进行统计预测应该使用真实的需求数据，但真实需求数据是无法掌握的一个数据，真实需求数据和真实出货数据会存在差异，例如客户下达了订单，由于缺货当月未发货，在下个月初发货，如果不进行数据清洗，可能会造成预测失准，进行数据清洗只是希望用于统计预测的数据能够接近这个数据。国内多数企业并不进行这步操作而是直接使用出货数量进行统计预测。

不同的企业由于客户不同，数据清洗方式不同，基本有统计方法进行数据清洗和基于具体客户的数据手工进行数据清洗两种模式。

（1）统计方法数据清洗

大的品牌企业多数是采用统计方法进行数据清洗方法，这些企业有很多的经销商，每个产品都卖给多家经销商，每家经销商的占单个产品的销量比例都不大，因此可以基于统计方法来削峰填谷。统计方法数据清洗又分为系统自动清理数据和计划员针对重点产品进行手工调整的方法。

笔者辅导过的一家企业有12万个成品SKU号，出货波动很大，该企业的数据清洗的方法就是计算产品的出货均值和均方根，将周销量与均值超过3倍均方根的数据进行修正。

销售出货量偏差的一种重要原因是因为促销造成的，品牌企业的促销很多时候是压货，只是把货物推到经销商那里，本月多卖了，下月销量会掉下来。针对促销产品的数据清洗更多的是靠计划员凭借经验按照百分比数值将出货量调整下来。

（2）基于产品—客户进行数据清洗

对于合成材料供应商，其每种产品的客户数量是有限的，一般不会超过20个，销量波动的原因有的是单个客户的需求随机波动，但影响更多的是新增/减少客户造成的。

这种分析需要计划人员将出货数据整理成为滚动周出货数据，然后凭借经验分析异常。例如对下面这个产品，2020是常规使用的客户，而2013是偶然订货客户，3个月里面就订了这一次，因此做预测时必须将2013这个客户的需求剔除，2013客户在这个产品的后续需求需要由具体的销售人员与客户单个沟通。如表3-2所示。

表3-2 滚动周出货数据

单位：件

下面介绍某公司使用SAP的APO的需求计划模块及数据清洗。

需求计划流程包括4个步骤：销售记录调整、统计预测、销售计划调整和最终计划。我们可以从图3-1的左下的Planning/book栏看到其包含从IP1.1到IP5.1四个条目。计划员在每个PLANNING BOOK中执行一个步骤，当前的是IP1.1销售计划调整。

图3-1 需求计划流程

在Selection profile中的每一个条目代表一个工厂，当前选择的是日本工厂，在最上面代表的是一个7位产品号码。

图的右侧区域是实际数据。Actual sales History代表的是实际的销售数据。计划员可以在Adjustment to sales history 里面改变数字，从而得到Cleaned Sales history, Cleaned Sales history是统计预测模型的基准数据，调整的依据是根据一些反馈。例如客户实际希望购买600在11.2006，然而工厂只有500的库存，因此实际销售数据是500，然而为了得到更准确的未来销售数据的预测，计算的基础应该是600。