近期中国国家统计局发布了5月份的零售数据，数据显示消费者支出比去年下降了2.8%。虽然中国的消费市场已经逐步回归正常，但有专家认为全球经济正在进入后疫情时代，零售企业(本文所提到的零售是泛指便利店、百货、餐饮、鞋服和时尚电子等)将面临更大的市场波动性和不确定性。这对企业价值链中最重要的一环供应链提出了更高的要求，而供应链的基础是对未来需求进行科学而准确的预测，以此来指导后续的供应链行动。那么，后疫情时代如何做好基于消费者需求的需求预测呢？本文将围绕新一代SAP统一需求预测平台Unified Demand Forecast(简称UDF)的功能特点进行探讨。

为什么“更快、更好和更灵活”的供应链如此重要？

我们认为未来的供应链具有以下三大特点：

第一，未来零售商品的销售周期波动剧烈与不确定性增加。今天的消费者既能够从多样的渠道中获取到能够满足自己需求的产品信息，同时热门的话题、明星的带货效应又能够快速的打造爆品。
第二，缩短供应链的响应周期，减少渠道库存是管理趋势。以典型的时尚供应链为例，供应链流程中包括组配货计划、设计开发、渠道商批发、采购和生产、物流及零售，由于销售周期的波动与不确定性，企业可以备足库存，积蓄足够的产能，但这也给企业的资金成本带来巨大的压力，显然不是最好的选择，而缩短供应链响应周期，提高整体灵活性才是正确的方向。
第三，增加供应链需求预测与销售的关联度与科学性。大型企业都有供应链需求预测的部门与体系，但传统的预测判断还是建立在个人能力的基础上，缺乏科学的依据，比如对于天气变化、社会活动和政府管控措施等带来的影响程度缺乏科学的判断。
基于以上三个特点，我们不难得出这样的结果，响应更快、服务更好和更灵活的柔性供应链能帮助企业更从容的面对市场的波动和变化。

“更快、更好和更灵活”的供应链的起点和基础是什么？

在供应链管理领域，供应链中的流程大致分为两种，一是推式流程，根据对顾客需求的预测来进行的；二是拉式流程，是根据对市场需求的响应来进行的。不管是推式供应链还是拉式供应链，供应链管理者必须做的首要工作是对未来一段时间内市场销售趋势和顾客的购买需求进行预测。

在数字化时代，供应链管理者也在探索如何将需求预测理论与新的数字技术相结合，以能够更科学、准确的进行预测。在对2019年度全球供应链25强公司榜单与公司深入分析中我们也发现通过大量使用创新数字技术提升公司的整个供应链水平成为趋势。

SAP如何帮助企业供应链部门更好的进行市场的需求预测？

笔者认为，企业需要建立全渠道的统一需求预测平台，通过汇总零售、电商、批发等不同渠道的数据，进行分析建模，在此基础上实现对未来的需求预测。比如在零售、时尚、餐饮和高科技电子行业的企业中，大都已经搭建了线上、门店POS和移动应用等不同的销售渠道。每天消费者访问、浏览、加入购物车、下单支付、物流交付和售后服务的数据分布在不同的系统中，我们建议把这些来自不同渠道的数据在一个统一的数据集市进行存储，并基于这些数据进行大数据的分析，从而获取到更多数据之间的关联性，指导未来商品的销售行动如不同渠道的促销、品类配置计划等。
如下图所示，在基于这些数据的分析的基础上，业务人员如品类经理，可以借助可视化的分析工具观察和分析客户的历史消费数据，并且通过与价格、天气、促销等因素关联起来寻找其中的关联度，从而指导未来的商品品类计划、促销计划、补货计划等。

现该理论已被许多企业管理者接受，可大部分企业若想搭建统一需求预测平台也面临一些困难和挑战，比如从零开始搭建这样一个平台需要各方面的技术，包括算法科学家、机器学习专家、数据库技术专家等，对于企业来说不但投入巨大，且时间和成败难以控制，事实上，多年以前SAP就推出了SAP统一需求预测平台Unified Demand Forecast(简称UDF)的解决方案。

• 
  SAP统一需求预测平台(UDF)是SAP专为零售企业客户提供的行业解决方案CAR的一部分，UDF：
• 是一种面向复杂市场环境的统计预测工具；
• 结合了各种预测方法的优点，为所有零售应用程序提供预测信息，包括促销管理、商品品类配置计划、配货计划等；
• 借助SAP HANA提供了技术基础来运行零售预测。

听起来不错，但是能否更重点说明和具体一点？当然没有问题了！
UDF是站在业务人员的角度，帮助业务人员提升预测效率的利器，它能够帮助业务人员实现三个方面的预测：

1、定性预测：定性预测法主要依赖于人的主观判断。当可供参考的历史数据很少、或者推出新产品、进入新市场的时候，采用定性预测的方法最合适。
2、时间序列预测法：运用历史销售数据对未来需求进行预测。它依赖的理论是过去的数据是预测未来需求的良好参考指标。
3、因果关系预测法：因果关系预测法假定需求预测与某些环境因素（天气、社会活动、经济发展等）高度相关，因果关系预测法可以找到这些环境因素与需求之间的关联性，通过预测这些外界因素的变化来预测未来需求。例如，天气热了，大家喜欢吃烧烤和啤酒，那么这个时候的销量一定是上涨的，餐饮企业可以利用因果关系预测法确定未来三天天气逐步走高的时候，可以增加库存备货了。

如下图所示，在图片的左边部分橙色为过去约两年的、来自门店R365的566克装玉米片的销售数据，在图片右边蓝橘色的长条则通过对过去历史销量数据的分析后显示的未来该门店\商品的销售预测结果，而预测值中考虑了季节性、促销事件、节假日、温度等综合因素的影响，这让业务人员的预测能够更细致、从数字上勾勒出影响销量的不同因素的影响力。

有了UDF这个工作台，各个部门的同事随时随地的进行产品的预测和分析，并使用这些预测的数据，指导后续的工作，如品类管理、促销管理等。

太棒了！我们的品类计划员可以每天看图进行预测了，还能发现需求与影响因子的关系，那么我可以自己根据需求定义需求影响因子么？

当然，SAP还提供了自定义需求影响因子(DIF), 用户自定义需求影响因子是一种将业务专长与预测工具相结合的方法，可以标记和识别应该被忽略的历史销售，比如最近因为疫情躺枪的三文鱼对其他海鲜销售的负面影响，以及销售数据中不能提供的额外信息，这在将来会有帮助，又比如: 天气数据可用于对天气敏感的类别，如冰淇淋、啤酒等(如下图所示)。

看到这里，有读者可能会问，我如何量化预测的结果？并对系统的预测结果进行调整呢？我们的UDF平台基于数据的样本量和其他因素会提供一个预测信心指数(见上图)，如样本量越大、噪音越少，则这个指数会越高，且可以在此基础上由业务人员对系统预测结果进行修正。

来来来，看你这么好学，再给你一个独家秘笈，跟着这个公式，你可以开始预测之路了。

而这往往也是预测分析在企业无法得到广泛应用的原因，我们都不是数学专家，你给我一个这么复杂的公式，还不如我自己来拍脑袋预测。UDF所采用机器学习技术和算法离不开SAP新一代数据库HANA的支持，SAP HANA提供了技术基础来运行零售预测，对于预测来说，预测的准确性离不开大数据的支持，而SAP HANA为预测提供了坚实的算法和数据库基础。

总的来说，统一需求预测平台UDF通过提供一个可视化的工作台帮助企业的业务人员快速集成不同系统和渠道的销售数据、订单数据、退货数据、支付数据等业务数据，结合机器学习和算法对数据进行训练和建模，发现不同数据之间的关联性，并标识之间的影响程度，以此为基础结合未来影响因素从而得出更加准确、科学的预测结果，从而为开展后续的计划管理等其他供应链职能的工作奠定基础。

当然，UDF的好处还有很多，若想进一步了解解决方案，欢迎联系SAP的销售同事，谢谢大家！