行銷、業務與經營管理不可或缺的技術
在如此嚴苛的商業環境變化中也能看見一絲光明。那就是技術的進步。除了消費資訊之外，現在還能夠近乎即時地（near time）取得消費者的屬性、生物辨識資訊、當時的情緒等各種數據。而能夠儲存這些大量資訊的基礎設施也逐漸完備，甚至連能夠分析這些數據並協助人類進行決策的AI（人工智慧）工具都登場。
由於需求預測與不受規則束縛的行銷及顧客心理密切相關，如果只導入AI也無法提高準確性。但如果是熟知市場與顧客的專業人士，就能在商業中巧妙地運用AI，即使在VUCA環境中也有辦法創造出新的價值。實際上，二○一七年實施的海外調查也顯示，AI將是二○二五年需求預測第一名重要技術。
企業的需求預測，一直以來都被視為是產品製造、原料及材料的調度，以及將其運往零售商店及消費者的物流等企業供應鏈的啟動器。因為企業也能夠根據需求預測，安排工廠人員和物流中心的貨車等。
但如果除此之外還能夠取得消費者的意見、行銷的效果與競爭對手的資訊，並透過AI等工具分析其複雜的關係，需求預測就具有從新的面向協助企業經營的可能性。
需求預測針對每一項商品分別進行。換句話說，如果能夠敏銳地（agile）反映市場變化，就能掌握市場正在變動的是哪個類別，還能以數字來量測其程度。
舉例來說，口罩的使用因為疫情關係而變得日常，口紅的市場規模也隨之縮小，但因為進行了個別商品的需求預測，所以能夠知道不易沾附於口罩的霧色口紅，或是以保溼為主的淺色護脣膏，需求量並沒有掉得太多。
除此之外，也能夠以區域、品牌、類別等為單位，預測銷售額和利益率。如果預測的結果偏離企業設定的戰略、銷售額計畫的目標等，甚至能夠在季報等業績報表出來之前，評估是否要採取一些修正軌道的行動。同時也能站在經營管理的角度考慮重新分配成本，使獲利目標更容易實現。
換句話說，需求預測不僅能夠應用在過去所認知的商品供應及「供應鏈管理」（SCM），也能應用在更貼近市場的行銷與銷售，甚至是經營管理與財務等企業核心領域的決策。
只不過，這需要一定程度以上的預測精確度與全新思維，不是只提出一個數字，而是需要擬定多套劇本，藉此避開商業風險。
需求預測傳統上需要統計學的知識與數據分析的技術。但為了在VUCA的環境下協助企業做出經營決策，引導技巧也同樣重要，必須要能參考各個利益共享者（stakeholder）的使命與限制，依此主導議論。
日後的需求預測將以掌握對數據的主導權為目標，除了主動蒐集市場和客戶相關的數據並試圖解釋其背景之外，也必須負起說明的責任，簡單明瞭地向利益共享者解釋預測的根據，取得包含經營層在內的信賴。
而需要培養出這種需求預測技能的，不是只有SCM的專業人員。
● 負責擬定商品開發案或行銷宣傳案，以提高投資報酬率為目標的行銷人員
● 掌握負責區域與對口客戶的需求，以擴大銷售額及利潤為目標的業務負責人
● 根據預估利潤分配成本，以投資最佳化為目標的經營管理人員
● 調整業務、行銷、SCM之間的平衡，帶領企業邁向成長的事業營運負責人
需求預測逐漸成為這些負責事業各領域的各職位、階級所必須具備的技能。
最具代表性的3種概念
接下來將介紹，如何在不確定性增加的商業環境中，提升需求預測的精準度，其中也包含必要的技能。但在此之前，必須先解釋需求預測的基本概念。
了解需求預測中包含哪些方法論、必須利用什麼樣的指標管理，就更容易思考其戰略性的應用。
SCM的全球標準知識體系，由美國名為APICS／ASCM的組織所建立。本 書引用的專業術語，也來自APICS發行的詞典的對譯版。此外就我所知，Institute of Business Forecasting & Planning（IBF）這個組織蒐集並傳播了最多關於需求預測的知識，其中包含了許多耐人尋味的商業現場需求預測調查，本書也不時會引用。
話雖如此，本書所聚焦的內容並非需求預測的理論解說，這些理論儘管當成參考文獻介紹，詳細內容還是必須參閱原著，或是參閱以需求規劃師為對象撰寫的拙作。
需求預測的方法論，大致可分成三種。
第一種是根據過去連續性的數據變化進行預測，稱為「時間序列模型」。這種方法認為，過去發生的事情也會影響未來，舉例來說，「我喜歡這項商品，所以會再次購買（或使用服務）」，或者「最近流行這個，我也買來試試」等，換句話說，這種方法預測的是顧客的心理與行為。反過來看，「這個月已經買了，下個月就不需要」這種對未來的需求帶來負面影響的心理與行為也同樣能夠預測。
知名的需求預測古典模型「ARIMA模型」，也可以解釋成反映上述心理與行為的模型。
第二種是根據需求原因進行預測的「因果模型」。時間序列模型中的過去數據也可視為原因，因此也可將時間序列模型想成是因果模型的一種。由此可知，需求預測的模型區分可看作是粗略的分類。
以書籍為例，需求受到作者的人氣、主題的魅力、價格、書店的配貨、書腰的訴求力、封面的設計力、出版社的品牌力、「前言」的吸引力和衝擊力、口碑等多種因素的影響。將這些因素以模型化的公式展現就是因果模型。
時間序列模型中的過去購買行為成為原因，就這層意義來看，可能更適合預測需要反覆購買的消耗品與食品等商品。至於因果模型，則適合用來預測書籍或外出服等，通常每個人只會購買一次的商品種類。當然，因果模型也能有效地應用在預測消耗品的需求，其具體的應用方法也會在本書的各個章節介紹，總而言之，想像消費者在需求背後的心理與行為，並建立預測模型非常重要。
第三種模型稱為「判斷性模型」，主要靠人為判斷。某家由明星社長率領的通信販賣企業，行銷人員與業務人員齊力合作，致力於實現社長一聲令下所決定的銷售額目標。這也屬於預測模型的一種，命名為「Jury of Executive Opinion」（編注：主管意見法）。先不論名稱，像這種將由上而下的目標，或是業務負責人的業績目標視為需求預測的企業也不在少數。
當然也有更符合科學的判斷性模型，但這些模型的主觀性很高，根據也往往不夠清晰。但反過來看，其優點就是只靠少量數據也能進行預測。在資訊不確定性高的市場，這種模型所創造的價值，可能比精細的數據分析更高，也開始有人發表這樣的研究結果。
難以掌握的「第二次商機」
基本上，過去數據的分析對於任何一種需求預測的模型都很重要，即使是基於人為判斷的預測，所根據的也多半是預測者過去的經驗。
然而在商業領域中，只靠數學和統計學客觀地延續過去的數據，往往得不到高度精確的預測結果。有些人一聽到學習需求預測，就期待學到ARIMA模型或機器學習等複雜的方程式或演算法，但實際上，這些並不是商業領域的需求預測本質。了解概念固然不錯，但更重要的是，在理解消費者心理和購買行為、企業的行銷策略和競爭對手的反應、以及經營戰略的目標與方向性等要素之後，以此為基礎解釋需求預測並善加利用。
開頭舉出了服裝品牌作為例子。疫情導致遠端工作急遽增加，家居服的需求量擴大，使得該品牌因此而幸運地推出了熱賣商品。
該品牌於是得意忘形，在下一個夏天又推出了新款家居服，但這次卻滯銷了。原因之一是，競爭對手也把握住這個機會。商場上的第二次商機往往會落到別人手上。對於大多數的服裝品牌來說，製作能夠在家穿的舒適工作服不是什麼難事。這可以用管理學家巴尼（Jay B.Barny）的資源基礎觀點（Resource Based View）來解釋。
巴尼提出了企業利用內部資源解釋其競爭力的VRIN框架。倘若企業所擁有的資源具有以下特徵，就能產生高度的競爭力：
● 具有價值（Valuable）
● 具有稀少性（Rarity）
● 不易模仿（Inimitable）
● 無可替代（No substitutable）
就開頭的案例來看，如果使用競爭品牌無法輕易模仿的技術或材料，製造出舒適的家居服，那麼就有可能在下一個夏天也製造出熱門商品。
尤其在進行新商品的需求預測時，重要的是不能只憑當下的創新性進行評估，還必須考慮是否能維持中長期的競爭力。因此反過來說，如果競爭品牌使用類似的技術或材料製造出夏天用的家居服，就會對自家的銷售額造成負面影響。
進行需求預測時，不能只就過去數據進行統計上的分析，還必須想像這些數據的背景，譬如目標消費者有什麼樣的需求、自家公司的促銷活動是否遭到競爭對手嚴重反擊、是否能夠持續提供足以與之匹敵的價值等。這就是商業領域所需要的需求預測技能。
當預測者能夠將對於需求背景的想像與過去的數據在自己腦中結合，並將其使用於預測新商品的需求時，才足以稱得上專業。我開發出一種預測模型，能夠將這種默會知識（Tacit knowledge）轉化成外顯知識（explicit knowledge），並發表於IBF的期刊上，關於這個模型將在第3章介紹。
2024專利防護中