 | 120 | 100 | 130 | 125 | 20 | 10 | 5 |
| 3 | 80 | 100 | 85 | 100 | 20 | 5 | 20 |
| 4 | 100 | 100 | 95 | 110 | 0 | 5 | 10 |
| 合计 | 400 | 400 | 400 | 440 | 40 | 30 | 40 |
逐步计算: 1. 基线 WMAPE=40/400=10%。 2. 系统 WMAPE=30/400=7.5%。系统相对基线的 FVA=10%-7.5%=+2.5 个百分点。 3. 人工 WMAPE=40/400=10%。人工相对系统的 FVA=7.5%-10%=-2.5 个百分点。 4. 系统 Bias=(-10+10+5-5)/400=0%,但其 WMAPE 仍为 7.5%。正负误差抵消不代表准确。 5. 人工 Bias=(5+5+20+10)/400=10%。本例人工调整有整体高估。
不能把逐 SKU 的百分比误差简单平均后冒充这个 WMAPE,也不能让分母随比较对象改变。若当期实际总量为 0,WMAPE 不定义,应报告绝对误差等替代指标。
2.3 怎么判断调整真的有价值
每个版本必须对应相同商品、相同目标期、相同预测提前期。提前一天的预测与提前一月的预测,拥有不同信息,不应直接归因于算法或某位计划员。
滚动验证的操作是:在起点 o 冻结一份未来 h 周预测;等 h 周后结果完整;记录误差;将起点向后移动,再重复。o 是预测起点日期,h 是预测跨度,均来自版本表。还应分促销、常规、缺货和新品等场景看结果。
FVA 是所选误差指标的增值,不是货币利润。缺货罚损不对称时,预测绝对误差略增的调整,仍可能改善决策成本;必须同时评价缺货、报损和持有成本,并清楚区分两类结论。只有足够多的可比时间段、稳定的分组证据和成本检查,才能支持权限调整;四周负 FVA 不能自动成为剥夺权限的依据。
2.4 小项目与答案
任务:只把系统的第 3 周预测从 85 改为 80,其余不变。求新 WMAPE、该次修改 FVA 和 Bias。问:可以声称“这次修改赚了 5 元”吗?
答案:绝对误差=10+10+0+5=25 件,WMAPE=25/400=6.25%;FVA=7.5%-6.25%=+1.25 个百分点;Bias=(-10+10+0-5)/400=-1.25%。不能声称赚了 5 元:改善的是 5 件预测绝对误差,还没有价格、成本及决策后果的证据。
仅保存在本机当前浏览器,无账号云同步;清除浏览器数据会丢失。不自动认定你通过测试。建议先保留输出文件和计算过程。
所有数据、系数与业务场景均为教学模拟。预测不等于采购或排产指令。来源与修订说明。