博客 @HBR

---

在未知世界中
預測消費者需求

西澤·布雷亞 (Cesar Brea) 薩寧·比查尼奇 (Sanjin Bicanic) 李玥（音）(Yue Li)
施韋塔·巴德瓦杰 (Shweta Bhardwaj) | 文
劉雋 | 編輯

新冠疫情破壞了需求預測，這些預測可以指導消費品和服務零售商及供應商，確定訂購或生產數量、庫存地點以及廣告或折扣數量。在疫情初期，突如其來的封城和居家辦公轉向引發了食品和日用品的恐慌性購買，一些商品售罄而另一些卻滯留在貨架上。

如今，不確定性依然存在于幾個方面。某些產品，比如紙巾和罐裝蔬菜，仍舊供應不足。食品銷售商正在囤積一些幾個月而非幾周量的主食，以便為今冬做好準備，屆時可能會出現病例重現，人們可能會蜷縮在家里。反觀之，這可能會使假日和季節性采購的預測出現偏差。失業福利的變化、投資市場的動蕩，甚至圍繞總統選舉和種族問題的社會動蕩，可能會進一步動搖需求。

我們也看到了消費者態度和行為方面的更深層次變化。消費者普遍尋求降低風險、減少焦慮以及獲得歸屬感的途徑。可是，基于年齡、收入和政治傾向，人們對待疾病及體育鍛煉活動的態度和行為的范圍越發寬泛。了解這些新格局并在疫情時期對客戶進行重新歸類，可以提高預測水平，這也應該成為許多企業的頭等大事。

雪上加霜的是，當預測失靈時，就像新冠疫情期間一樣，管理者們通常會回歸其直覺。嘈雜的數據與偏見混作一團，讓預測的準確性變得更差。

這種偏見有許多不同形式。我們在包裝消費品公司需求規劃工作中看到的一種常見形式是，通過確保商品的充足供應來取悅零售商，而不管這些商品是否有望銷量強勁。實地銷售代表不希望走進商店聽到商品缺貨的抱怨，因為這會損失今天的銷量，損害關系，進而損害明天的市場份額。可是，向另一個方向擺得太遠——通過過度限制庫存來對沖風險——代價也很高昂，因為它不僅直接損失了今天的銷量，而且間接地損害渠道關系，并失去明天的市場份額。

管理者還會陷入“所見即所得”的陷阱，就像當時他們只看自己所在地區對疫情的響應一樣。比如，一些在美國南部有大量業務的公司，最初認為紐約出現的早期新冠疫情趨勢不會對他們產生影響。

與其放棄建模，不如換一種方式建模。

尋找替代數據集

在這些波濤洶涌的海面上航行，一個更可靠的辦法是找出替代數據集——比如，通過混合使用更簡單的模型，更深入地挖掘非顯性的、有時是非結構化的“暗物質”數據。這些數據通常存在于那些應用預測的人的頭腦中（想想員工對當地市場活動和其他情況的了解），而且可以在這些模型中得到安排和體現。

從數據集入手。許多預測模型依賴以前的銷售數據。在相對穩定的時期，這些數據可以描繪出對下一季節的準確評估。可是當疫情襲來，過去熟悉的格局變得不具相關性，而類似的事件可能具有更強的預測能力。

類似的情形可能包括：過去的經濟沖擊，比如互聯網泡沫破滅；過去的自然災害，尤其是長期中斷供應鏈的颶風；或者已從病例激增中恢復的地區。從類似事件得來的數據——比如，不同國家或城市的需求和供應需要多長時間恢復——可以在新冠疫情期間以及之后幫助人們看到不遠的將來。

當然，類似數據不會說明全部的情況。公司還需要近乎實時的數據來追蹤消費者當前的行為和態度。為此，通常缺乏及時準確銷售點數據的消費包裝商品企業，可以說服零售商隨時分享他們的一手數據，或者他們可以建立直接面對消費者的渠道。即便是這種數據未必能從其他地區迅速獲得。在這種情況下，利用電子商務渠道、在線搜索模式、智能手機移動數據以及社交媒體情感分析，都可以提供有用的消費勢頭信號。

一家全球食品企業在新冠疫情來襲幾個月之后就采取了這種方法，在餐廳、酒館和賓館等無法衡量的渠道檢測需求——這是它從未做過的事。該公司使用了來自手機的匿名位置數據，并確定了7個產品類別中的24個預測變量。這些數據集會流入一個工具，該工具會根據每個國家的疫苗供應、封城政策、經濟刺激和其他因素來模擬不同情景。它還建立了“恐慌指數”，從社交媒體訂閱源跟蹤消費者情緒。迄今為止，這個工具的表現比過去一線銷售代表作出的需求評估更準確。

挖掘當地知識

不過，收集的數據應該包括當地知識。我們曾合作過的一家烘焙食品公司使用了一種算法，假設在某些國家節假日期間需求會增加。可是在與實地代表的交談中，我們發現，其他一些事件——如州博覽會、釣魚錦標賽、小職業聯盟棒球賽——在某些市場上更為重要。將這些信息放入該公司基于機器學習的模型中，大大提高了預測的準確性。更高的準確性反過來又減少了商店退貨、產品浪費和卡車司機花在訂單上的時間。自疫情發生以來，這家公司通過減少過度訂貨和缺貨已經實現了7500多萬美元的稅前收入增長。

除了當地知識之外，企業還可以尋求專家判斷，包括在疫情出現時尋求流行病學家的判斷，或者向高級顧問和行業協會尋求行業見解。使用德爾菲法(Delphi method)匯總一組專家的意見，企業可以將專家的判斷內置為構建模型數據集的一部分，而不只是在事后調整模型的輸出。

接受綜合建模

一旦企業有了更多的相關數據，下一項任務就是改進其建模。這就要像颶風預報員一樣思考：在不確定的動態條件下，綜合許多簡單的模型通常比使用一種復雜模型效果更好，因為后者在這些條件下可能更脆弱。

當任何單一模型的潛在數據不穩定時，綜合建模可以融合不同模式的預測，以建議一個點估計值，或者一個合理范圍。颶風預報員將幾個模型預報的路徑一同繪制在一張圖上，以便用戶可以很好了解風暴路徑的集中趨勢。

以新冠疫情期間某新產品的推出為例。一種模型可能使用簡單的銷售移動平均值。另一種模型可能納入了同一家族的某一產品過去的銷售數據，以發現該產品在不穩定時期的狀態。還有一種模型可能代表其他類似商店的情況。由于每個單獨模型涉及不同需求特征，如果它們全都指向某一特定的方向，對這條路徑的信心就會上升。如果它們的指向不同，每種模型的簡單性和透明性也使人更容易理解它們各自指向的原因。

在疫情初期，一家醫療衛生企業很難準確預測其聯絡中心的呼叫量，導致因人員過剩而產生過多的人力成本。該公司深入研究了誤差的根源，并開發了一套變量，可以更好地預測人們何時、何因呼叫。其中一個變量是其他更早受新冠疫情侵襲的國家發生的情況；另一個變量是預授權請求。新的預測模型由一批比疫情前使用的更簡單、更透明的模型組成。它綜合使用了新數據和專家意見。結果，該公司在幾周內大幅降低了預測誤差。

測試，測試，再測試

由于消費市場仍然受到退訂、病例劇增、意外和地區差異的沖擊，管理者需要一個嚴格程序，通過快速和經常性的測試來驗證結果。諸如A/B這樣的簡單方法，既快速又靈活。

比如，那些被隔離的、年齡在65歲及以上、從未考慮過網購食品雜貨的成年人現在正越來越多地轉向這些服務。食品雜貨商可以設立A/B測試，衡量哪些營銷信息對這個新群體最有效。A/B測試還可以評估不同營銷渠道的有效性，比較流媒體視頻和社交媒體廣告各占一半的情況下，不同廣告組合的表現。

測試還有后勤方面的好處。比如，某家公司可能希望確定，在經歷新一輪感染潮的都市區將某類媒體廣告翻番或減半會產生何種效果。執行測試不僅會產生分析性見解，而且可以幫助評估這些事是否可行，公司會如何購買額外的媒體，或者在合同上是否具有縮減廣告的靈活性。

面向消費者的企業的管理者們，看到他們的預測準確度在2020年中下降時，他們的應對措施包括削減產量和營銷，直至塵埃落定、全面進行簡單線性的調整等。相比之下，一小部分追求新數據集、模擬和模型開發的企業在更好預測需求方面取得了初步成功。這有助于他們在不犧牲增長的同時控制成本。一旦市場穩定下來，他們將處于更有利地位。由于波動可能會持續到2021年，更多企業應該效仿他們的做法。

西澤·布雷亞是Bain & Company的高級分析業務合伙人。薩寧·比查尼奇是Bain & Company的高級分析業務準合伙人。李玥是Bain & Company高級分析業務的高級經理。施韋塔·巴德瓦杰是Bain公司客戶體驗業務的合伙人。