在维修与服务的后市场业务中，零件库存十分重要，库存缩短了交货期，保证了服务及时性和客户满意度。如果没有零件库存，服务型企业就难以保证服务及时性，留住老客户将十分困难。

但是，并非有了零件库存，企业就能够满足客户需求，因为存对了零件才能满足客户需求，同时获得利润回报并让资金周转起来；如果存错了零件，则不仅会造成客户不满，还会导致资金占用和呆滞库存损失。那么，如何保证所存的零件是正确的呢？你怎么知道客户未来会需要什么零件？

这就要进行需求预测和库存计划。显然，仅仅依靠经验进行需求预测是不够的，人的经验和水平参差不齐，企业必须向数字化转型，通过建立零件库存管理模型，用数据驱动需求预测，才能改善库存计划效率，让数字化成为企业的核心竞争力，通过对零件需求的历史数据进行分析和挖掘，用大数据的方法预测未来的零件需求。

零件业务有很强的可重复性，同时也存在很强的随机性，受市场波动影响很大，做需求预测时必须考虑这些影响因素。比如：当企业进入一个新市场，推出一款新机型，服务中零件需求就会与近期整机销量有着很强的相关性，在预测时需要很高的灵敏度。

如果企业刚刚做了一次滤芯促销活动，以十分优惠的价格，增加了不少销量，很多客户购买了未来12个月保养所需要的滤芯，以此来降低保养成本。企业在预测未来滤芯需求时，就不得不考虑这次促销带来的影响。如果简单地根据最近几个月的销售数据来做需求预测，很可能会库存过量滤芯，造成积压和呆滞。这时的需求预测就要降低敏感度，最好根据以往的需求量，并考虑促销造成的需求下降。

我们可以用移动平均法来计算过去一年中零件的月平均需求量，并以此作为市场需求的预测基准。考虑到预测灵敏度，我们可以对历史数据设置不同的加权系数，比如：可以把最近4个月需求的权重设为60%，而之前8个月需求的权重设为40%，以增加预测对近期需求变化的响应度。同样，我们也可以用移动平均法来计算过去12个月零件需求量的方差和标准差，按照不同的权重和响应度计算安全库存。当需求波动非常大，变化非常快的时候，在一定程度上我们就可以通过安全库存来满足客户需求。

最高的灵敏度就是一期平均，即拿上个月的实际需求作为下个月的预测。这看上去响应很快，其实上却是典型的被动反应，这种预测永远赶不上客户的真实需求，也给库存计划造成极大的困扰，导致库存利用率低下，运营成本很高，库存中所有的短缺，最终都以过剩收尾，而库存中所有的过剩，都是从短缺开始，客户需要的零件仓库里缺货，仓库里有货的零件却无人问津，库存总是落后需求“半拍”。

在需求预测中，预测的灵敏度经常与预测的准确度相矛盾，灵敏度高了，准确度就可能下降；准确度高了，灵敏度就不会太高，并非数据越多，时间越久，预测越准确。最近一位朋友问我：“移动平均法中的加权系数应该怎么设定？”从事零件计划的人员必须做出判断：未来市场需求主要受哪些因素影响？如果这些年产品升级换代很快，市场变化很大，也许一年前的零件需求数据就没有多少参照意义，那么用最近12个月（甚至最近6个月）的数据做预测就更准确。哪些数据影响更大，就应该增加这些数据的加权系数，预测才更准确。

所以，需求预测要兼顾灵敏度和准确度，有时响应太快常常造成准确度太低。我见到很多企业的库存管理人员，他们的主要工作不是专注于需求预测和库存计划，而是每天忙于寻找货源、调货、催货，一天到晚忙个不停，他们却很喜欢这种感觉，以为这才是客户服务，因为感受到客户对自己的依赖。其实这都是库存计划没有做好，不得不多花很多时间去做供应链执行，加急和空运多花了不少钱，客户还不满意。如果做好了需求预测和库存计划，就能大大减少供应链执行的工作。

需求预测的战略就意味着企业的长远利益，必然牺牲一定的短期利益。可一味聚焦库存战略，对当下发生的零件缺货不管不顾，也会导致客户流失。两者之间的平衡，让灵敏度与业务相匹配，也是准确度最高的时候，这往往能够展现出库存计划人员的价值。

人们常说计划赶不上变化，其实库存计划的目的不是要“赶上”变化，而是要预测出变化并满足需求。“赶上”就意味着滞后，随着变化被动地做出反应，结果把库存计划做成了供应链执行；库存计划就是预判，虽然市场需求是变化的，其背后却存在一定的规律，发现模式，做好预测，最大限度地满足需求，降低运营成本，提高库存周转率和零件现货率，而大数据挖掘正是找到这些规律、做好需求预测的一把金钥匙。

（本文来自杰克的下午茶）