强势职能，比如销售和研发的不作为，人们容易看到，也经常口诛笔伐；但是弱势职能，比如计划和供应链的不作为，却因为被其“受害者”的角色所掩护，往往不容易发现，也就更不容易纠正。
比如说，一个好的预测，除非是重复性非常低的长尾需求，是“从数据开始，由判断结束”：由计划职能做好数据分析，在历史数据的基础上做出基准预测，再由销售、市场、产品等职能根据促销、活动、新品导入等做调整，最后得到一个“准确度最高的错误的预测”——所有的预测都是错的，但整合了历史信息和专业预判的预测错得最少。在这一流程中，计划和供应链抱怨最多的就是销售的不作为：销售是强势职能，不愿意提供判断，我们也拿他们没办法。不过想想看，做砸预测，是不是符合销售的利益诉求？当然不是。所以这事儿可能远没有看上去那么简单。
举个例子。我到一家公司，问他们的计划经理，你“从数据开始”，分析每个产品的需求历史，比如前三个月、六个月的需求，得出未来三个月的基准预测，就给销售经理们做判断，发给他们的Excel表格有多少行？意即让他们判断多少个产品。答曰：几十行到成百行。我接着问那四个销售经理，看到这么一张成百行的Excel表格，你们怎么判断？答曰：不知道如何判断——人的判断力有限，那么多的内容，帐多不愁，当然就没法判断。
想想看，销售一般是按照地域、客户、渠道等划分职责，每个销售经理只负责自己的地区、客户和渠道，只知道他们负责的，不知道别人负责的。现在让判断产品层面在全国、全球的需求预测，他们哪有能力判断呢？
并不是所有的产品都需要判断。有些产品卖给很多客户，每个客户只占几个百分点的销量，东边不亮西边亮，上下起伏一般会互相抵消，其实是不需要每个具体的销售做判断的。如果要判断的话，也是在公司层面，了解在未来一段时间，整体销量预计增长多少，有没有大的促销和新品上市计划，有的话预估对产品的销量影响。这样的判断其实是聚焦在很少的几个人那里。
真正需要判断的呢，是那些需求集中度高的产品。比如这个产品虽然卖给10个客户，但其中一个占总销量的40%，一旦这个客户有大的变动，我们就可能受不了——这样的客户就叫“大石头”，投入需求的“水池”中，能够溅起大浪的。那好，我们把这个客户的预测单列出来，比如总预测是100个/周，其中40个是为这个特定客户预测的，让相应的销售做判断。这时候，我们落实到了具体的产品、具体的客户、具体的销售，冤有头债有主，让销售判断的可执行度大增。这个销售一看需求历史和预测，说客户最近要多开几家店，估计需求要拔高四分之一。那好，这意味着该客户的需求由40个变为50个，而产品的整体预测也由100个变为110个，我们真正完成了“从数据开始，由判断结束”的闭环流程。
这也意味着，需求历史的分析要到产品-客户层面。一个公司，产品动辄就成百成千个，客户几百几千，产品与客户的组合动辄在成十万，数据分析做到这个层面，意味着Excel表格有成十万行，加上13周的需求历史，13周的预测，每周各占一列，还有其他数据，动辄就是几十成百列。这样的文件有多大，分析有多复杂，我们当然不能期望销售经理能胜任----计划职能的数据分析能力最强，处于最佳的位置做这样的分析。但是，很多计划人员“懒政”，不作这样的分析，找到真正需要判断的“大石头”，而是一股脑儿把产品层面的信息甩给销售，销售经理们当然是没法判断的。就如这个案例中的计划，他们与其说是在征求销售的判断，不如说是在免责：销售，我是问过你们做判断、调整的，以后预测错了，可别怪我们做计划的喔。
这种免责式的不作为，还表现为让销售填写各种各样的表格：因为计划没法聚焦真正需要的信息，就让销售把各种信息都填报；胡子、眉毛一把抓的结果呢，又让销售的精力太分散，反倒影响对真正重要的信息的沟通。走到极端，就成了一线销售提需求。这后面的逻辑是一线销售最接近客户，最可能知道客户要什么。没错，如果是长尾产品，客户定制化程度很高，需求的重复性很低，那我们要么等着客户订单驱动，要么由一线销售提需求。但除非在特殊行业，绝大多数的产品不是这样的，它们的需求就如下图所描述的，中长期有一定的趋势和季节性，是能够基于历史数据预测的；趋势和季节性外，是没法用数据模型模拟的，但并不意味着都得靠销售来判断——小的变动是随机的，销售是没法判断的，我们需要通过安全库存、供应链执行来弥补；真正需要判断的是波峰波谷，以及其后能够显著影响需求的因素，比如促销、活动、新品等，不管是由我们导入，还是来自客户、竞品的行为。
像这样的产品，数据分析得当，计划可以得到一个相当靠谱的基准预测，再加上销售的判断，整体预测准确度会有一定的保证。但是，计划不作为，完全依赖一线销售来提需求，每个销售的颗粒度那么小，相应的趋势和季节性会更不明显，可预见性会更差，绝对是预测不准的。有人或许说，那么多的一线销售，有的数据高，有的数据低，会不会互相抵消，提高整体的预测准确度？答案是：可能性很小，这些销售身处同样的环境，受同样的影响，表现出来的偏差也是同向的，比如在短缺的时候，大家都会拔高预测；在过剩的时候，则一窝蜂地降低预测，因此整体准确度还是会有较大的偏差。
