近年来，越来越多的行业领先企业对其供应链计划过程中的基本假设进行了批判性审查和分析。他们探索了如何在当今动荡的计划环境中适应和发展。作为供应链计划顾问，我看到越来越多的企业对收集和分析Sell-in和Sell-out数据表现出浓厚的兴趣。

Sell-in是指制造商在特定时间内向批发商、分销商和其他大型B2B客户销售的量。而Sell-out则是指这些B2B客户将货物销售给零售商、杂货店、本地库存和消费者的量。

为什么Sell-out数据如此重要？如果目标是更好地了解产品组合的市场潜力，即其总的无约束需求，Sell-out数据才是真正的信号。获得这些数据有很多好处：它有助于检测竞争活动的变化、感知消费者行为的变化，并最终帮助构建产品需求驱动因素的全貌。

Sell-in预测可能会受到严重的牛鞭效应

从供应链计划的角度来看，Sell-in和Sell-out之间的差异非常重要，尤其是在预测过程中。目前，大多数制造商试图基于历史Sell-in数据预测需求，因为这些信息通过他们自己的销售和分销流程可以获得。

但这些数据并不完美，特别是在需求波动较大的情况下，而这正变得越来越普遍。如果消费行为发生变化，无论出于何种原因，这些变化需要一段时间才会反映在Sell-in数据中。这种延迟意味着供应链的反应也会延迟。

这种延迟是从哪里来的？实际需求变化需要时间才能转化为分销渠道中的库存减少，然后再转化为分销渠道中的补货订单，最终转化为供应链中的销售订单。这意味着从Sell-out到Sell-in信号的时间可能非常长（可能长达数月）。因此，消费者行为可能发生变化，而制造商几个月后才会收到失真的信号。鉴于SKU数量的增加趋势，这通常意味着订单量减少、订单频率降低和生产批次减少，延迟的影响只会加剧。

销售和分销层级越多，制造商的控制力越小，牛鞭效应就会越明显。牛鞭效应指的是需求信号在向上游传递时被放大和扭曲的现象。

例如，当Sell-out没有遵循零售商的预测时，牛鞭效应可能会发生。如果零售商为了防止积压滞销产品而停止Sell-in订单，这可能会向供应链上游发出错误信号。制造商可能会将此解释为需求下降并停止生产。然而，当补货信号最终恢复时，制造商可能会面临交货期问题，导致供应短缺。

相反，如果由于促销或竞品的暂时缺货导致Sell-in超出预期，这可能会暗示一个高于实际的预测。这会导致渠道中的库存积压，迫使公司动用贸易资金回购剩余库存，产生浪费，或者以较低的利润率在其他渠道出售过剩库存。

如何才能获取准确的Sell-out数据呢?

供应链从业者现在希望通过分析Sell-in和Sell-out数量之间的差异，减少信号延迟，但这也面临许多挑战。

在您采用包含Sell-out数据的外部导入策略时，请考虑我们建议的以下步骤：

首先，明确定义数据的业务需求及其潜在价值。与其盲目处理数据，不如根据具体的业务需求收集数据，以证明其价值并获得利益相关者的支持。在大多数情况下，这意味着与公司内部的其他团队沟通。例如，市场营销团队可以利用对活动有效性的洞察来调整策略，而销售团队可能会与Sell-in和Sell-out之间存在较大差异的零售商沟通，以了解根本原因。了解公司如何以最佳的、协调一致的方式做出反应，而不是作为孤立的部门，是流程改进的关键。我们发现，针对最显著的痛点，启动小范围项目并定期迭代，能带来最成功的结果，并向整个组织证明其价值。

其次，公司需要获得Sell-out数据。在这方面，公司应识别内部和外部来源以填补数据空白，认识到由于障碍和缺乏跨部门沟通，内部数据可能未被充分利用。这突显了加强公司内部和外部合作的必要性。根据行业和市场规模，外部数据源的渠道有很多。在美国的消费品行业中，批发商相对集中，因此公司可以与这些批发商达成协议，定期获取Sell-out数据更新。在生命科学行业，像IQVIA这样的市场情报公司提供按本地、地区、国家和国际层次汇总的销售点数据。

最后，有效处理数据，排除干扰，寻找有价值的信号，并利用人工智能工具简化这一过程。即使是不完整或杂乱的数据也可以提供某些洞察力，因为人工智能模型有助于消除干扰并提高数据质量管理。