COLL-003: 协同计划与预测
优先级: 🔴 高 | 技术复用度: 75% | 实施周期: 2-3周
客户原话
"我们每周都要和20多个卫星厨房沟通下周的需求,但每家店长的预测都不准。有的店长凭感觉报,有的店长懒得想,直接说'和上周一样'。结果做多了浪费,做少了缺货。想帮店长做预测,但我们也不了解每家店的情况。希望能有个系统,自动预测需求,店长只需要微调。"
—— 某连锁餐饮中央厨房计划主管
业务场景描述
典型场景
场景1: 预测不准确
- 店长凭感觉预测下周需求
- 预测红烧肉需要500份,实际只卖了350份
- 剩余150份,过期报废
- 损失7500元
场景2: 懒得预测
- 店长懒得预测,直接说"和上周一样"
- 但下周有促销活动,需求会增加
- 结果缺货,顾客投诉
- 损失销售机会
场景3: 信息不对称
- 中央厨房不知道门店的促销活动
- 门店不知道中央厨房的产能限制
- 双方信息不对称,计划不协同
- 导致缺货或积压
核心痛点
- 预测不准 - 店长凭感觉预测,准确率低
- 懒得预测 - 店长懒得预测,直接复制上周
- 信息不对称 - 中央厨房和门店信息不对称
- 协同困难 - 计划调整,沟通成本高
- 缺乏工具 - 没有预测工具,全靠人工
业务流程图
协同计划整体流程
需求预测流程
协同调整流程
业务规则详解
规则1: 预测模型
基础预测公式:
基础需求 = (上周实际销量 + 最近4周平均值) / 2
示例:
菜品: 红烧肉
上周实际销量: 400份
最近4周平均值: 450份
基础需求 = (400 + 450) / 2 = 425份节假日调整:
节假日系数:
- 春节/国庆: 1.3 (增加30%)
- 五一/端午/中秋: 1.2 (增加20%)
- 周末: 1.1 (增加10%)
- 工作日: 1.0 (基准值)
调整后需求 = 基础需求 × 节假日系数
示例:
基础需求: 425份
节假日: 五一假期
节假日系数: 1.2
调整后需求 = 425 × 1.2 = 510份天气调整:
天气系数:
- 雨天: 外卖×1.15, 堂食×0.9
- 高温(>35℃): 冷饮×1.25, 热菜×0.85
- 低温(<5℃): 热菜×1.2, 冷饮×0.7
- 正常: 1.0
调整后需求 = 节假日调整后需求 × 天气系数
示例:
节假日调整后需求: 510份
天气: 雨天
菜品类型: 外卖为主
天气系数: 1.15
最终预测需求 = 510 × 1.15 = 587份促销调整:
促销系数:
- 有促销活动: 1.5 (增加50%)
- 无促销活动: 1.0
调整后需求 = 天气调整后需求 × 促销系数
示例:
天气调整后需求: 587份
促销活动: 有(买一送一)
促销系数: 1.5
最终预测需求 = 587 × 1.5 = 881份规则2: 调整审批规则
调整幅度判断:
调整幅度 = |店长调整后需求 - 系统预测需求| / 系统预测需求 × 100%
示例:
系统预测需求: 500份
店长调整后需求: 600份
调整幅度 = |600 - 500| / 500 = 20%审批规则:
调整幅度<10%:
- 自动通过
- 无需说明原因
- 立即更新需求
调整幅度10-30%:
- 需要说明原因
- 中央厨房查看原因
- 如果合理,通过;如果不合理,驳回
调整幅度>30%:
- 需要计划主管审批
- 店长填写详细原因
- 计划主管审批通过后,更新需求常见调整原因:
合理原因:
- 促销活动(如买一送一)
- 团餐订单(如公司订餐)
- 门店扩张(如增加座位)
- 新品上市(如新菜品)
不合理原因:
- 凭感觉调整,没有依据
- 调整幅度过大,不符合实际
- 频繁调整,没有规律规则3: 产能平衡规则
产能检查:
汇总所有门店需求:
门店A: 红烧肉500份
门店B: 红烧肉300份
门店C: 红烧肉400份
总需求 = 500 + 300 + 400 = 1200份
检查产能:
红烧肉日产能: 1000份
总需求: 1200份
产能缺口 = 1200 - 1000 = 200份产能不足处理:
方案1: 按比例削减
- 每个门店削减比例 = 产能缺口 / 总需求
- 门店A削减: 500 × (200/1200) = 83份
- 门店B削减: 300 × (200/1200) = 50份
- 门店C削减: 400 × (200/1200) = 67份
方案2: 优先保障重点门店
- 重点门店(如旗舰店)优先满足
- 一般门店削减
方案3: 加班生产
- 延长工作时间
- 增加班次
- 提高产能
方案4: 外包生产
- 部分产品外包给其他厨房规则4: 协同沟通规则
沟通渠道:
系统内沟通:
- 店长在系统中提交需求
- 中央厨房在系统中审核
- 系统自动推送通知
即时通讯:
- 钉钉/企微群
- 紧急情况,即时沟通
电话沟通:
- 重大调整,电话确认
- 避免误解沟通频次:
周度沟通:
- 每周五,店长提交下周需求
- 中央厨房审核,周六确认
日度沟通:
- 每天早上,店长可以微调当天需求
- 调整幅度<10%,自动通过
临时沟通:
- 突发情况(如团餐订单),随时沟通
- 中央厨房评估,决定是否接单规则5: 预测准确率考核
准确率计算:
预测准确率 = (1 - |实际销量 - 预测需求| / 实际销量) × 100%
示例:
预测需求: 500份
实际销量: 450份
预测准确率 = (1 - |450 - 500| / 450) × 100% = 88.9%考核标准:
优秀: 预测准确率≥90%
良好: 预测准确率85-89%
合格: 预测准确率80-84%
不合格: 预测准确率<80%
奖惩:
- 优秀: 奖励200元/月
- 良好: 奖励100元/月
- 合格: 无奖励
- 不合格: 加强培训准确率提升:
1. 持续优化预测模型
2. 收集更多数据(如促销活动、天气)
3. 店长反馈,人工调整
4. 机器学习,自动优化数据流转
输入数据
历史销量 (来自门店POS系统)
- 每日销量
- 按菜品统计
节假日日历
- 节假日日期
- 节假日类型
天气预报 (来自天气API)
- 未来7天天气
- 温度、降雨
促销活动 (来自门店)
- 促销日期
- 促销内容
产能数据 (来自生产系统)
- 设备产能
- 人员排班
输出数据
预测需求 (给店长)
- 预测数量
- 预测依据
确认需求 (给 PLAN-001)
- 最终需求
- 调整原因
预测准确率 (给店长、计划主管)
- 准确率统计
- 改进建议
关键业务问题
问题1: 如何提高预测准确率?
场景:
- 预测准确率只有75%,不达标
解决方案:
- 多因子预测: 不只看历史销量,还要考虑节假日、天气、促销
- 机器学习: 积累数据后,使用机器学习模型预测
- 人工调整: 允许店长根据经验调整预测结果
- 反馈优化: 每周对比预测vs实际,持续优化预测模型
问题2: 如何处理新门店?
场景:
- 新门店没有历史数据,无法预测
解决方案:
- 参考同类门店: 参考同类门店(如同商圈、同规模)的销量
- 手工预测: 店长手工填写预测需求
- 逐步优化: 运营1个月后,再启用自动预测
问题3: 如何处理新菜品?
场景:
- 新菜品没有历史数据,无法预测
解决方案:
- 参考同类菜品: 参考同类菜品(如同价位、同口味)的销量
- 试销: 先小批量试销,观察销量
- 逐步优化: 试销1-2周后,再启用自动预测
问题4: 如何处理突发需求?
场景:
- 门店突然接到团餐订单,需要临时加单
解决方案:
- 即时沟通: 店长通过钉钉/企微,即时沟通
- 产能评估: 中央厨房评估产能,决定是否接单
- 加急生产: 如果接单,加急生产,优先配送
- 记录需求: 记录突发需求,用于分析
实施要点
第一步: 建立预测模型
需要准备的数据:
- 至少3个月的历史销售数据
- 节假日日历
- 天气历史数据
- 促销活动记录
预测模型:
- 初期: 简单的加权平均
- 中期: 多因子回归模型
- 长期: 机器学习模型(如ARIMA、Prophet)
第二步: 配置协同平台
平台功能:
- 自动生成预测需求
- 店长查看和调整
- 中央厨房审核
- 产能平衡
- 预测准确率统计
平台部署:
- 云端部署,支持多端访问
- PC端、移动端
第三步: 培训店长
培训内容:
- 如何查看预测需求
- 如何调整需求
- 如何填写调整原因
- 如何提高预测准确率
培训方式:
- 集中培训+在线培训
- 定期考核
第四步: 试运行和优化
试运行:
- 先在5-10个门店试运行
- 对比预测vs实际
- 收集反馈,优化模型
- 逐步推广到所有门店
预期收益
量化指标
| 指标 | 当前 | 目标 | 提升 |
|---|---|---|---|
| 预测准确率 | 60% | 85% | 提升25% |
| 需求沟通时间 | 2小时 | 30分钟 | 缩短75% |
| 缺货次数 | 8次/月 | 2次/月 | 降低75% |
| 库存积压 | 15% | 8% | 降低47% |
业务价值
- 准确率提升 - 预测更准确,减少浪费和缺货
- 效率提升 - 自动预测,店长只需微调,节省时间
- 协同优化 - 信息对称,计划协同,减少扯皮
- 成本节约 - 减少浪费和缺货,降低运营成本
成功案例
案例: 某连锁餐饮中央厨房
背景:
- 20个门店,店长凭感觉预测
- 预测准确率只有55%
- 需求沟通要2小时
- 缺货和积压严重
实施效果:
- 预测准确率从55%提升至83%
- 需求沟通时间从2小时降至30分钟
- 缺货次数从每月10次降至2次
- 库存积压从18%降至9%
客户反馈:
"以前店长凭感觉预测,经常不准。现在系统自动预测,店长只需要微调,又快又准。最重要的是,缺货少了,浪费也少了,成本降低了不少。"
相关场景
- COLL-001: 需求上报与确认 - 需求上报
- PLAN-001: 周度生产计划制定 - 生产计划
- QUAL-002: 鲜损耗控制 - 损耗控制
常见问题
Q1: 如何处理预测模型不准确?
A:
- 持续优化预测模型
- 收集更多数据(如促销活动、天气)
- 店长反馈,人工调整
- 机器学习,自动优化
Q2: 如何处理店长不配合?
A:
- 培训教育,提高认识
- 考核激励,纳入绩效
- 简化流程,降低工作量
- 展示效果,证明价值
Q3: 如何处理季节性菜品?
A:
- 季节性菜品(如火锅、冷饮)的需求波动大
- 建议使用同期历史数据,而不是最近4周数据
- 或者在系统中标记为"季节性菜品",使用特殊的预测模型
Q4: 如何与现有系统集成?
A:
- 如果有ERP系统,优先从ERP获取历史销量数据
- 预测需求可以推送到ERP,用于生产计划
- 通过API接口实现数据同步