系统建议的库存水位经常偏低，为什么？

细究为什么系统建议偏低，发现他们的系统低估了需求和供应的波动：（1）系统按照部分产线的需求变动性计算安全库存，但另一部分产线的波动性更大；（2）系统假定供应商的产出是稳定的，其实供应商也受疫情、环保、关键料短缺等影响，产出是有变动性的；（3）小长假等因素造成的运输延误，也没有考虑在系统里。

这让我联想起，以前老东家的计划软件也有类似的问题。比如从硅谷到亚洲，正常运输周期5天就够了，系统里也是这么设的。但每逢年头节下，航空仓位偏紧，再加上周末延误等各种因素，5天就不够。系统也假定需求有不确定性，但只是计算正常的波动，但异常需求时有发生，当你的服务水平要求95%甚至98%以上的时候，这些异常需求就不能忽视。这位经理人的企业也是一样：流水线停下来，那可是杀头的罪，安全库存一点也不能"不安全"。

那软件系统为什么偏低而不偏高呢？主要是两方面的原因：其一，有些极端异常没法量化，比如节假日、灾害性天气带来的运输延误，在不同地方、不同季节都不相同，很难在系统里设置统一的值；其二，一旦设置那些值，可能造成正常时期库存水位显著偏高，但因为信息系统的"合法性"，计划员就不愿意降下来。

这后面有博弈的成分：软件系统的做法是建议个"保本"的值，计划员认为不够的话再增加----他们有足够的动力去增加，而增加一般是需要审批的，有一定的制衡；但如果系统建议偏高，计划员则没有动力去降低----不管在哪个公司，计划员的第一要务是确保有货，而且有N多理由不降低本来该降的库存水位。

况且，对很多企业来说，上软件的一大目的就是降低库存，这客观上也导致软件的建议会保守（否则的话，这软件还能上？）。其实这也没错：一个好的库存计划决策也是"从数据开始，由判断结束"，放在这里就是软件考虑正常的波动、服务水平，做出基准建议；对于极端情况，计划人员调整软件的建议，等恢复到正常情况时再调回来。我理解管理者总是希望能够数据化，让信息系统决策；但计划面临的环境太复杂，不可能量化所有的情况，需要计划员的职业判断来应对。

对于这位经理人来说，这里的真正问题有二：其一，对于能考虑到的正常情况，软件是否都考虑到了，尽可能少地依赖计划员的判断？其二，计划员能力差异很大，如何适当固化优秀人员的智慧，形成做法，指导整个团队，提高判断的水平和一致性？

对于第一个问题，你发现很多软件里的众多参数，一经设定，就不再调整，或者调整非常不及时。而那些参数很可能是当年上系统的时候，由一帮分析员、管理层设置，这些人的共性是不熟悉一线业务，一刀切的可能性相当大。后续的磨合主要是一线计划人员和软件之间，但一线人员往往不熟悉软件的结构，或者没有权限去调整。最终，他们不是调整系统的参数，而是系统地调整软件的建议，增加了调整的工作量，也增加了犯错的机会。

对于第二个问题，我们可以量化优秀员工的智慧，制定指导性的"简单法则"。我在计划领域快二十年了，深刻体会到，我们不能忽视计划员的经验。这也是计划员存在的原因。那他们的经验从何而来？说得好听点，就是以前吃过的苦，受过的罪；说得不好听点，就是试了很多错，交了很多学费的结果，要么以客户利益（短缺），要么以股东利益为代价（过剩）。

总结优秀员工的经验智慧，可以减轻团队试错的成本。比如找到那几位最优秀的主管、骨干员工，看看他们在不同的极端情况下，是如何调整系统的建议的；一对一地问他们，为什么是加一周，而不是加两周的库存；以匿名的方式把结果汇总，再以匿名的方式征求他们的意见等。如此再三，我们一定能总结出一些"简单法则"来，这就是集体的最佳智慧。

这样的简单法则跟需求的变动性、采购提前期扥关键参数结合起来，就形成图1中这样的指导纲要，比如在不同的采购提前期下，安全库存与需求变动性的关系。当然我们还可考虑更多的因素，比如单位成本越高，安全库存可适当降低；对业务越关键，安全库存可适当增加等。这些简单法则很难让我们做到精益求精，但可大幅降低大错特错的概率。让大家开始用这样的简单法则，过几个月再来调整、完善，持续改善。一半年下来，简单法则会更加优化，整个计划团队的能力就会有显著不同。

图 1：安全库存的指导性简单法则（示例）

作为管理者，我们需要（1）复盘、验证简单法则，确保它们的合理性；（2）选择合适的模型，设置合理的主数据，让软件系统尽可能地给出合理的基准建议。

先说简单法则的验证。我们问优秀的计划人员如何设置库存水位，他们的答复往往受各种因素影响，不一定客观：他们猜测你的心理，讲给你的，其实是你想让他们做到的；他们对自己的做法也不完全相信，所以告诉你他们认为应该做到的。这都有悖于初衷。那我们可以分析他们以前做过的计划，看是否跟他们总结的经验匹配，比如她说在这种情况下，她会放3周的安全库存，那究竟是不是这样做了？这是第一重验证，"信任但要确认"，验证言行是否一致。第二重验证是把这些简单法则用到别人的产品上，复盘一段时间的历史情况，看实际的库存和服务水平情况。经过两重验证后，这样的简单法则才算真正的经验结晶。

再说软件的配置。选择合适的模型，设定基本参数，一般是管理层的任务，这需要管理者有基本的数理统计知识。实践中，很多管理者没有这方面的能力，就只能依赖起初上系统的时候，那些顾问们选定的基本模型。而顾问们当年急急忙忙上系统，在模型的选择和配置上往往没有优化----优化的工作需要结合实践，由管理者来做。

更糟糕的是，有些管理者把软件系统当成跟员工博弈的工具。比如他们知道计划员会高估，那就操纵补货周期等参数，拉低系统建议的安全库存。实践是检验真理的唯一标准，员工采纳系统建议，结果因为短缺被需求端骂得狗血喷头，下次当然不信任系统建议，直接表现就是全面拔高库存水位，高库存就是这么来的。

那如何知道软件系统的模型、参数设置合理呢？你要看系统建议的采纳率。有个新零售企业的系统建议采纳率连30%都不到，你就知道那些软件工程师、数学家整出的计划系统有多可靠了。要知道，人很难在细微的判断上胜过计算机：如果个别员工在大面积做微调，那可能是这个员工在宣示存在感；如果员工普遍在做大面积的细微调整，那是软件不合理的信号。软件配置合理的一大标志呢，就是员工做的调整以大幅度调整为主。

总结起来，就是软件做基本的数据分析，制定库存水位中的"存量"部分，亦即正常情况下需要的库存；计划员根据特殊情况，比如需求和供应端的异常情况，做出"增量"调整；两者结合，才算完成了库存计划的"从数据开始，由判断结束"。作为管理者，我们希望计划决策是基于数据的；但你没法完全基于数据，由计算机来做计划。基本的软件，加上计划员的最佳经验结晶，才能真正做到"人机一体"，提高团队的计划能力，兼顾库存和服务水平。