供应链管理专栏

我们一直在强调，需求预测得"从数据开始，由判断结束"，主客观结合，得到准确度最高的预测。有的公司说，我们也遵循这个原则，不过是销售提需求，计划做调整。这看上去也是"从数据开始，由判断结束"，却是由错误的人在做正确的事，自然不会有什么好结果。

以前我们谈到，一线销售做预测，颗粒度太小，准确度不高；责任考核机制缺失（没见过哪个销售丢了工作，是因为预测准确度低），而没有考核机制的事情是做不好的。既然如此，为什么那么多的企业都在由一线销售做预测？

定制化需求是复杂度的一大来源。在管理定制化需求上，销售是企业的第一道防线，价格是常用的举措：你要功能X，可以；加上功能Y，也可以；再加上功能Z，当然可以。不过这都不是免费的：这里是您的报价单，X需要100元，Y需要30元，Z需要80元。

在需求预测中，时间序列是把需求历史按照时间的先后顺序排列，影响需求的变量只有一个，那就是时间。这并不是说没有别的变量；有，而且可能很多，但我们没法一一解释，就把它们全都归因于时间（有点像"时间可以治愈一切"）。这些变量整合在一起有一定的惯性，随着时间的进展，呈现出某种模式，这就是需求的延续性。

有些人习惯性地淘汰供应商，把淘汰当做管理的主要方式。

以前我们谈到，一线销售做预测，颗粒度太小，准确度不高；责任考核机制缺失（没见过哪个销售丢了工作，是因为预测准确度低），而没有考核机制的事情是做不好的。既然如此，为什么那么多的企业都在由一线销售做预测？

二十多年前，我在亚利桑那州立大学读商学院。有一天，研究战略采购的皮尔森教授说，采购曾经是一个人的最后一站。大家忙问这话怎讲？教授解释道，在以前，如果一个人干不了设计、做不了销售、整不来生产，也做不来人事、财务、计划，那就只能去做采购了；如果连钱都不会花了，那就只好卷起铺盖，另寻高就----不，去祸害竞争对手吧。

在很多企业，一线销售提需求是个普遍的现象。理由看上去也很充分：他们最接近客户，最可能知道客户要什么。其实，除非是客户定制化的需求，一线销售在做需求预测上挑战多多。

这些年来，很多行业都有"快消品化"的趋势，助长了SKU的数量泛滥，导致批量越来越小，复杂度越来越高，规模效益越来越低。可以说，SKU泛滥是供应链的大敌。很多企业并没有充分认识到SKU泛滥的严重程度，习惯性地低估SKU的复杂度，在大批量行业尤其如此。

马斯克有个五步工作法，起源于他在特斯拉Model 3量产过程中的教训和反思，通过他与一位主持人的访谈，被广泛传播，我们这里简单总结一下。

在博弈论中，"智猪博弈"是个著名的纳什均衡例子（摘自"百度百科"的"智猪博弈理论"）。

【初学者问】我的专业是工业工程，目前感兴趣的工作有两方面，一个是计划，另一个跟供应链稍微偏差些，是数据分析。我由于本身专业跟供应链很相关，而且对于生产计划这样与数据打交道的工作也很感兴趣，但是专业课上学到的无外乎移动平均法、指数平滑法、霍尔特法这些，感觉一个外行人用点心，一天就能熟练掌握几种预测方法，我想知道在计划这个行业进一步是什么样的职业发展道路？

集中采购事关多个职能，在显著改变企业的做事方式，是个实质性的变革。作为变革推动者，采购需要展示领导力，更多是个领导力挑战。

在《读者》上看到王蒙的一句话，很有感触："凡人容易滑向经验主义，圣人容易走向教条主义"。经验主义是感性的，局部的；教条是理性的，有一定的普适性。圣人之所以是圣人，是因为他们经多识广，"数据"充分，总结提炼出了规律性的东西。《读者》上还有一篇文章，说普通人的盲区是"过于依赖自己的直觉"，专家的盲区则是"过于相信自己的理性和经验"（《到底谁不靠谱》，作者人神共奋，《读者》2019年第4期），跟王蒙之言有异曲同工之妙。

计划由人做，人是有缺陷的，表现为各种偏见。不管是获取信息、处理信息，还是在输出信息、反馈判断结果的时候，人们都可能有意无意地掺入自己的偏见。这是人的天性，作为管理者，我们得正视并寻求解决方案。这里我们主要想讲三种偏见，以及如何应对。

销售天生的任务是接订单，但更重要的是管需求，即在客户的需求定义阶段真正理解需求，正面影响需求，标准化需求。用华为的话讲，就是给产品管理和设计人员清晰、干净、标准的输入（大意）。很多企业的现状是有销售，但客户管理缺失；有订单管理，但没有需求管理。

案例企业是个代理商，代理上万个产品，服务几百个客户。客户的产品生命周期在缩短，产品更迭频繁。案例企业的挑战呢，就是没法及时探知变动，调整预测，结果是短缺与过剩并存。

对一个采购品类来说，供应商选择就是制定合格供应商清单。合格清单把供应商的"口子"收起来，以后的新产品、新项目主要跟"口子"里的供应商合作，集中采购额，产生更大的规模效益。但是，"口子"收起来了，就面临着灵活性的问题："口子"外的供应商想进来怎么办，内部客户发现更好的供应商怎么办？

企业有三大核心职能：设计开发个好产品，营销卖个好价钱，供应链以合适的成本和速度采购、生产出来。供应链的价值主要体现在三个方面，也是《供应链的全局观》的重点：

上世纪九十年代，为脱离重重困境，通用汽车起用西班牙人洛佩兹负责采购。此公是个工学博士，研究的是生产制造和运营。按道理讲，洛佩兹应该是解决问题的高手，实际上，他却以年复一年地向供应商铁血压价而闻名。

极端值会显著影响线性回归的统计参数，降低模型的预测准确度，需要严肃对待。让我们看个具体的例子，来简单介绍极端值的处理。

我接触过几个软件公司，都是开发计划软件的。他们有的基于数理统计，提供多种预测模型以供择优选用；有的基于人工智能，通过机器学习，为需求预测和库存计划提供独特的解决方案。这些软件都远非完美，不过整体而言，要比一帮计划员拍脑袋、各行其是强。但是，很多企业就是不愿采用，或者即便实施了计划软件，实际工作中还是在Excel中手工做计划。

作为行业领先的那几家企业，你会发现人人都在跟你抢市场：一方面是同一级别的竞争对手，在全地域、全品牌、全渠道跟你缠斗；另一方面是更小但更聚焦的对手，他们要么专注特定产品，要么聚焦特定地域、渠道、平台，成本优势更明显。

企业在需求预测上投入巨大资源，但很多预测行为其实不增加价值。预测是否增值的话题，大致在2015年前后，开始有了相当的热度，在杂志和学刊上有很多文章，也成为专业会议的议题，话题主要有二：

有一次我到一家企业，发现上上下下都在忙着开二供，找替代料。原因很简单：关键元器件短缺，再加上业务的井喷式成长，导致芯片、二极管、显示屏普遍短缺。但是，由于技术原因，该企业的2000多个关键料号中，独家供货的占比90%多，这二供可有得开啦。

计划做好了预测，但采购对预测的准确度，或者供应商的交付能力不放心，因而调整预测的数量或时间。比如计划的预测是100个，月底要；采购拔高到120个，让供应商25号就交过来。这样做行吗？答案是不行，如果这个需求预测已经是"从数据开始，由判断结束"，准确度已经是最高了的话。

最近两年，案例企业在推行资源整合。一轮整合下来，全公司的供应商由3000多精简到800多个。就某个品类来说，以前有190多个供应商，大大小小、海内海外都有；现在就30多个，采购额更集中，日常管理上也更容易聚焦了。

有个企业的需求计划由各大区提交，在总部汇总，预测准确度历来不高，造成供应链的很多库存问题。供应链部门就建立了需求评审制度，让总部的营销、市场、财务和供应链等部门评审需求预测。但大区的销售们不满意，认为评审增加了一环，阻隔了销售与生产的有效对接。案例企业就问我，需求评审流程该如何设置。

"貌似辉煌宏大的作品很多。它们面具相似，以晦涩复杂，修饰内容的虚浮投机，以主题博大，覆盖思想的贫瘠平庸。"这是多年前，"思维的乐趣"网站的片头语，放在那些复杂的预测模型上也适用。

跟瑞幸这样的性价比竞争对手相比，星巴克以丰富的定制化选项著称，但灵活的代价是更长的等待时间，也增加了咖啡师的工作量（这也是咖啡师推动工会化的原因之一）。星巴克的定制化选择究竟有多丰富，看看这些能够"自定义"的组合就可略知一二。

在需求预测上，层层报批是种很常见的做法。

作为小公司，我们资源有限，很难对供应商做到重选择----我们派不出一帮工程师，在供应商现场做3天的评估；就那么点生意，供应商也不愿意陪我们玩。所以，小公司八成只能派个有经验的员工，到供应商现场看一看，差不多就做生意（轻选择），不行就换呗（重淘汰）。

一位读者微信上问我，你喜欢读者以什么样的方式，和你沟通、学习呢？在我的每一本书上，我都留下了自己的联系方式，包括个人微信（13651271450），当然是希望跟读者互动沟通，了解他们面临的问题和挑战。不过互动和沟通的方式不重要，不管是留言还是短信，告诉我你的问题即可；重要的是问题----有些问题我是没法回答的。

有个几十亿营收的服装品牌商说，优质供应商早期介入了，但在后续的公开招标中，报价不是最低，拿不到生意，下次就不愿再帮助设计优化。

有异于每个格子都得填，开市客和美国西南航空是专填"大格子"，是战略聚焦的典范。正因为这样的聚焦战略，也助力他们成为各自行业的佼佼者。

不管是什么产品，在什么行业，需求预测都有一些普适规律，这里总结三个。

有段时间行业性供应紧张，单货源风险很高；紧缺物料供需不平衡，看上去会持续一段时间，连战略供应商都在建议多货源，开二供。案例企业问该怎么办。

案例企业的需求相当复杂，主要分三大块：大客户，渠道客户，零星散户。大客户和渠道走的是传统的线下业务，是典型的B2B；零星散户走的是线上电商业务，通过App下订单，虽然是小商户，却跟典型的B2C业务很像。线上、线下业务并存，大客户、渠道和散户对需求的影响方式也各不相同：大客户的需求变动主要是客户驱动，比如客户自己的促销、活动等；渠道和零星散户则主要由案例企业自己驱动，比如渠道政策、线上活动等。

采购权集中了，集中采购就有了组织保障；需求整合了，集中采购就有了规模效益的基础。这里要讲的是供应整合，以最大化集中采购的效果。

从数据开始，并不是只收集数据，更重要的是分析数据，从数据中发现规律，指导后续的工作。这是我从雀巢的一位计划总监的报告中体会到（如图）。

相比线上，线下业务更复杂，供应链成本也更高。

在很多企业，供应链是围绕量产需求设计，以效率为导向，成本能做低，但速度做不快。这往往成为新产品开发的挑战，因为研发虽然关注成本，但更关注速度。研发的需求得不到有效满足，就对供应链很不待见。看上去这是研发的行为问题（对供应链不好，不待见），其实解决方案在供应链的能力上：（供应链）不改变（支持新产品的）能力，（研发）就不会改变（不待见供应链）的行为。所以，表面上看是（研发的）行为改变，实质上是（供应链的）能力建设问题。让我们拿个案例来说明。

预测准确度有三种常见的计算方式：绝对误差、绝对百分比误差、均方误差。下面我们通过一个例子来说明。

亚马逊的创始人贝佐斯说得好，计划B的价值就是确保计划A奏效（大意），言下之意是没有备份方案----我们不能一开始就计划失败，给自己准备逃跑路线；我们得深思熟虑，有所作为，争取首发命准。

一谈起数据分析，人们经常抱怨的是没数据。就如一位职业经理人说的，公司多年来快速发展，到千亿规模了，还是靠"肩扛手拉"，从Excel到Excel，没有系统的历史数据积淀，也没有数据模型，怎么办？

案例企业是个千亿级的制造企业，为了提高响应速度，采购由集中变分散。总部负责建立系统、制定流程和规章制度，事业部负责执行和结果。他们有个专门的名词叫"职能下沉"，实际上是典型的混合结构。

有位职业经理人跟我说，公司除了在行业数据研究领域有专业的分析人员外，其余的计划人员都没有数理统计的背景，言下之意是数据分析能力很薄弱。这是个千亿级的企业，计划员工多年来靠传帮带的方式培养，以数据搜集、汇总为主，在需求预测上严重依赖销售、产品和高管的判断。

我们都说预测要准，比较的基准是什么？其一，跟预测比。你说你要100个，实际上是否要了100个？其二，跟实际需求比。客户实际需要100个，我们是不是提前预测到100个，驱动供应链及早响应，有效满足？

有些设计人员认为，要设计出与众不同的产品，就得用不同的材料、零件。这后面的逻辑呢，要差异，就得不同，就不能有太多约束。这是把"不同"等同于差异化，有些企业甚至以此为卖点。

让我们拿需求计划为例，阐述计划的"责任链"这一重要概念。

有一家纺织企业营收达几十亿，是行业最大的几家企业之一。他们所处的行业季节性挺强，一到旺季，供应商产能不足，是个老问题。老总说，现在滴滴打车很流行，为什么不用滴滴打车的方式，在旺季的时候出较高的价格，吸引供应商合作呢？我告诉他，如果你是小公司，滴滴打车的方式或许可行；但现在是大公司了，滴滴打车往往没法解决你的问题。

在《信号与噪声》一书中，特纳·希尔佛阐述道，预测之所以重要，是因为它连接着主观世界与客观现实。在企业里，哪个职能代表主观世界？销售----销售天生是乐天派，总是生活在希望中。哪个职能代表客观现实？供应链----供应链天生更加现实，因为他们知道，把现金变成库存容易，把库存变回为现金可就难了。而这主观与客观呢，就体现在销售预测、需求预测上。

在集中还是分散采购上，博弈的焦点一般都是供应商的选择权。但真正的挑战呢，是对供应商有选择、没管理，绩效管理跟不上，导致不管是哪种方式，都不会长久。

我们经常说，供应链要么是订单驱动（拉），要么是预测驱动（推）。其实不管是推还是拉，从供应链的角度来看，最终都是预测驱动，因为一个人的订单注定是另一个人的预测。比如小姑娘在网上买衣服，她得给商家下订单，是基于她预测未来会穿这衣服。不过到她的衣橱里看看，有多少件衣服买来后就再也没碰过？很简单，小姑娘的预测失败了呗。

在需求预测中，时间序列是把需求历史按照时间的先后顺序排列，影响需求的变量只有一个，那就是时间。这并不是说没有别的变量；有，而且可能很多，但我们没法一一解释，就把它们全都归因于时间（有点像"时间可以治愈一切"）。这些变量整合在一起有一定的惯性，随着时间的进展，呈现出某种模式，这就是需求的延续性。

有个几十亿营收的企业"调查"丢单的原因，销售异口同声归因于客户要的我们没有。那好，他们就走上无限定制之路，连小小的家庭用户要什么都给定制什么（以前主要给大公司客户才非标定制）。

新冠疫情没开始多久，美国就算是掉进坑里了，新冠确诊病人很快超过40万了（2020年4月7日）。特朗普可以说是焦头烂额，每隔几天就得在白宫讲话，面对媒体咄咄逼人的问题。

虽然说在规模上，很多企业完成了从"小白兔"到"大狮子"的转变，但在意识上，小公司的心态却还很普遍。表现在供应商管理上，就是轻选择、重淘汰，这是供应商管理的一大误区。

在供应链上，当前一环的诉求成为后一环的KPI的时候，后一环会更有动力来尽力来满足。但能挤的水分都挤完了，能做的努力都做了，最终我们面对的往往还是"不可能三角"，交期、数量、成本没法同时保全，怎么办？

有些公司喜欢集中采购，有些企业甚至有指标，说集中采购的比例每年要提高多少多少，好像越集中，就越是"大采购"。其实不然。我看到很多管理非常粗放的企业，采购的集中度相当高，但还是在做典型的"小采购"，比如一标一议，一标一操作；供应商有选择，没管理。

一提起指标，大家联想到的就是"紧箍咒"，怎么能"保护"计划职能呢？没有指标，自由自在地做事，这不更好嘛！对于强势职能没错，但对弱势职能则是大错特错。

一提到考核计划职能，人们想到的就是预测准确度。预测准确度是重要，但股东买你们的股票，客户买你们的产品，是不是因为你们的预测准确度高？不是。预测准确度是个过程指标，而股东和客户更在意的是结果，比如客户在意按时交付，股东关注资产周转率和运营成本。

在我的《采购与供应链管理：一个实践者的角度》（第4版）中，我们详细地探讨了供应链的降本三台阶：第一个台阶是整合需求、整合供应产生规模效益，谈判降价，降低采购价格；第二个台阶是流程优化，通过优化生产流程来降低生产成本、自动化交易流程来降低交易成本；第三个台阶是设计优化，通过价值分析、价值工程来降低产品设计决定的成本。

对需求预测负责，就是对预测的过程和结果负责。责任职能要懂得需求预测怎么做，由谁做，错了怎么办，并围绕业务诉求，推动预测能力的持续改善。

竞合关系下，供应商的可替代性较低，作为采购方，我们不能把淘汰作为供应商管理，而是对供应商要"有选择，有管理；谁选择，谁管理"，如图5。

销售与运营计划（S&OP）的着眼点是消除信息不对称，拉通销售、市场、产品、计划、生产和采购等多个职能，有效对接业务与运营，制定同一个计划，成为供应链协同的基础。

有些企业雇人，更多是冲着一些名企去的，希望挖到那些企业的"空降兵"。但是，那些名企的员工，头顶成功的光环，大多是公司的成功，而非个人的成功。真正把公司成功和个人成功融为一体的，不多。

MLCC 是由多层陶瓷介质和金属电极交替堆叠、烧结而成的片式电容器。它是目前电子产品中用量最大的电容类型，广泛用于手机、计算机、汽车、工业设备和5G通讯等多个行业。

短缺来临时，特别是行业性的短缺下，很多企业就本能地拔高预测、拔高安全库存，给供应商下达远超采购提前期的订单。

协作关系跟它的变种"合作""共赢"一起，可能是供应商关系中最被滥用的词语，几近"鳄鱼的眼泪"。在我看来，真正的协作关系须具备三个特点，三个必要但不充分的条件：（1）长期关系；（2）跟数量有限的供应商做生意；（3）共同解决问题，而不是转移问题，如图73。

我刚到硅谷的时候，第一份工作是做采购。在供应商管理上，公司有基本的分权，但远不是七权八权分立。作为供应商业务经理，我对供应商选择和整体绩效负责，却不存在权力过大的问题：在供应商选择方面，公司有完整的寻源流程，留给个人的发挥余地很小；在供应商绩效管理上，公司有健全的系统和流程，如果选择了糟糕的供应商，能及时从供应商绩效中反映出来。

所有的预测都是错的，但有个预测要比没有强。因为没有预测，意味着多个预测并存。

需求预测的大错特错更难避免，还是精益求精更难做到？仁者见仁智者见智。作为一个二十多年的供应链老兵，我更倾向于后者：如果说前者相当于把大肚腩减下去的话，后者就是不但要减掉大肚腩，而且要练出六块腹肌，当然也是更难了。

2000年，阿里巴巴刚成立不久，马云第一届西湖论剑，稚气未脱；华为崭露头脚，营收刚过百亿；中国移动成立了，可在一个摩托罗拉传呼机主打天下的年代，有多少人能预料到这是未来手机用户的全球第一呢？

在很多企业，销售与运营协调的主干流程没打通，需求预测能从数据开始，但没法由判断结束，对可能显著改变需求的事件缺乏预见，导致大错特错频发，结果要么是习惯性的救火状态，要么是灾难性的库存问题。

我们从供应商那里一般就采购两类产品：我们自己设计，供应商按图加工，涉及到产品设计和工艺设计的交互优化，我们上面已经讲过；供应商自己设计，我们从货架上买，涉及到设计选型，我们这里接着讲。

在很多企业，这两个名词通用。但在严格意义上，二者是有区别的。

我学到这点，是二十多年前在美国找工作时。当时一个公司在招聘供应链业务经理（职责如同别的公司的品类经理、供应商经理、采购经理等），我去应聘，招聘团队问的就是这些问题（图1）。后来我组建团队，也是设计类似的问题来评估团队成员。

在供应链领域，我们总是离不开跟成本和库存打交道。这两者都很难降，但究竟哪个更难？ 

MBA刚毕业的几年间，我在硅谷的一家半导体设备制造商，从事供应链管理，管理供应商。半导体设备行业的周期性很强，是"牛鞭效应"的重灾区，业务起伏之大，几个月内订单可以翻倍，也可能减半。环境严酷，人员变动非常大，三年内换了5个老板。每次换老板，以前做过的都得从头来一遍，因为新老板大都有自己的一套。如果老板是来自别的行业，问题就更大：因为不了解新的行业，很多半导体行业的做法、惯例，好的也罢，差的也罢，都会受到挑战；以前的决策，推倒重来的可能就更大。当时觉得专业人士的痛苦，莫过于外行领导内行、新手管理元老了。

是求大求全，还是走精品路线？是所有的格子都填，还是专填大格子？这都是企业在战略层面需要做出的选择。

这些年来，我每年拜访、服务几十家本土企业，他们的年度营收上至千亿，下至几千万、刚过亿，规模大不相同，问题却惊人地相似：供应链的成本做不低，交付做不快，库存水平居高不下。这些问题，表面上看是供应链的执行不到位；但仔细探究，根源却都离不开计划，比如需求预测变动频繁，紧急需求频发，给供应链没有足够的响应时间等。

一谈到供应风险，很多人首先想到的就是备份，即同一个料号，选择两个或更多的供应商。比如70%给供应商A，30%给供应商B。这也叫一品多点，或者多点寻源。有些公司甚至硬性规定，凡是达到一定量的料号，一定要开发第二个供货源。

看到路透社的报道，说鉴于"萨斯"的经验教训，加拿大人学聪明了，开始提前准备。据说2007年，渥太华市就备了5500万只N95口罩，一直在仓库里放着。这不，等了十几年，新冠病毒来了，终于有了用武之地，可惜那堆积如山的口罩早已过期了。 

很多人问，供应商早期介入设计好是好，但供应商锁定了，价格怎么谈？他们的逻辑是，供应商一旦早期介入设计，这生意就是它们的了，"没有竞争"，价格就很难谈。在我看来，这不是竞争不充分，而是短期关系在作怪。

计划要"抬头看路"，着眼长远，但那些突发的事情，却屡屡把计划拖回人间。

在需求预测中，时间序列是把需求历史按照时间的先后顺序排列，影响需求的变量只有一个，那就是时间。这并不是说没有别的变量；有，而且可能很多，但我们没法一一解释，就把它们全都归因于时间（有点像"时间可以治愈一切"）。这些变量整合在一起有一定的惯性，随着时间的进展，呈现出某种模式，这就是需求的延续性。

我们经常说供应链要协同，究竟"同"在什么地方呢？在运营层面，同一个计划，具体地说，同一个需求计划，是把众多职能和供应链伙伴协同起来的基础。那为什么这么多的企业，没有同一个计划呢？信息不对称，层层博弈导致的牛鞭效应和多重预测，就是一大根因。

经常听有些供应链职业人在抱怨，说大半的时间在催货，言下之意是恨死了催货。这里想说的是，其实这些人最喜欢的就是催货，因为催货最容易----作为客户，你处于有利地位，要催总能催得动；而且供应商也早都被催成精了，习惯性地在交期中留有余地，就等着你催的时候给你。如果你是管理层的话，催货就更容易了：你位高权重，给供应商一个电话，鲜有供应商会放弃扮演"救火英雄"的机会。所以说，催货是最简单，也是供应链最擅长的事。

对于一个品类，究竟多少个供应商就算充分竞争？当能形成实质性竞争的时候，两个供应商就是充分竞争。注意这里的前提是"实质性竞争"：你是一米八的个头，你的同桌是一米七五的壮汉，你们俩可以互相掰手腕，形成实质性的竞争；前排的小姑娘一米五八，没法跟你掰手腕，就形不成实质性的竞争。

一提起绩效考核，大家联想到的就是"紧箍咒"，怎么能"保护"计划职能呢？没有绩效考核，自由自在地做事，这不最好嘛！对于强势职能没错，但对弱势职能则是大错特错。要知道，没有绩效考核指标，并不是说对这个职能就没有期望，做到什么地步就算什么，而是完全由强势职能说了算，强势部门会更加强势，弱势部门会更加弱势，失去了最起码的制衡，对企业来说并非好事。

你乘飞机，随时能知道已经飞了多久，还要走多久，晚点还是提前；下了飞机，在有些航站楼，每走一段路，会看到牌子上写着到行李转盘还有多久；到了行李转盘，显示屏上写着还有多久第一件行李就会出现；拿了行李，滴滴打车，你能清楚地知道，车子还要走多久。至于说你的快递、外卖，现在走到什么地方，啥时候能到，早都实现了信息化，一切尽在掌控中。

ERP的核心功能之一是物料需求计划（MRP），把计划、物控、客服、采购从海量的手工操作中解放出来。但实施ERP以后，真正能跑MRP的企业并不多。也就是说，生产和采购计划仍旧在Excel上做。有些企业即使启用了MRP模块，可还是在手工录入生产计划，而ERP能做的呢，只是自动生成采购计划，充其量是个订单管理和进出存系统，发挥执行记录的功能而已。

ERP的核心功能之一是物料需求计划（MRP），把计划、物控、客服、采购从海量的手工操作中解放出来。但实施ERP以后，真正能跑MRP的企业并不多。也就是说，生产和采购计划仍旧在Excel上做。有些企业即使启用了MRP模块，可还是在手工录入生产计划，而ERP能做的呢，只是自动生成采购计划，充其量是个订单管理和进出存系统，发挥执行记录的功能而已。

企业要赚钱，最根本的一条是规模效益，这就是为什么企业都想做大。但做大后，供应商数量膨胀得更快，采购额太分散，规模效益又给做没了。这就是为什么要整合供应商，建立合格清单来给供应商"收口子"。

计划上做不到精益求精，跟计划人员的专业能力息息相关。

围绕采购订单有很多异常，比如催交、推迟、取消，英语的缩写是PPC。不变的不需要管理。对这些异常的处理，是交付管理的重要构成，也是交付灵活性的重要体现。

供应链是从产品开始的。供应链上的成本，大部分取决于产品设计。比如材料选型、技术规格决定了产品成本，包装设计影响到物流成本，模块化设计还是一体化设计影响到售后服务的成本。设计优化了，材料选型合理，可制造性、可运输性、可服务性就好，供应链的成本自然就低。这道理简单，那为什么那么多的产品设计不优化？

顾名思义，极端值明显与众不同，也叫异常值、离群值。它们要么太大，要么太小，落到正常的区间之外。如图1，该产品的需求没有季节性，也没有趋势，如果我们用平均需求加减两倍的标准差作为上下限，那么第6周的需求超出上限，就是极端值。

企业要赚钱，最根本的一条是规模效益，这就是为什么企业都想做大。但做大后，供应商数量膨胀得更快，采购额太分散，规模效益又给做没了。这就是为什么要整合供应商，建立合格清单来给供应商"收口子"。

跟采购方一样，供应商的供应链也需要预测来驱动。供应商能否执行到位，很大程度上取决于需求预测的及时性和准确度。

北美某公司的供应商评估中，有一项是对来料验收中次品的处理：你们的下级供应商给你送来一件次品，在来料验收时发现了，你们对这次品怎么处理，以确保最终不要发给客户？这时候，不同管理水平的供应商，给出的答案大不相同。

一提起信息化，首先想到的往往是让计算机帮我们做决策，亦即智能化。但智能化的前提是自动化：离开自动化，数据就难以稳定地产生和获取，也很难释放人力资源来做好决策。所以说，在信息化的过程中，先要自动化，然后才是智能化。

距离开课还有 3 天

没人喜欢催货，但催货是供应链执行中不可避免的一部分。极端情况是行业性短缺，比如关键元器件大面积短缺，上至老总，下至采购员，都在催货，连一些百亿级的大公司也不例外：他们的供应链老总经常不在，问干什么去了，答曰到供应商那里催货了----根据催货者的头衔，供应商决定分配产能；为了不输在"起跑线"上，那就派老总去催货。

经济全球化，几乎每个行业的需求都是越来越多元化、碎片化，而供应还是大批量生产，导致需求与供应出现结构性的失调。业界一般通过三方面的措施来应对，各有优劣和挑战：（1）导入精益制造，减小对批量的依赖；（2）标准化，增加规模效益；（3）模块化和延迟战略，实现大规模定制。

距离开课还有 5 天 

需求就是特定的定价策略、竞争态势下，客户想要什么、要多少、什么时候要。打个简单的比方，这就相当于是客户想吃几碗饭，跟我们想让客户吃几碗饭完全不是一码事----前者事关需求预测，后者却是销售目标，两者不能混为一谈。

在供应商绩效评估上，经常会有人问，这么多的指标，权重应该如何分配，这样我们好加权平均，决定选择哪个供应商？

"拿信息换库存"在国内不大听到，在北美却时有耳闻。传闻最广，大概要数沃尔玛创始人山姆·沃尔顿的话："人家以为我们变大，是因为我们在小镇上建大店；实际上，我们变大，是因为我们拿信息换库存"（黑体由作者加）。

跨职能团队合作很普遍，但很多时候"团队"是真，"合作"则否。图1的杀猪小分队，图2的鬣狗分食，看上去都是"团队作业"，实质上大不一样。

行业性短缺状态下，企业过激反应，大幅拔高安全库存和需求预测，不但解决不了短缺问题，反而造成后续的过剩问题，应了"所有的短缺，最后都是以过剩结束"。特别是集体决策下，人们倾向于承担更大的风险，往往超出企业的承受力度（这就是为什么"造反"总是跟"聚众"紧密相连）；同样是"集体"决策，库存的责任不明确，补救措施就不及时，把本来可以减轻的风险没有减轻。

在库存控制上，总部跟分部、销售跟计划往往陷入互扣人质的情形，导致该加的加不上去，该减的减不下来。这是个典型的组织行为问题，其解决方案呢，我们这里主要讲三点。

一谈到供应链战略，就没法回避推拉结合：订单驱动的叫拉，也就是拿到客户订单后才生产；预测驱动的叫推，也就是基于需求预测来提前备货。推的好处是批量生产，批量发送；闲的时候多生产，忙的时候少生产，单位成本低。但一旦需求变了，库存风险就高。拉的好处是库存风险低，但规模效益不高，单位成本降不下来；加急赶工多，运营成本高。

一位跨境电商的创始人问我，能否把那些预测模型给他们，写到程序中指导补货？电商、新零售是互联网的产物，其惯常的解决方案是信息化----当你手里的工具是把锤子的时候，你会有意无意把所有的问题都当钉子。

有能力的供应商也有脾气，没脾气的供应商也没有能力。有没有第三类供应商？没有。有能力，没脾气的供应商凤毛麟角，即便有，也早给采购方欺负致死；没能力，但脾气很大的供应商呢，你不用看我的书，早都给淘汰掉了。这就是说，跟我们合作的供应商主要就两类：有能力的有脾气，没脾气的没能力，我们总是在跟不完美的供应商打交道。

多余库存是超出正常的周转库存、安全库存的库存。

上世纪九十年代，我还在建筑行业，一个相当粗放的行业。豆腐渣工程屡见不鲜，但整个行业关注的却只是一个字：钱。不管是招投标，还是一轮又一轮的议价，焦点都是把承包商的最后五分钱榨出来。质量问题就如屋里的大象，人人都看得见，人人都假装不存在。

在有些行业，压货行为非常普遍，人为加剧了需求的变动性，造成诸多库存和产能问题。

在我的职业生涯中，有好几年是负责库存计划，跟全球的客户有八九十个库存寄售点。在日本，东芝这样的客户体量很大，需求相当平稳，离我们的仓库也就几十分钟的车程，但在客户现场寄售的库存动辄放着三四周的货。在一个以精益著称的国家，这一点也算不上"精益"。好奇心起，我就细究供应链的各个环节，看这些库存都是怎么来的，发现到处都是批处理的影子。

上世纪八九十年代，个人计算机开始走入千家万户。当时的主要制造商有IBM、惠普、康柏等，采取的是典型的经济型供应链：生产一大堆，发货一大堆，从总仓到分仓到分销商再到零售商，层层建库存，一路推到终端门店（图1的①）。

在我的职业生涯中，有八年在对付长尾产品的计划，发现在库存和服务水平的平衡上，企业可以分为三类：

选择合适的供应商做生意是件大事情，不过很多公司却是"跟着感觉走"：打几个电话，发个简单的问卷，供应商填了；采购方去趟现场，听听汇报，参观一下生产线，吃顿饭，这评估工作就算完成了。派去的多是文科性的采购人员，既不懂质量，也不懂生产，更不懂技术。评估本身没有流程、没有标准，无章可循；即便有标准，有供应商准入的"门槛"，但假大空，既不是充分条件，也不是必要条件。这就给人为操作留下余地。供应商当然也清楚，除了把现场打点地井井有条、给客户一个好印象外，就在歪门邪道上下功夫。

批处理是拖长周转周期，增加周转库存的重要因素。比如本来是随到随处理，周转时间短；批处理下，需要积攒一段时间，周转时间就长。这听上去是个生产制造的概念，其实普遍的程度远超我们想象。

采购做细了是个技术活。就连看上去最没有技术含量的讨价还价来说，如果没有技术背景，也很难做好，因为加工一个零件，需要多少工时，车床还是铣床还是刨床，良率如何，不懂技术就很难推算出成本来。这也是为什么在一个家电巨头，采购工程师的职责之一就是核算成本。

在周转周期里，走流程是很大一部分。就如一位名为"风子"的"供应链管理实践者"公众号读者所言："时间的流逝往往不是出自供应商的产品生产环节，而是自家公司的信息流，从签订订单到执行订单的时间过长"。而走流程中的相当一部分事情，比如审批，在客户眼里没有价值但往往不得不做，一大根因就是信息不对称，可以通过信息化来帮助解决。

那是我半年内第二次见到刘君，都是在我的培训中。他不久前转入采购，负责一个大型央企北京分公司的采购部。刘君虽说入行不久，但他勤于琢磨，屡屡能一语中的。

1997年，沃顿商学院教授马歇尔·费雪在《哈佛商学评论》上发表《你的产品该用什么样的供应链》一文，阐述了供应链战略必须匹配产品战略。费雪的二分法具有历史意义：对于走创新路线的产品，应该采取快速响应的供应链，其核心是供应链的灵活性，也意味着高成本；对于走低成本路线的产品，应该采取高效的供应链，其核心是供应链的低成本。产品战略的成功，取决于有合适的供应链战略来匹配。

计划的大错特错，主要是因为销售和运营协调流程没打通，做生意的和做运营的严重脱节，组织博弈导致信息严重不对称，导致预测准确度太低。简单地把销售目标当成需求预测，没法群策群力整合跨职能智慧，层层博弈导致的牛鞭效应，都可能造成需求预测的大错特错，以及严峻的库存和交付问题。

对于制造型的供应商，我们要评估其质量、生产和物料管理体系。这三大体系是供应商运营绩效的保证，也是供应商的财务能力的源泉。有些公司把这三方面放在一起评估，统称"质量管理体系评估"。

在大型设备行业，关键备件要力求首发命中。也就是说，第一次有需求，就得有库存满足。如果首发命不准，就很难达到既定的服务水平目标。这也是很多设备行业的共同挑战，单纯依赖需求历史来计划库存注定会吃尽苦头：你不能等着产生了需求后才备库存；你一定要想方设法首发命准，在客户首次有需求时就能满足。

曾经在《哈佛商业评论》上看到一篇文章，说雌孔雀择偶时，会以雄孔雀的尾巴大小为标准：尾巴越大，表明雄孔雀越健康、越有优势。这样，大尾巴的基因得到保护，就一代代地传下去。

把库存分解为过程库存、安全库存、过剩库存和风险库存，给我们提供了结构化的方法，来呈现库存风险，以控制整体库存。这里我们以原材料为对象，介绍这一方法的具体应用。

在供应链的每一个环节，都有相应的计划，驱动相应的执行职能。比如计划在决定买什么，买多少；生产什么，生产多少；配送什么，配送多少。供应链的绩效问题，包括交付和库存，计划没想到，执行就很难做到，即便做到的话，也是以高昂的成本和库存为代价。我们的目标是不但要做到，而且要想到。企业越大，想到就越重要。

传统的日本供应链是长期关系，或者说，更像儒家的做法（这里说的"传统"，主要指上世纪末日本崛起的那段时间。在过去二三十年里，日本经历了显著的变化，在有些做法上与欧美更加趋同）。在长期关系下，绩效考核相对次要。这就如一家人，相互之间很少会设定指标。而约束双方行为的呢，也正是长期关系，是未来----在长期关系下，双方都有很多可失去的，所以就更加理性。

传统的日本供应链是长期关系，或者说，更像儒家的做法（这里说的"传统"，主要指上世纪末日本崛起的那段时间。在过去二三十年里，日本经历了显著的变化，在有些做法上与欧美更加趋同）。在长期关系下，绩效考核相对次要。这就如一家人，相互之间很少会设定指标。而约束双方行为的呢，也正是长期关系，是未来----在长期关系下，双方都有很多可失去的，所以就更加理性。

对于很多长尾产品来说，需求是如此之不频繁，如此之低，库存计划的决策就简化为备1个，还是1个不备。除了数理统计模型外，我们还可以借助简单法则来决策。这就是我们接着要讲的。

企业的资源不是无限的，所以降库存是不可避免的。但在降库存的方式上，很多企业采取的是"搞运动"的方式，没法触及根源，屡降屡升，屡升屡降。

简单地说，VMI就是供应商在采购方或第三方的仓库放一堆货，由供应商自主安排补货，把库存维持在最低和最高计划水位之间。

如果只用一个词来描述供应链管理，我们想到的就应该是协作：一个公司做不好的，两个公司做；一个职能做不好的，两个职能做；一个人做不好的，两个人做，目的都是实现1+1>2的效果。

你或许会说，我知道有个计划要比没有强，但不确定性那么大，问题那么复杂，就是不知道从哪里下手。

我在服务电信设备商时，听到这个故事。

在芯片制造领域，英特尔是典型的垂直整合，有自己的芯片生产设施。一个现代化的芯片大厂，以前投资在几十亿，现在是200多亿美元，这样的大厂英特尔就有15个，固定资产之重，可想而知。英特尔的过半业务来自PC行业，而PC的销量自2011年达到顶峰以来，是"王小二过年，一年不如一年"，英特尔的产能利用率问题就日益严峻，固定资产的投资回报成了大问题。

一位采购经理刚接管一家供应商，就收到来自产品部的要求：为达到产品的"目标成本"，该供应商的零件必须降价20%。自从量产以来，这个零件已经经历了两次降价。现在都投产快两年了，为什么又突然冒出个"目标成本"来？

长尾需求的特点是需求的频次低、需求量的差异大。让我们拿一个B2B电商为例，图1是他们的一个产品，在过去12个月里，这个产品有5个月每月卖掉1个，2个月分别卖掉2个和5个，其余月份没有任何需求。看得出，需求不连续，离散度大，不符合我们熟悉的正态分布，但符合另一种分布：泊松分布。

企业大了，摸着石头过河的实干心态不能丢。但不可否认的是，企业越大，就越经不起折腾，越需要确定性。计划就是在不确定性中寻找确定性。用一位名叫董志江的读者的话说，公司小的时候是枪杆子指挥笔杆子，公司大了一定是笔杆子指挥枪杆子。这也是凸显了计划的重要性。

经常有人问，如何能更好地核算成本？他们总觉得，成本核算不清，自己被"蒙"了，是拿不到更低价的根本原因。但问题是，即便你能核算清，那又能怎么样？

一提到产品分类，很多人想到的就是ABC分类法。比如A类产品贡献80%的营收，B类产品贡献15%，其余贡献5%等。这是从业务的视角来分类产品，也有公司称为头部、腰部、尾部产品的。

在库存计划领域，除了安全库存，经常打交道的还有再订货点（或者就叫订货点）。其逻辑是一旦库存降到预设的水位（再订货点），就启动订货机制，驱动供应链补充一定数量的货（订货量）；在货来到之前，库存继续下降，直到补的货到达，拉高库存的水位，然后开始下一个循环，如图1。再订货点法在业界使用很广泛，对于它的几个主要参数，我们在此稍作解释。

二次议价是询价或招标没达到期望，采购方便与供应商继续价格谈判。

增速放缓，行业不景气，库存就成了让人谈虎色变的话题。搜索互联网，到处都是触目惊心的库存话题，比如90%的电商店铺死于库存，十个女装九个死于库存，服装行业三年不生产库存也卖不完。就连图书业也是"死书累累"，前些年的实体书库存一度高达900亿元（《近900亿元"死书"呼唤按需出版》，重庆商报）。对于众多的本土企业，用业界人士的话来说，就是供应链易断，最后死在库存上；用库存控制专家程晓华的话来说，就是仓库有多大，库存就有多少，仓库越大，死得越快。

每次订多少货最合适，跟库存持有成本、订货成本密切相关。每次订货量越大，单位订货成本就越低，但库存持有成本就越高；每次订货量越小，库存持有成本降下来了，单位订货成本却上去了。让两者之和最小的订货量，就是经济订货量，如图1。