[全台供應鏈調查 – 下]
2022年市場持續動盪，企業如何預測客戶需求做好避震？

在疫後大斷鏈時代，過往的預測模型因為無歷史資料可循，加以多數商業分析層次尚未能動態「計算外生因素與事件的影響程度」及透過「情境模擬(What-if)分析」回應不斷變化的市場需求，不穩定的營運模式讓許多企業陷入「瘋狂應戰」。

而不同產業隨著產品服務跟商業模式的不同，挑戰也不盡相同，例如，製造業可能苦於居家辦公趨勢帶來的3C設備熱銷斷貨，而零售業者重新尋找在地廠商以因應進口原物料短缺的替換料等，究竟過去一年多，大家遭遇了哪些困境，又展現了哪些韌性?

製造業為維持供應鏈穩定，預測區間拉長帶來失準風險

根據天下雜誌與全球數據分析大廠SAS合作進行的《全台供應鏈需求預測調查》，其針對台灣製造業、零售/電商、服務等產業，進行包含疫情影響、既有技術與流程等自評^(註)，也於其中再根據分數高低，再區分出各產業的:領先者、追隨者與落後者族群。

解析受訪人數最多的台灣製造業者，近1/4企業表示最大挑戰在於: 「高度變化的市場環境導致現有方法無法準確預測需求量」(24.8%)；此外也有近2成提出「供應鏈規模擴大導致交貨時間增加」(17.0%)的困擾。

調查內一位電子五哥品保中心的資深經理即表示，對製造業來說，品質、交期、成本同等重要，缺一不可，為了能穩定製程提升良率，確保物料品質與穩定供應鏈是基礎關鍵。疫情讓產業更重視數據分析與預測系統，來找出關鍵物料，以策略性地與供應商議價或是找尋替代料，避免缺料、缺工帶來的衝擊影響。

製造業相對於其他產業有較多的需求預測發展領先者，尤其在「資料自動化」的程度表現大幅領先。不過與其他產業相比，其在「能納入計算外生因素(如: 天氣、自然災害、競爭對手的行為)或事件(如: 促銷、節日、廣告宣傳)的影響程度」自評最差。

對此，SAS台灣業務顧問部陳新銓副總經理觀察，雖然台灣製造業多有透過企業資源規劃（ERP）或供應鏈管理(SCM)系統進行庫存或銷售預測，但疫情反覆爆發，遭遇包含供應商受封城影響生產中斷、進口物料的交期拉長使得積壓成本升高，以及海運運輸成本居高不下…等，外生事件的變化較以往大幅增加，因此主觀自評上較低落。面對多變外生因素的環境，為了仍可維持客戶服務水準，有企業甚至開始將需求預測時間從6個月拉升到18個月，導致面對更長期的預測，也迎來更高機率的預測失準風險。

零售業在疫情受惠戶與受災戶中反覆；服務業無奈被疫情與法規限制 

對於零售與電子商務業者，迎來最大的挑戰3成表示在「面臨高度變化的市場環境導致現有方法無法準確預測需求量」(29.8%)，另有近2成是「改善顧客服務水準」(17.0%)。顯示大家在維持客戶滿意度以及外在因素的變化下，疲於奔命。

至於以內需市場為主的服務業者，除同樣表達受到「面臨高度變化的市場環境導致現有方法無法準確預測需求量」(24.1%)挑戰外，也有超過2成表示還必須進一步應對「法規改變與疫情流行事件導致的預測準確度大幅下滑」(22.2%)挑戰。服務業者的無力感，相較其他產業，主要是被升級的規範限制。

萊爾富便利商店行銷處商品部經理李士弘向我們表示，新冠肺炎疫情爆發至今已超過2年，但對萊爾富團隊仍是高度緊繃在應對，例如，2021年5月前，萊爾富算是疫情受惠戶，那個時候要思考的是，如何快速滿足消費者的各種需求；本土疫情爆發後，萊爾富轉變為疫情受災戶，不僅要設法提升既有客戶貢獻度跟吸引新客戶光顧，還必須進一步優化營運庫存成本，例如，熱門的鮭魚遇航運進貨延誤，為維持鮮食產品供貨量，得自行吸收囤貨成本先下單備妥近6個月的量，同時還需積極尋找高品質的原物料替代料等。

「等到去年底疫情趨緩後，本地市場的需求趨勢又跟以前大不相同，舉例來說，儘管湯圓售價漲了15%，但是，消費者的需求並沒有因此下降，反而有所提升，我們又開始準備更多湯圓以因應元宵節的到來。」萊爾富的經歷，突顯瞬息萬變的市場動態，對整體零售業的反覆試煉。

細究產業自評，零售與電子商務業者認為自己在「能納入計算外生因素」的程度最好，但「準確預測」評分則相對其他產業差，意指現行的預測方法或工具無法因應現況，產出準確與穩定的預測值，也較缺乏自動化能力來檢視預測準確度；服務業者於「情境模擬規劃」自評相對其他產業好，但卻較無「充足人才」，解析可能為服務業者外生因素相對單純，是在因應國內法規的各級指引，但也顯示在相關人才佈局上較無資源。

因應預測需求人才缺口 「平民資料科學家」趨勢崛起

整體而言，所有產業共同面對、想解決的挑戰是「高度變化的市場環境導致現有方法無法準確預測需求量」。而我們也在上一篇調查解析中，看到擁有「納入外生因素與事件」能力及「具備充足人才」者，受疫情影響程度明顯較低。

然而要能「動態且高頻率」地納入外生因素與事件，須建置具進階分析功能的預測系統；而「具備充足人才」來發揮預測系統價值，更是令業界管理層最頭痛的事。

全球電聲領導廠美律實業主管即透露：「對我們來說，有(需求預測與管理)痛點就會有系統需求，但是，不可能單買一套系統就能解決所有問題，必須進一步優化既有分析流程與投入專案管理人才，才能夠發揮成效。」

不過，因為台灣的資料科學人才仍十分欠缺，再加上資料科學專家未必熟悉領域知識(Domain Know-how)，因此，包括萊爾富便利商店跟美律實業都是由資深同事負責、主導，然後，培育新進員工接手資深員工的工作。然而資深員工原本勞務就吃重，拓展數據分析與培養新人又是額外負荷。萊爾富李士弘經理也感慨，以零售業而言，市場生態快速變化很難留才，養成有跨界技能的人才更是不易!

SAS陳新銓副進一步補充，不只稀缺，據統計，資料科學家平均在職僅2.3年，讓許多企業更面臨重要的分析資產，還有專家經驗無法有效累積的窘境。他提出觀察，國際間目前趨勢是開始朝向培育「平民資料科學家」，即讓許多資料科學工作透過自動化的AI技術，加上低程式或是無程式的視覺化操作工具，降低技術門檻。此做法可讓組織中具有領域知識的員工，不必兼備強大資料科學技能，就可運用進階的分析技術，來解決第一線業務不斷變動的難題。

「簡單的說，簡易的操作模式有助於資料科學平民化，讓企業把具科學的決策基礎，推展到最前線業務，才得以敏捷地迎戰後疫時代一個又一個的未知挑戰。」陳新銓如是總結。

_{註: 本調查針對受訪者，進行以下8面向，以1-10分做為自我評分結果。而後透過K-means做出三類分群:領先者、追隨者與落後者。}

_{^{1. 資料品質良好：供應鏈各端有一致的資料定義且無資料缺漏}}

_{^{2. 資料自動化：具備自動排程的資料整理系統，可及時取得完整的消費者需求資料}}

_{^{3. 準確預測：現有預測方法或工具能產出準確與穩定的預測值，且可自動檢視預測方法的準確度}}

_{^{4. 納入外生事件：能納入計算外生因素(如: 天氣、自然災害、競爭對手的行為)或事件(如: 促銷、節日、廣告宣傳)的影響程度}}

_{^{5. 情境模擬規劃：能透過情境模擬(What-if)分析產生預測值，以協助後續規劃}}

_{^{6. 預測工具易用：現有預測工具簡單易上手，透過該系統化工具能降低人員流動帶來的影響}}

_{^{7. 充足人才：擁有充足人才以發展/優化預測系統}}

_{^{8. 前後端整合：有完整的預測系統生態鏈，不會發生與供應鏈各端無法協作的情況(如: 無法將預測值與生產管理、訂貨系統連動)}}