如何提升需求預測準確率，這十點你值得擁有
需要猜測的精確率（FA-Forecast Accuracy）直接影響著公司的固定本錢，
這項本來就帶有神秘感的作業的意圖，即是要在紛繁雜亂的前史資料中找出發展規矩，一同還要思考到實踐環境中接連不斷，簡直不可思議的各種微觀和微觀影響要素，終究擬定出最契合商場實踐而又能被所有人承受的將來需要猜測方案。
這不只需要強壯的資料剖析和處理才幹，更是一個公司各有些彼此挑戰，和諧，影響，說服，平衡，合作，退讓和協作的一個流程。
下面則是從資料剖析，流程優化，憑藉東西等視點論述怎麼提高需要猜測精確率的10大辦法，信任憑藉這些辦法需要猜測精確率會有顯著的提高並終究影響著公司的top-line出售額和bottom-line利潤率。
—— 前史出售資料的清潔 ——
需要猜測的本質之一，即是對前史出售資料剖析然後判別出趨勢，季節性等規矩，並認為前史將會重演（history repeats）。因此高品質的前史出售資料則變成確保高猜測精確率的根底之一。而在實務中，各式各樣的客觀原因如出售促銷，競賽活動，天災人禍，新商品的推出，國家方針的俄然改變等都會給出售資料帶來無窮的影響，而且這些客觀要素將來也許是不會再重複或許重複的時刻位址和方法不相同，
下面的一些疑問的答覆則可認為data cleaning指引出明晰的方向：
1、資料是不是有缺失景象？資料的連線性是有用猜測的根底之一，不連接的資料通常會致使猜測模型不能表現出最大的功效。
2、資料是不是能保持一致？例如當進行發貨猜測（shipment forecasting）時，能否確保所運用的資料都是發貨資料而不是客戶需要的資料。
3、資料是不是有反常值（outliers）？反常值即是由於不尋常的工作所造成的反常高值和低值，如5.12地震致使速食商品作為賑災物資在特定區域銷量激增，而類似地震在同一位址同一時刻再次發生的也許性十分低，該出售增量就可以被視為一個反常值。而雙11的促銷活動在聯絡幾年的常態化和固定化後，其所帶來的出售增值則就不是反常值。
4、資料是不是有結構性的改變？資料結構性的改變的兩大特色是俄然性和永久性。例如競賽對手由於某種俄然撤出我國商場，其所留下的商場份額真空被自個添補，由此所帶來的出售添加即是結構性的改變。
5、資料是不是有季節性（seasonality）？季節性意味著出售資料的改變呈現出固定性和週期性。如耶誕節前夕的各種促銷活動致使出售數額的大幅上升；新年前的出售頂峰也是典型季節性的表現，只不過陰曆新年未必每年都在同一西曆月份然後添加了猜測難度。
6、資料是不是商品生命週期有聯絡？商品處在生命週期不相同期間（引進，添加，老練，降低，退市）中其出售資料是截然不相同的。
在答覆完以上疑問後則就可以開端對資料進行清潔，如運用均勻法對丟失資料的添補；斷定反常值和找到其成因，並判別是不是要人為的進行刪減和添加；對有結構性改變資料的人工批改等等。
—— 在資料集合的高層次上做猜測然後分化 ——
需要猜測的另一個準則，即是所謂的“大數準則（law of large number ）”即在資料集合的高層次上去做猜測的精確率要比在資料的最底層上所做的精確率要高。例如，對比簡略猜測出下一年我國的GDP的增幅是多少，即便不精確差錯也不會很大，可是假如要猜測詳細某一個職業在某一個特定的區域添加或許削減的額度是多少差錯就也許很大，更不要說多個職業和多個區域的恣意組合。
以一家快消品公司為例，其出售資料可以全體聚集到公司層面，然後再可以分化到品種，品牌，包裝尺寸，SKU，事業部，出售區域，客戶，總倉，分倉等。依據“大數準則”，在公司層面的出售猜測的全體精確率相對要高，然後再可以分化到所需要的層級中去以到達最佳精確率，這也即是所說的“top down”分化法。在分化的時分可以採取同比，環比，自訂等份額進行分配，但如果沒有極好東西支撐的話，分化的進程仍是適當苦楚的。
—— 運用終端出售資料做猜測 ——
需要辦理實務中，不相同的公司運用不相同類型的資料如發貨資料（shipment），客戶訂單資料(customer orders)，和終端出售資料（POS-Point of Sale）來做猜測。而在這些資料中，用終端出售資料來做需要猜測的精確率最高由於它代表出花費者的實踐需要，而且可以實在的反映的商場的動搖和改變。
由於終端花費者的花費做法有著“頻次高，連接強，總量大”的特色，使終端出售資料更加安穩和連接，這是高猜測精確率的根底之一。可是發貨資料則由於庫存缺少，訂單積壓，物流才幹的約束等要素則不能實在等同于客戶的需要。
在“牛鞭效應”中，零售商訂單的變化性顯著大於終端花費者需要的變化性，為了滿足于零售商相同的服務水準，經銷商和代理商不得不被逼持有比零售商更多的安全庫存，需要資訊的不實在性會沿著供給鏈逆流而上，發生逐級擴大的景象。
當資訊到達源頭的供給商時，其所取得的需要資訊和終端花費者的需要資訊現已發生了很大的差錯，所以來自客戶訂單的資料也不能代表實在的商場需要。在一個事例中，終端花費持續低迷，零售商決議削減訂單量，供給商的發貨數量隨之開端削減，但終端花費者的需要還也許在適當一段時刻內持續保持低迷不變。
同理在新商品上市的前期，零售商通常持有許多的庫存以保持貨源充足，但終端花費者的實踐需要達不到預期時，他們的訂單量則開端削減，而源頭供給商的發貨數量則也隨之削減。
可是在我國的需要辦理實踐中，一些規劃較大辦理水準高的終端零售商。如超市連鎖集團情願將其終端出售資料有償共用給供給商，以讓其對終端出售情況有瞭解的把握。可是在幅員遼闊的我國，此類的終端零售商只能掩蓋商場的一有些而且首要集中在大中型城市中，許多區域特別是三四線城市的出售則是由不相同層級的經銷商網路來掩蓋。
在經過經銷商途徑的出售中，經銷商通常由於稅務隱私，同業競賽，利潤秘要，爭奪十分好的出售方針等要素而不將自個的庫存和出售資料（sell-though）開放給上游供給商；而經銷商的終端客戶通常由於辦理認識和資料收集才幹的良莠不齊，更是難以將自個終端出售資料有用運用。
國內曾經有一個聞名日用百貨公司為自個的需要猜測精確率，企圖對自個的核心經銷商的進銷存進行管控並找了四個經銷商來試點，成果兩個經銷商清晰回絕，一個經銷商儘管贊同但實踐供給的資料卻有很大的虛偽成分，該公司終究不得不持續運用自個的出貨資料（sell-in）來猜測，猜測作用就可想而知。
儘管運用終端出售資料現在還有很大的妨礙，可是這個方向仍是要堅持的。在發達國家如澳大利亞由於超越99%終端出售資料都可以收集到而且能和供給商共用，所以一些公司的需要猜測精確率超越90%（1-MAPE）也是多見的。
—— 精確挑選自上而下，自下而上和中心開花的猜測方法 ——
幾種多見的需要猜測方法，如自上而下（top-down），自下而上（bottom-up），和中心開花（middle-out）在運用中通常呈現混淆的情況，即不知道那種方法在哪種情況下能表現最大的功效。在自上而下方法中，首要在商品，商場，區域，年/季/月等要素的最高層次做需要猜測，然後依據同比，環比，自訂份額等分化準則進行往下分化到品種，品牌，SKU，周/天，顧客，DC等。
在自下而上方法中，通常先從SKU層級的需要猜測開端做起再逐漸往上聚集。而在快消品職業中現在對比盛行的方法則是中心開花，即在中心層級如商品品種（category）開端做猜測，上可以聚集到品牌，大類，總公司層面，下可以分化到SKU層面，這麼既可以運用的高層次猜測的精確性，一同又不至於在最底層SKU層面做猜測消耗許多的時刻和精力。
自上而下的優勢在於在高層次所做的猜測精確率較高，合適用在出售趨勢在高層和底層都很平穩的商品中，缺點在於關於有特別出售方法的商品如新品，出售資料斷斷續續的商品等則就有也許無法掩蓋。關於高度定制化，生命週期短，出售彼此抵消，每個SKU的出售趨勢都不相同的商品，自下而上的方法則能表現最大的功效。一些公司也在運用自上而下和自下而上的混合方法來十分好的確保高猜測精確率。
—— 發現並剝離有特別需要方法的SKU ——
不相同的SKU即便是屬於同一品種，其出售資料也會呈現出不相同的方法。在將這些SKU的需要猜測聚集到品種層面時，則會致使品種猜測的趨勢季度不安穩，所以在猜測時要將有特別需要方法的SKU，暫時從該品種中剝離掉並獨自做猜測。例如一個醫藥公司，在做全體需要猜測時發現自個的猜測資料極點不安穩，很難找到規矩可循。
在將其資料剖析後發現，該公司將自個所有的大類商品，如政府招投標類商品，經銷商途徑出售商品，處方類和非處方類商品徹底混在一同。政府招投標類商品的出售額占到總出售額的近三分之一，而其出售的時刻和數量簡直沒有任何規矩可言；可是其經過經銷商途徑出售商品則出售態勢安穩，有顯著的規矩和季節性，將這兩類商品放在一同猜測的成果肯定是有疑問的。而當同一品種中的不相同SKU的出售有“彼此蠶食（cannibalization）”的景象時，將他們進行剝離並別離作猜測也是有必要的。
—— 建立完善的需要猜測辦理流程 ——
數學模型的挑選對需要猜測十分主要，但要瞭解需要猜測辦理不是有詳細哪一個有些來徹底擔任，它是一個有方案，出售，商場，供給鏈，辦理層等全有些參與的一項作業，由於各有些都是本範疇的專家，在需要猜測辦理的進程中可以供給共同的，專業的和不可或缺的資訊和專業知識，這就請求要有一個完善的需要猜測辦理流程來支撐各個功能各司其責。
在一個有用的需要猜測辦理流程建立起來之前，一系列的準備作業要開端做起來，如需要猜測的週期和頻次，猜測的商品/出售安排層級，需要猜測提前期，需要猜測的資料來歷，需要猜測的功能的設置，需要猜測所運用的東西如軟體，範本等，需要猜測的方法-自上而下，自下而上或許中心開花，以及公司中哪些有些要參與到需要猜測流程中來和他們的人物，責任，查核目標。
例如，在快消品公司中需要猜測有些通常擔任資料的收集，清潔和聯繫，並對出售猜測的baseline，在此根底上出售有些要思考短期（3個月以內）由於出售活動如新客戶的開發，現有客戶嚴重的出售行動，競賽對手的首要做法，打折促銷等出售活動所帶來的出售增減，而商場有些則經過對花費者做法，商品生命週期，品牌形象，微觀經濟方針等研討來對長時間的出售猜測供給自個的專業判別，而財務有些則從出資回報率等視點對出售猜測進行支撐；而在工業品公司中，商品司理則是需要猜測流程的一個主要參與方。在以上流程清晰今後各個功能才幹實在的協同起來做出最為精准的需要猜測。
—— 精確運用最合適的猜測模型 ——
在需要猜測中，猜測模型的挑選是至關主要的，模型會依據前史出售資料的各種特徵類比出將來的走勢，這是需要猜測作業的中技術性的一個主要表現，由於涉及到統計學的一些專業知識，模型也是對比具有神秘感的一同也是最簡略被誤解的有些。
實務中老是看到一些公司在苦苦尋找所謂最精確的猜測模型，似乎這些模型一旦用上自個的猜測就馬上可以100%精確相同，成了改善需要辦理的一個必勝絕技。而模型挑選的一個主要準則即是沒有奇觀模型，即猜測模型在猜測中僅僅起到輔佐作用，沒有任何一個模型可以做到徹底精確，最佳的猜測模型本來即是可以抓取前史資料中大有些的規矩和方法，抓取的越多，猜測錯誤就會越少，猜測作用越好。
而前史資料的不規矩性越強，乃至呈現缺失和噪音，則猜測模型所起到的作用就越為限制。一同在模型的挑選中，不要抱有“一招鮮吃遍天”的錯誤思想，某些模型當時的猜測成果還不錯，但一旦上個月的出售呈現反常，這些模型有也許就會失靈，所以定期對現有的模型進行從頭測驗仍是十分有必要的。而雜亂模型的猜測作用必定好於簡略模型，組合模型的猜測作用必定好于單一模型等說法本來也未必精確，在模型挑選中只要最合適的沒有最雜亂的。
—— 精確瞭解需要猜測衝突的成因，建立鼓勵性而非懲罰性的查核機制 ——
評價需要猜測的兩個主要目標別離為需要猜測精確性（1-MAPE）和差錯率（BIAS），前者用於評價差錯起伏，後者用於斷定系統差錯。他們不只用於在SKU層次衡量，還要在其他層次上如品牌，品類，事業部，總公司等層面來衡量。由於需要猜測作業並不是由單一有些獨立完結，它需要各個有些如出售，商場等功能強力的參與和合作，沒有這些有些的話，需要猜測則成了無水之源。
可是需要猜測關於以上有些來說只能是責任之一，並不徹底是其主業，所以從各有些協同的視點來講，需要猜測的查核機制應以鼓勵性而非懲罰性為主，否則將消除各有些參與的積極性。某一聞名快消類公司在建立需要猜測查核機制的時分，採取了建立大區猜測精確性排行機制，在內部建立正面典型並進行經歷共用，還給予精力和物資獎勵來施行正面鼓勵。
一同要瞭解需要猜測的差錯自身並不可怕，要害它要在可以承受的規模以內，而且要能找出構成差錯的根本原因以找到下次改善的辦法，這即是為何需要猜測的外表數位並不是最主要的，最主要的則是這些數位以後的assumption，只要瞭解這些假定條件對猜測的影響以後，才幹實在把握猜測的精華。
—— 專業需要猜測功能的裝備 ——
需要猜測是一個專業的功能，而且是各種技術的綜合體。他/她們需要有總司理把控大局的戰略觀，商場人員敏銳的洞察力，出售人員過人的交流才幹，供給鏈人員謹慎全部的運營認識，以及財務人員細緻入微的剖析才幹。從文科和理科區分視點來說，這個職務本來是個文理科的聯繫。
需要猜測人員不只要收集資料更要對資料進行剖析和決議方案，從一個單向資訊接納轉變為雙向的資訊互動和控制者，他們既是資料的擔任人，又要對商品的十分瞭解，一同又是需要辦理流程的總和諧人，這就請求此功能在公司中的位置不只僅限制在支撐和後勤的含義，而是要在需要猜測的流程中扮演和諧者和決議方案者的人物，這就請求關於他們的培育和招聘以及薪酬待遇等都要不相同於一般的崗位。
在實務中，不斷增加的公司高度重視方案功能，將該功能放在一個相對中立的有些如供給鏈，乃至把該功能徹底獨立出來直接向總司理報告使之徹底變成一個指揮中樞。而反觀一些公司，根本就沒有擔任此事務的功能崗位，或許僅僅由客服，出售支撐等人員兼職的在敷衍此事，而且在公司中的位置低的也慘不忍睹，有的乃至向物流或許客服有些報告，終究僅僅淪為資料的收集者和搬運工。
—— 爭奪高層支撐 ——
爭奪高層支撐好似一個陳詞濫調的論題，如同“精確的廢話”。高層一旦支撐許多疑問都會方便的解決，但怎麼獲取高層的支撐則就成了一個對比有挑戰性的任務。沒有一個公司的董事會會對辦理高層進行需要猜測精確性進行查核，已然他們不擔負這個目標，爭奪到他們的支撐是不是就聽其自然了。
怎麼爭奪到高層的支撐，則就要將FA和他們關懷的目標如公司固定本錢，供給鏈運營消耗本錢，以及運營本錢辦理的有用性，以及終究的top-line出售額和bottom-line利潤率等聯絡起來，尤其是需要猜測精確性對這些的目標的影響，而且以資料的方法展示出來，這才幹夠給高層帶來無窮的影響。
例如，世界商業猜測方案協會（IBF-Institute of Business Forecasting and Planning）經過對不相同工業和公司實在資料的研討發現一旦FA降至80%以下時，超越60天的庫存開端積壓；而FA在50%左右，超越60天庫存占總庫存的份額則到達驚人的60%，這是任何一個CEO和CFO都不想看到的。
經過這個方法，想爭奪到高層對需要猜測辦理的支撐也不是一件很困難的工作了。
只不過陰曆新年未必每年都在同一西曆月份然後添加了猜測難度。6、資料是不是商品生命週期有聯絡？商品處在生命週期不相同期間（引進，添加，老練，降低，退市）中其出售資料是截然不相同的。
在答覆完以上疑問後則就可以開端對資料進行清潔，如運用均勻法對丟失資料的添補；斷定反常值和找到其成因，並判別是不是要人為的進行刪減和添加；對有結構性改變資料的人工批改等等。
—— 在資料集合的高層次上做猜測然後分化 ——
需要猜測的另一個準則，即是所謂的“大數準則（law of large number ）”即在資料集合的高層次上去做猜測的精確率要比在資料的最底層上所做的精確率要高。例如，對比簡略猜測出下一年我國的GDP的增幅是多少，即便不精確差錯也不會很大，可是假如要猜測詳細某一個職業在某一個特定的區域添加或許削減的額度是多少差錯就也許很大，更不要說多個職業和多個區域的恣意組合。
以一家快消品公司為例，其出售資料可以全體聚集到公司層面，然後再可以分化到品種，品牌，包裝尺寸，SKU，事業部，出售區域，客戶，總倉，分倉等。依據“大數準則”，在公司層面的出售猜測的全體精確率相對要高，然後再可以分化到所需要的層級中去以到達最佳精確率，這也即是所說的“top down”分化法。在分化的時分可以採取同比，環比，自訂等份額進行分配，但如果沒有極好東西支撐的話，分化的進程仍是適當苦楚的。
—— 運用終端出售資料做猜測 ——
需要辦理實務中，不相同的公司運用不相同類型的資料如發貨資料（shipment），客戶訂單資料(customer orders)，和終端出售資料（POS-Point of Sale）來做猜測。而在這些資料中，用終端出售資料來做需要猜測的精確率最高由於它代表出花費者的實踐需要，而且可以實在的反映的商場的動搖和改變。
由於終端花費者的花費做法有著“頻次高，連接強，總量大”的特色，使終端出售資料更加安穩和連接，這是高猜測精確率的根底之一。可是發貨資料則由於庫存缺少，訂單積壓，物流才幹的約束等要素則不能實在等同于客戶的需要。
在“牛鞭效應”中，零售商訂單的變化性顯著大於終端花費者需要的變化性，為了滿足于零售商相同的服務水準，經銷商和代理商不得不被逼持有比零售商更多的安全庫存，需要資訊的不實在性會沿著供給鏈逆流而上，發生逐級擴大的景象。
當資訊到達源頭的供給商時，其所取得的需要資訊和終端花費者的需要資訊現已發生了很大的差錯，所以來自客戶訂單的資料也不能代表實在的商場需要。在一個事例中，終端花費持續低迷，零售商決議削減訂單量，供給商的發貨數量隨之開端削減，但終端花費者的需要還也許在適當一段時刻內持續保持低迷不變。
同理在新商品上市的前期，零售商通常持有許多的庫存以保持貨源充足，但終端花費者的實踐需要達不到預期時，他們的訂單量則開端削減，而源頭供給商的發貨數量則也隨之削減。
可是在我國的需要辦理實踐中，一些規劃較大辦理水準高的終端零售商。如超市連鎖集團情願將其終端出售資料有償共用給供給商，以讓其對終端出售情況有瞭解的把握。可是在幅員遼闊的我國，此類的終端零售商只能掩蓋商場的一有些而且首要集中在大中型城市中，許多區域特別是三四線城市的出售則是由不相同層級的經銷商網路來掩蓋。
在經過經銷商途徑的出售中，經銷商通常由於稅務隱私，同業競賽，利潤秘要，爭奪十分好的出售方針等要素而不將自個的庫存和出售資料（sell-though）開放給上游供給商；而經銷商的終端客戶通常由於辦理認識和資料收集才幹的良莠不齊，更是難以將自個終端出售資料有用運用。
國內曾經有一個聞名日用百貨公司為自個的需要猜測精確率，企圖對自個的核心經銷商的進銷存進行管控並找了四個經銷商來試點，成果兩個經銷商清晰回絕，一個經銷商儘管贊同但實踐供給的資料卻有很大的虛偽成分，該公司終究不得不持續運用自個的出貨資料（sell-in）來猜測，猜測作用就可想而知。
儘管運用終端出售資料現在還有很大的妨礙，可是這個方向仍是要堅持的。在發達國家如澳大利亞由於超越99%終端出售資料都可以收集到而且能和供給商共用，所以一些公司的需要猜測精確率超越90%（1-MAPE）也是多見的。
—— 精確挑選自上而下，自下而上和中心開花的猜測方法 ——
幾種多見的需要猜測方法，如自上而下（top-down），自下而上（bottom-up），和中心開花（middle-out）在運用中通常呈現混淆的情況，即不知道那種方法在哪種情況下能表現最大的功效。在自上而下方法中，首要在商品，商場，區域，年/季/月等要素的最高層次做需要猜測，然後依據同比，環比，自訂份額等分化準則進行往下分化到品種，品牌，SKU，周/天，顧客，DC等。
在自下而上方法中，通常先從SKU層級的需要猜測開端做起再逐漸往上聚集。而在快消品職業中現在對比盛行的方法則是中心開花，即在中心層級如商品品種（category）開端做猜測，上可以聚集到品牌，大類，總公司層面，下可以分化到SKU層面，這麼既可以運用的高層次猜測的精確性，一同又不至於在最底層SKU層面做猜測消耗許多的時刻和精力。
自上而下的優勢在於在高層次所做的猜測精確率較高，合適用在出售趨勢在高層和底層都很平穩的商品中，缺點在於關於有特別出售方法的商品如新品，出售資料斷斷續續的商品等則就有也許無法掩蓋。關於高度定制化，生命週期短，出售彼此抵消，每個SKU的出售趨勢都不相同的商品，自下而上的方法則能表現最大的功效。一些公司也在運用自上而下和自下而上的混合方法來十分好的確保高猜測精確率。
—— 發現並剝離有特別需要方法的SKU ——
不相同的SKU即便是屬於同一品種，其出售資料也會呈現出不相同的方法。在將這些SKU的需要猜測聚集到品種層面時，則會致使品種猜測的趨勢季度不安穩，所以在猜測時要將有特別需要方法的SKU，暫時從該品種中剝離掉並獨自做猜測。例如一個醫藥公司，在做全體需要猜測時發現自個的猜測資料極點不安穩，很難找到規矩可循。
在將其資料剖析後發現，該公司將自個所有的大類商品，如政府招投標類商品，經銷商途徑出售商品，處方類和非處方類商品徹底混在一同。政府招投標類商品的出售額占到總出售額的近三分之一，而其出售的時刻和數量簡直沒有任何規矩可言；可是其經過經銷商途徑出售商品則出售態勢安穩，有顯著的規矩和季節性，將這兩類商品放在一同猜測的成果肯定是有疑問的。而當同一品種中的不相同SKU的出售有“彼此蠶食（cannibalization）”的景象時，將他們進行剝離並別離作猜測也是有必要的。
—— 建立完善的需要猜測辦理流程 ——
數學模型的挑選對需要猜測十分主要，但要瞭解需要猜測辦理不是有詳細哪一個有些來徹底擔任，它是一個有方案，出售，商場，供給鏈，辦理層等全有些參與的一項作業，由於各有些都是本範疇的專家，在需要猜測辦理的進程中可以供給共同的，專業的和不可或缺的資訊和專業知識，這就請求要有一個完善的需要猜測辦理流程來支撐各個功能各司其責。
在一個有用的需要猜測辦理流程建立起來之前，一系列的準備作業要開端做起來，如需要猜測的週期和頻次，猜測的商品/出售安排層級，需要猜測提前期，需要猜測的資料來歷，需要猜測的功能的設置，需要猜測所運用的東西如軟體，範本等，需要猜測的方法-自上而下，自下而上或許中心開花，以及公司中哪些有些要參與到需要猜測流程中來和他們的人物，責任，查核目標。
例如，在快消品公司中需要猜測有些通常擔任資料的收集，清潔和聯繫，並對出售猜測的baseline，在此根底上出售有些要思考短期（3個月以內）由於出售活動如新客戶的開發，現有客戶嚴重的出售行動，競賽對手的首要做法，打折促銷等出售活動所帶來的出售增減，而商場有些則經過對花費者做法，商品生命週期，品牌形象，微觀經濟方針等研討來對長時間的出售猜測供給自個的專業判別，而財務有些則從出資回報率等視點對出售猜測進行支撐；而在工業品公司中，商品司理則是需要猜測流程的一個主要參與方。在以上流程清晰今後各個功能才幹實在的協同起來做出最為精准的需要猜測。
—— 精確運用最合適的猜測模型 ——
在需要猜測中，猜測模型的挑選是至關主要的，模型會依據前史出售資料的各種特徵類比出將來的走勢，這是需要猜測作業的中技術性的一個主要表現，由於涉及到統計學的一些專業知識，模型也是對比具有神秘感的一同也是最簡略被誤解的有些。
實務中老是看到一些公司在苦苦尋找所謂最精確的猜測模型，似乎這些模型一旦用上自個的猜測就馬上可以100%精確相同，成了改善需要辦理的一個必勝絕技。而模型挑選的一個主要準則即是沒有奇觀模型，即猜測模型在猜測中僅僅起到輔佐作用，沒有任何一個模型可以做到徹底精確，最佳的猜測模型本來即是可以抓取前史資料中大有些的規矩和方法，抓取的越多，猜測錯誤就會越少，猜測作用越好。
而前史資料的不規矩性越強，乃至呈現缺失和噪音，則猜測模型所起到的作用就越為限制。一同在模型的挑選中，不要抱有“一招鮮吃遍天”的錯誤思想，某些模型當時的猜測成果還不錯，但一旦上個月的出售呈現反常，這些模型有也許就會失靈，所以定期對現有的模型進行從頭測驗仍是十分有必要的。而雜亂模型的猜測作用必定好於簡略模型，組合模型的猜測作用必定好于單一模型等說法本來也未必精確，在模型挑選中只要最合適的沒有最雜亂的。
—— 精確瞭解需要猜測衝突的成因，建立鼓勵性而非懲罰性的查核機制 ——
評價需要猜測的兩個主要目標別離為需要猜測精確性（1-MAPE）和差錯率（BIAS），前者用於評價差錯起伏，後者用於斷定系統差錯。他們不只用於在SKU層次衡量，還要在其他層次上如品牌，品類，事業部，總公司等層面來衡量。由於需要猜測作業並不是由單一有些獨立完結，它需要各個有些如出售，商場等功能強力的參與和合作，沒有這些有些的話，需要猜測則成了無水之源。
可是需要猜測關於以上有些來說只能是責任之一，並不徹底是其主業，所以從各有些協同的視點來講，需要猜測的查核機制應以鼓勵性而非懲罰性為主，否則將消除各有些參與的積極性。某一聞名快消類公司在建立需要猜測查核機制的時分，採取了建立大區猜測精確性排行機制，在內部建立正面典型並進行經歷共用，還給予精力和物資獎勵來施行正面鼓勵。
一同要瞭解需要猜測的差錯自身並不可怕，要害它要在可以承受的規模以內，而且要能找出構成差錯的根本原因以找到下次改善的辦法，這即是為何需要猜測的外表數位並不是最主要的，最主要的則是這些數位以後的assumption，只要瞭解這些假定條件對猜測的影響以後，才幹實在把握猜測的精華。
—— 專業需要猜測功能的裝備 ——
需要猜測是一個專業的功能，而且是各種技術的綜合體。他/她們需要有總司理把控大局的戰略觀，商場人員敏銳的洞察力，出售人員過人的交流才幹，供給鏈人員謹慎全部的運營認識，以及財務人員細緻入微的剖析才幹。從文科和理科區分視點來說，這個職務本來是個文理科的聯繫。
需要猜測人員不只要收集資料更要對資料進行剖析和決議方案，從一個單向資訊接納轉變為雙向的資訊互動和控制者，他們既是資料的擔任人，又要對商品的十分瞭解，一同又是需要辦理流程的總和諧人，這就請求此功能在公司中的位置不只僅限制在支撐和後勤的含義，而是要在需要猜測的流程中扮演和諧者和決議方案者的人物，這就請求關於他們的培育和招聘以及薪酬待遇等都要不相同於一般的崗位。
在實務中，不斷增加的公司高度重視方案功能，將該功能放在一個相對中立的有些如供給鏈，乃至把該功能徹底獨立出來直接向總司理報告使之徹底變成一個指揮中樞。而反觀一些公司，根本就沒有擔任此事務的功能崗位，或許僅僅由客服，出售支撐等人員兼職的在敷衍此事，而且在公司中的位置低的也慘不忍睹，有的乃至向物流或許客服有些報告，終究僅僅淪為資料的收集者和搬運工。
—— 爭奪高層支撐 ——
爭奪高層支撐好似一個陳詞濫調的論題，如同“精確的廢話”。高層一旦支撐許多疑問都會方便的解決，但怎麼獲取高層的支撐則就成了一個對比有挑戰性的任務。沒有一個公司的董事會會對辦理高層進行需要猜測精確性進行查核，已然他們不擔負這個目標，爭奪到他們的支撐是不是就聽其自然了。
怎麼爭奪到高層的支撐，則就要將FA和他們關懷的目標如公司固定本錢，供給鏈運營消耗本錢，以及運營本錢辦理的有用性，以及終究的top-line出售額和bottom-line利潤率等聯絡起來，尤其是需要猜測精確性對這些的目標的影響，而且以資料的方法展示出來，這才幹夠給高層帶來無窮的影響。
例如，世界商業猜測方案協會（IBF-Institute of Business Forecasting and Planning）經過對不相同工業和公司實在資料的研討發現一旦FA降至80%以下時，超越60天的庫存開端積壓；而FA在50%左右，超越60天庫存占總庫存的份額則到達驚人的60%，這是任何一個CEO和CFO都不想看到的。
經過這個方法，想爭奪到高層對需要猜測辦理的支撐也不是一件很困難的工作了。