首页 »
资源 » 此处
定量供应链侧重于生成自动化的高性能供应链决策。这种聚焦不在于提供每周预测之类的数字构件。这些构件被视为任意的内部计算，只不过恰好用于计算最终决策而已。我们将决策定义为供应链问题的解决之道，并且可以根据这种决策采取行动，即便对于供应链本身不会产生物理后果，也会产生可感知的后果。从传统供应链规划的角度来看，聚焦于供应决策或许会令人有点惊讶，因为它们不是沿着“规划与运营”的常规线路进行定义的。不过，聚焦于决策大大促进了供应链的实际优化。在本节中，我们将阐述供应链决策的概念，回顾最常见的决策类型，并确定决策驱动视角的关键方面的特征。
界定适宜决策的范畴
定量供应链对供应链挑战采取高度数字化和统计化的立场。然而，这种立场并不适用于所有挑战。为了评估定量视角是否适合于某种挑战，应评估是否满足以下条件：
- 再现性：制定数字方法来解决挑战需要付出努力，而这些努力会转化为成本。为了有利地优化供应链，需要确保优化过程本身的成本不会超出预期从中获得的好处。根据经验，诸如补货等每天或每周都需要解决的问题，相比扩张到新国家等例外问题更适合采用定量方法。
- 缩小决策范围：为了保持软件解决方案的复杂性可控，最好将焦点放到能够通过合理定义的决策类型来解决的供应链挑战上面，最理想的就是通过高度数字化的决策。举个例子，决定是否停止库存产品，因为需求太低，不足以证明为供应链带来额外负担的合理性，就是一个非常狭隘的问题，高度自动化的流程可以很容易地回答这个问题。相比之下，决定修改仓库管理团队的工作实践则是一个非常开放的问题，不适宜通过自动化来解答。
- 历史数据：软件解决方案不能凭空运行。解决供应链挑战的知识可以作为手动定义的规则嵌入到软件中；然而，创建一个一致、有效的决策规则是一项很难的任务。大多数现代化方法是从历史数据（销售历史记录、购买历史记录等）中广泛提取所有相关知识，并将规则条目限制到合理定义的供应链政策（例如 MOQ(最小订单量)）中，我们当然不希望软件试图从历史数据中推断出此类政策。
随着软件工程的发展，更具体地说，随着机器学习领域的发展，基于计算机的系统可以获取的决策范围每年都在扩大。例如，早期库存优化系统局限于至少有数月销售历史记录的产品，而较新的系统则支持所有产品，包括尚未销售的产品。
此外，对于过去供应链专家难以手动完成的问题，有时也可以通过软件工程得以完成。举个例子， 现代库存优化系统可以预测哪些库存记录最有可能失准，因而允许对库存进行优先化的重新盘存，这项功能的表现胜过较为传统的对所有 SKU 线性重新盘存的方法。
供应链决策示例
供应链存在不可思议的多样化，有时对某个特定垂直行业构成挑战的方面，或许对另外一个垂直行业只是趣事逸闻而已。在本节中，我们简要回顾一下非常适合从定量供应链角度出发的典型决策。
- 采购订单：决定从每个供应商处购买每种产品的确切数量。这项决策每天刷新，即便大部分时间都不会真正履行采购订单。采购订单应考虑到所有订购约束（MOQ）以及运输限制（例如集装箱）。此外，采购订单还可能包括选择运输方式（海运与空运），也有可能会出现运输组合。
- 生产订单：决定要生产的确切数量。生产订单应考虑到可能需要最低生产批次的所有生产限制。此外，最大产能可能会低于一年当中旺季的市场需求，在这种情况下，生产应提前增加库存，以应对旺季需求。
- 库存平衡：决定当前位于某处的产品是否应当转移到另一处，这通常是因为库存余额不再与按地点区分的预期未来需求相一致。同样，这项决策也会每天刷新，即使大多数产品大多数时候在各个地点之间转移不具备经济盈利性。
- 库存清理：决定目前持有的库存产品是否应被销毁或通过辅助渠道（通常是高折扣）进行销售。事实上，积压库存会不必要地扰乱仓库，从而产生比存货本身的经济价值更高的成本。根据垂直市场的具体情况，存货可以通过促销、专门渠道或纯粹的销毁来进行清理。
- 库存 vs. 直运：决定产品是否有足够的需求，来证明直接进行采购、存储和供货，或者是否最好按要求由第三方发货。产品直运通常产生较低的利润，但也降低了运输成本。这项决策采取的形式是定义要库存的产品的确切清单，同时保持总体库存多样性的可管理性。
- 有针对性的盘货：决定是否要重新盘存 SKU，因为电子记录有可能不准确，它可能与货架上真正有货的单位数量不符。该项决策是与重新盘存作业相关的劳动力成本，和虚拟库存对供应链绩效负面影响之间的权衡。实际上，相比员工受到限制的仓库或工厂，面向公众的零售店的库存不准确性要高得多。
有人指出，特定的垂直市场有自身的一套决策。与上面列出的示例相比，以下示例可能会被认为更依赖于背景。
- 零售店分类：决定每个零售店展示的产品的确切清单。有时，完整的产品目录可能会大大超出任何特定商店的容量；因此，每个商店只能展示目录中的一部分。鉴于商店容量，优化分类将实现零售店绩效最大化。此外，对于奢侈品之类的垂直行业，挑战变得愈发复杂，因为所选分类的每种产品的库存单位在商店中通常不只一件。
- 机会主义式替代：决定产品替代何时可以接受，以及何时进行替代有利可图。例如，新鲜食品电子商务可能会接受提前数日交货，这种做法造成已经订购的新鲜产品出现后续缺货问题，因此会更改原始客户订单。在这种情况下，用精心选取的替代性产品作为替代，可能对于零售商更有利可图，同时也能为客户提供更好的服务。
- 机会主义式撤销投资：决定转售原本用于内部消耗的库存（通常是可修理的部件）。可修理部件的库存通常在可使用和不可使用这两种状态之间轮换，因为部件会得到使用、收回、修理，最终得到重新使用。在特殊情况下，例如需求下降时，可使用部件的库存会大大超出公司需求。在这种情况下，就会出现在配件市场转售部件（通常以折扣价）以重新获得原始库存价值的一小部分，或增大未及时满足未来部件请求的风险之间的权衡。
- 保留不可使用的库存：决定立即修理不可使用但可修理的部件，或延迟修理并将部件作为不可使用的部件存放起来。尽管修理部件可能比购买新部件更便宜，但可使用部件的当前库存量可能足以满足长时间的需求。故此，延迟修理是在抵消未来修理成本（存在市场需求在此期间未转移到替代部件，因而绝不会发生这种成本的可能性），或增大未及时满足未来部件请求的风险之间的权衡。
- 机会主义式采购：决定何时值得进行采购操作，来为某个特定部件建立定价基准。在某些行业，部件的价格相对不透明。发掘部件的最新价格，比如发掘非常昂贵的设备的价格，可能需要耗费数天时间。当操作涉及成千上万的部件时，就需要在购买更昂贵的部件，和实施采购操作而产生的人力成本之间进行权衡。
- 保留捆绑包：决定何时值得独立售出某种产品的最后一个单位，或者最好是保留这个单位，来作为捆绑包的一部分进行后续销售。实际上，在某些情况下，提供捆绑包（即部件或产品的组合）很重要，而孤立地供应部件则不太重要。然而，如果是独立供应最后的部件，那么可能导致更大、更重要的捆绑包出现缺货问题。因此，存在立即提供独立部件，和面临捆绑包后续出现影响更大的缺货问题之间的权衡。
在形式化之前，通常是由人但也可以是由软件系统来隐式制定供应链决策。例如，最小/最大库存配置就是隐式地做出多种决策，而不仅仅是重新排序的数量：只要最大值非零，该种产品就会保留在这种分类中。此外，在触发补货前不进行重新盘存，这是另一种隐式的决策等等。遗憾的是，没有衡量就没有优化，因此，正是缺乏对决策本身的形式化，导致通常会阻止通过这些决策实现的供应链绩效取得系统性的改进。
数值构件 vs. 决策
在面对复杂的供应链问题时，从业者冒着混淆目的和手段的风险。例如，当需要补货时，确定与 SKU 相关联的每周需求预测仅仅是某些（而非全部）用于计算重订货数量的数值配方所需要的成分。每周预测只是中间计算，而订购数量则是最终决策。从定量供应链的角度而言，我们将这些中间计算称为
数值构件。定量供应链不摒弃数值构件的重要性；不过，它还强调这些构件只不过是有助于最终形成
供应链决策的数值表达式而已，它们具有一次性、暂时性的特定。
就数值优化而言，认为根据任意数学量度（例如根据 WMAPE（加权平均绝对百分比误差）优化的需求预测）优化数值构件将以某种方式机械地产生财务回报，这是一种谬论。虽然这在供应链中可能看起来是反直觉的，但通常情况并非如此。供应链问题一般是高度不对称的问题。例如在航空航天领域，缺少一个价值 200 美元的部件可能让一架价值 2 亿美元的飞机停在地面无法飞行。库存中保留的部件数量不一定主要受预期需求的驱动：部件成本与未拥有这种部件的成本的比较，将完全主导库存决策过程。
相比之下，定量供应链则强调，最终只有决策才是真正重要的，因为它们是对公司产生实际的可衡量财务影响的唯一有形要素。因此，尽管挑战决策的
绩效至关重要，但供应链管理也应当对适用于非约束性、非承诺性的瞬态数值结果（例如每周或每月需求预测）的 KPI 抱有适度的怀疑。
介于现实与虚构之间的约束型决策
供应链决策通常受到种种约束：只有在满足一组数值约束的情况下，答案才会有效。例如，采购订单可能会受到代表非线性约束的 MOQ（最小订单量）的约束。此外，仓库的储存容量有限则是又一种非线性约束。
这些约束通常由供应链运营相关的基本经济驱动因素产生：考虑当前产品价格点；只有在产品经托盘打包出售，产品分销才具有经济可行性，进而该种产品只能以表示装载托盘的批次大小（例如50个单位）来出售。
不过，也可能出现任意组织规则导致约束的情形。例如，某公司可能确定一个部门的年度采购预算上限是 100 万美元。该预算约束是在真正知晓该部门的销售额之前建立的。在这种情况下，预期采购决策将遵循由相对任意的预算过程带来的非线性约束。
定量供应链力求尽可能地反映实际的供应链约束，在提供较新而且可能经过修正的供应链约束的情况下，组织就能够流畅地运作，而不会受到上述过程任意方面施加的束缚。实际上，在供应链中，大多数任意约束都源于缺乏自动化：如果每个部门的"最优"预算不能可靠地每天重新估计，那么考虑到公司范围内所有的横向问题，那么它就自然而然地会诉诸于年度或季度预算。
决策离不开确定优先级并加以协调
几乎所有供应链决策都相互依存：从供应商处购买的每个额外的库存单位，将会在仓库中占用额外的空间，直到仓库装满为止，而后运作戛然而止。这些依存关系通常是间接的，难以从数字角度解决，但从供应链角度（乃至从战略角度）来看，这并不意味着它们就不甚重要。整体服务水平达到 99％ 固然是好，但最大的客户获得的服务水平只有 85％，因为所有的缺货事件都集中在这个大客户所购买的产品组中，那么公司将面临失去这个最大客户的重大风险。
要想充分利用供应链中共用但却有限的资源，最直接的方法通常是确定决策的优先级。例如，由于仓库储存能力和流动资金都受到限制，所以目标不仅仅是额外购买一个能盈利的库存单位，而是确定整个产品目录中下一个最能盈利的库存单位。孤立地处理库存采购决策，将造成库存空间耗尽或采购预算花费在低利润产品上的风险。
实际上，这个确定优先级的过程需要极大改变用于支持供应链的分析软件。各个决策不能孤立地加以处理——原始供应链方法（例如最小/最大库存）就属于这种情况，所有决策都需要放在一起，并按其各自的大致盈利能力进行排名。如果运用现代软件解决方案，这种过程是可行的，但与早期供应链方法相比，它确实需要相当多的计算资源。
为处理施加于供应链运营的所有横向约束，我们需要协调这些决策。例如，当从海外供应商处订货时，订购整个集装箱的经济激励可能会很大。因此，挑战不在于选择每种产品的数量，而在于选择总体上与容器容量完全匹配的数量。横向约束在供应链中普遍存在：调整时装新品的分类，确保为在DIY商店中布置各色产品的客户提供出色的服务水平，而不会因为一家商店的超大订单而耗尽中央仓库的空间，进而让其他商店也付出代价等等。
解决这种协调问题的传统方式是进行两阶段计算，效率极其低下。第一阶段是是忽略协调问题，第二阶段则是修正原始数值输出以契合该问题。以上文提及的集装箱为例，在第一阶段，我们可以计算要订购的数量，同时完全忽略容器角度；第二阶段，我们可以修正这些数量，以使总数量真正能装满整个集装箱。这种两阶段计算的主要缺点是，第二阶段完全忽视了进入第一阶段计算的所有经济驱动因素。换言之，对第二阶段结果的修正，可能让进入第一阶段计算的盈利性决策的所有努力"付之东流"。现代软件引入“数值解算器”来解决这种情况，这些解算器可以适当解决这些横向约束。重申一下，相比原始的两阶段计算，这些解算器对计算资源的需求远远更高，但考虑到如今计算资源一般很容易获得，因此这不成问题。