计划预测 分类中的最新日记

改变组织行为,控制多余库存

| 暂无评论

多余库存是超出正常的周转库存、安全库存的库存。

趋势的预测:霍尔特指数平滑法

| 暂无评论

深圳培训正在报名

对需求预测来说,上世纪50、60年代可以说是人才辈出。这里我想特别介绍一下美国的HMMS研究团队。这个团队的名称来自四位研究者姓氏的第一个字母,当时他们都在卡内基工学院(后来与梅隆学院合并,成为今天蜚声海外的卡内基梅隆大学),旨在是寻找更好的决策机制,以帮助工业界更好地应对种种库存、生产和计划问题。这些问题在宏观层面导致经济危机,在微观层面让企业经常处于应急状态----要么是赶工加急,要么是产能闲置和库存积压。

(7/10-14)深圳培训正在报名

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。

批处理与"懒人养库存"

| 暂无评论

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。

信息化来减少审批,降低周转库存

| 暂无评论

距离开课还有 2 天

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。

库存四分法,以原材料为例

| 暂无评论

距离开课还有 5 天

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。

预测模型的选择的一些考量

| 暂无评论

距离开课还有 7 天

预测模型的选择是个复杂过程,需要考虑多方面的因素,再配以职业判断。计划软件往往按照特定的指标判断预测模型的优劣,但很难综合考虑多种因素,特别是历史数据没有反映的信息。这就是对计划软件建议的模型,有经验的计划人员总是戒心重重的原因了。

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。

VMI是个好东西,对供应商也是

| 暂无评论

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。

有时候,不预测就是最好的预测

| 暂无评论

就如有的人非但帮不了忙,反而帮倒忙一样,并不是所有的预测方法都增加价值。有时候,人类一思考,上帝就发笑,作为还不如不作为,预测还不如不预测。比如在颗粒度很小的地方做预测,或者由销售、用户拍脑袋做预测,预测准确度太低,往往还不如不预测,直接用上期的实际值当做下次的预测("幼稚预测"),亦即常见的"卖一补一"。

VMI:最高、最低库存水位如何设置

| 暂无评论

这里把VMI当做一个专题讨论,主要是因为这些年来VMI被广泛采用,如果管理得当,对采购方和供应商都有好处;但由于计划和管理不善,VMI又给双方造成了诸多问题。

库存水位:系统建议为什么偏低?

| 暂无评论

一位经理人说,公司的系统里有一套算法,来帮助计划员设置安全库存。用了一段时间后,发现系统建议的库存整体偏低。我问,既然这样,那为什么你的挑战却是降库存呢?不用他回答我都知道答案:系统建议偏低,计划人员就手工调整,多放一些库存;但人员水平良莠不齐,不知道设置合适的库存水位,最终就以高库存为解决方案。

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。

时间序列可以分解为三种成分:水平部分(平均值),趋势部分(上升或下降),季节性部分(周期性的重复),剩余的就是随机变动,即前三者都没法解释的"杂音"。我们常见的时间序列,根据复杂度的不同,一般上述三种成分中的一种、两种或三种组合而成。当然,你也可以把水平部分当成趋势的特例,或者趋势的一部分。那么,时间序列就可简化为两部分:趋势和季节性,以及两者之外的随机变动。下面这个例子就是这样分解的[1]。

库存计划要学赌场,而不是赌徒

| 暂无评论

安全库存就如赌博,面对业务的不确定性,要么赌中,要么赌不中。或者说,企业做生意就如赌博,要么赌中,要么赌不中。而职业经理人的任务呢,就是争取提高赌中的概率,以最小的总成本做成最多的业务。

再订货点:主要参数如何计算

| 暂无评论

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。

时间序列的预测:移动平均法

| 暂无评论

移动平均法是用一组最近的历史需求,来预测未来一期或多期的需求。这是时间序列最常用的方法之一。当每期的历史需求权重一样的时候,我们就叫简单移动平均(一般简称为移动平均);当权重不同的时候,我们就叫加权移动平均。在加权移动平均中,需求历史越近,权重一般越大,也就是说更重视最新的信息,但所有的权重加起来等于1。

服务水平不能一笔糊涂账

| 暂无评论

我在企业培训、咨询时,经常问他们服务水平目标是什么,从销售到供应链,大家经常是大张嘴,一笔糊涂账。

我在招聘计划人员,或者评估一个企业的库存计划水平时,都会问到一个同样的问题:你是如何设定安全库存水位的?这个问题的基本程度,就如问一个成年人是怎么用筷子的一样。但在我面试过的几十个计划人员中,能给出满意答案的是凤毛麟角。这再一次证明了,最简单的往往是最难的

先是自动化,后是智能化

| 暂无评论

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。

这个案例聚焦产品上新前,即在新品开发过程中,伴随着越来越多的信息,如何建立定期更新预测的机制,指导供应链更精准地响应。

需求预测对付平均需求,安全库存是为了应对不确定性,即平均需求外的需求。经常有人说,那把预测适当拔高点,不也同样解决问题?其实不然。

向失败学习,提高预测准确度

| 暂无评论

预测做砸了,并不是什么见不得人的事;不愿承认做砸了,才是真正应该羞耻的。对于错误,用美国著名橄榄球教练布莱恩的话讲,就是(1)承认错误;(2)汲取教训;(3)不要重犯。这个三步曲的起点是你得承认做砸了。不承认,就不能汲取教训,就要冒重犯的风险。

改善供应链从改善计划和采购做起

| 暂无评论

我们知道,供应链管理不是个简单的职能概念;它包括一系列的职能。

根据供应商的绩效和可替代性,我们可把供应商分为五类,如图1:

1.战略供应商(决定公司生死存亡,绩效不错,替代困难);

2.优选供应商(供应绩效好,但可替代,公司优先合作);

3.资格未定供应商(未经验证的新供应商,或者"留校察看"的老供应商);

4.被动淘汰供应商(不给新生意,但老生意继续做);

5.主动淘汰供应商(不但不给新生意,而且移走老生意)。

计划和执行之间,经常为这事争执:未来多长时间内的需求预测可以调整,执行有没有义务做到?这就涉及到计划的冻结期半冻结期自由期(如图)。

减少批处理,降低周转库存

| 暂无评论

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。

从计划的"七分管理"到"三分技术"

| 暂无评论

2018年,《供应链的三道防线:需求预测、库存计划、供应链执行》出版以来,反响很好,在京东上很快就上升到供应链销量榜的第二位(第一位还是我的红皮书《采购与供应链管理:一个实践者的角度》)。

计划的纠偏,为什么不能靠销售?

| 暂无评论

需求计划有两大关键,一是尽量作准,二是尽快纠偏。我们这里谈尽快纠偏。

我以前带计划团队的时候,有个计划员老是抱怨,说销售和客户"作孽",没有提前告诉他,这就是为什么现在有一堆的过剩,或者整天在催料。我就问,销售没说,那你问了没有?答案往往是没有----这个计划员整天对着计算机,习惯于"跪受笔录",内部客户叫干啥就干啥,而不是主动出击,提前探知内部客户的需求。他没说,罪在不赦;你没问,同样要挨板子。

不确定性大,如何避免大错特错

| 暂无评论

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。

再订货机制中,再订货点相对简单,但补货机制相对复杂,还有很多细节,比如是定量还是不定量,是随时补货还是定期补货,我们下面接着讲。 

案例企业是个女装电商。

我们行外人很难想象的是,服装从开发到上市的整个周期,需要一年以上的时间(快时尚、电商可能快点)。比如现在开发的不是今年卖的,而是明年这个季节的服装。周期长,款式多,SKU复杂,从面料到款式到颜色,服装的需求预测历来挑战重重。这些问题,特别在快时尚领域,还没有完善的解决方案;但多年来,服装行业也总结了一系列的经验智慧,把预测尽量做准,做不准的话尽快纠偏。

计划有多种,相互有关联

| 暂无评论

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。

预测的灵敏度和准确度

| 暂无评论
预测中,预测的灵敏度(响应度)和准确度经常相抵触:灵敏度高了,准确度就下降;准确度高了,灵敏度不一定高。

需求预测:分门别类,区别对待

| 暂无评论

一个公司动辄有几百、几千甚至几万个产品,究竟哪些可以预测,该计划;哪些不能预测,不应该建库存?

考不考核预测准确度,考核哪个职能,如何考核,历来是需求预测的一个热点话题。

如何从无到有,制定个计划

| 暂无评论

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。

季节性强,一锤子买卖如何预测?

| 暂无评论

什么样的人适合做需求计划

| 暂无评论

需求计划需要对接销售和运营,对人的资质要求相当高。可以说,在供应链管理领域,需求计划对人的综合素质要求最高理想的需求计划人员需要具备三方面的条件:

有个快消品公司,主要产品是护肤、美容用品。公司采取轻资产运作,全部由代工厂加工。比如生产一款洗面奶,他们需要找到外盒工厂、软管工厂、塑封膜工厂,帮助生产所需的包材,完成后直接发货到化妆品加工厂,由后者灌装,把成品发送到该公司,再由该公司进行销售。作为公司的采购职能,虽然名义上是采购,其实履行的是供应链管理职责,是实际上的供应链管理部门。

没计划,这是计划的首要问题

| 暂无评论

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。

计划职能的绩效如何考核

| 暂无评论

对于执行职能来说,计划就是计划,好像是个单一职能;但对于计划职能来说,计划还会细分,从需求计划到库存计划到生产计划,从中心仓到前置库位的计划,从新产品到成熟产品的计划,在具体的职责上的侧重点都有所区别。不过就绩效考核而言,这些计划职能却有很多共性,主要表现在服务水平库存周转呆滞库存等三方面。

中餐连锁店:计划为什么难以专业化

| 暂无评论

需求计划的"进化史",也是需求计划从单一职能向跨职能、跨企业协作发展的历史,从避免大错特错向追求精益求精的发展历程。

计划薄弱是个职业经理人问题

| 暂无评论

VMI:如何计划,如何管理?

| 暂无评论

VMI是供应商管理库存的缩写,英语的全称是Vendor Managed Inventory,最早在零售行业出现(传统上,那个行业习惯于把供应商称为Vendor,更正式的叫法是Supplier),由沃尔玛和宝洁于上世纪80年代率先导入。我们这里把VMI当做一个专题讨论,主要是因为这些年来VMI应用广泛,但由于计划和管理不善,VMI又造成了诸多问题,不光是给供应商造成损失,也严重影响到采购方。

销售提需求,计划做判断,如何

| 暂无评论

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?

新品计划由谁做?

| 暂无评论

一提到新品计划,很多人的第一反应就是可计划性太低,这就自然而然地把它推到销售、产品端,由那些职能兼职,变成拍脑袋为主了。其实不然,就如我们前面详细阐述过的,即便是用专家判断法做新品的初始预测,也得严格遵守"从数据开始,由判断结束"的计划流程,数据分析至始至终贯穿期间,主导整个专家判断流程。

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?

一线销售,能做好预测吗?

| 暂无评论

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。

案例企业有着强大的粉丝团体,一直走的是粉丝经济,虽然在向品牌经济过渡,但粉丝经济还是营收的重要构成。为了最大化粉丝收益,案例企业就不断推出新品,基本上是每周都有新品上市。该企业走的是中高端、差异化路线,快时尚,品种多,批量小,首批推出一般也就几百到几千件。多种少量让预测更难做,要么过剩,要么短缺,在案例企业得到充分体现。

ZARA与"自来水模式"的预测机制

| 暂无评论

我经常问职业人,有谁预测过自家的用水量?大家都说没有:做预测的是水务局,他们预测整个城市的用水量,确保水厂有足够的水,大家用时打开水龙头就行了。大家也从没见过水务局深入到千家万户,让每家每户"提需求",谁预测谁有水,谁不预测就没水。那我们为什么有那么多的公司,一而再地要求一线销售、直接用户提需求(做预测)呢?

新品计划的准确度低,关键是伴随着更多的需求历史,要及时滚动更新,同时平衡库存风险断货风险运营成本

计划中的"经验主义"与"教条主义"

| 暂无评论

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,人是有偏见的

| 暂无评论

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。

时间序列的预测:指数平滑法

| 暂无评论

在预测时间序列上,指数平滑法是另一类常用的方法。该方法最先由布朗提出,他认为时间序列的态势具有稳定性或规则性,所以可被合理地顺势推延;最近发生的,在某种程度上会持续到最近的未来,所以历史信息越新,其所占权重也越大[1]。指数平滑法其实是一种特殊的移动平均法,是一种加权移动平均,特点是权重按照几何数级递减,越老的数据权重越小。

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。

层层提需求,为何准确度低

| 暂无评论

在需求预测上,层层报批是种很常见的做法。

不要在存量预测上麻烦销售

| 暂无评论

需求可以分解成两部分:存量和增量。简单地说,存量就是经常性的业务。比如你开了个小饭馆,每天中午大概有50人来吃饭,这就是存量。存量一般是有规律可循的,能够通过数据分析获取。增量是变化的部分,比如附近的公司办活动,要多订30份盒饭。增量是在存量基础上的变化,因为发生了显著改变需求的事情。"从数据开始"指的是存量,"由判断结束"指的是增量,两者叠加,构成整体预测。

线上线下多渠道:如何获取销售判断

| 暂无评论

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。

预测判断力是可以培养的

| 暂无评论

你不需要是个计划专家,才能做预测。预测的能力不是天生的,人人都可以练就。

从数据里学什么:以发货记录为例

| 暂无评论

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?

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,ROP),就启动订货机制,驱动供应链补充一定数量的货(订货量,ROQ);在货来到之前,库存继续下降,直到订的货到达,拉高库存的水位,然后开始下一个循环,如图1[1]。再订货点法在企业里使用很广,它的几个参数,在此稍作解释。

数据分析:计划工作的起点

| 暂无评论

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。

时间序列的预测:移动平均法

| 暂无评论

移动平均法是用一组最近的历史需求,来预测未来一期或多期的需求。这是时间序列最常用的方法之一。当每期的历史需求权重一样的时候,我们就叫简单移动平均(一般简称为移动平均);当权重不同的时候,我们就叫加权移动平均。在加权移动平均中,需求历史越近,权重一般越大,也就是说更重视最新的信息,但所有的权重加起来等于1。

销售目标当需求预测,你的麻烦就大了

| 暂无评论

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。

需求预测:供应链博弈的一大焦点

| 暂无评论

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。

为什么能预测:延续性和相关性

| 暂无评论

我们之所以能够预测,是基于(1)时间序列的延续性(也叫连贯性);(2)变量之间的相关性(也叫类推性)。计划者的任务,一方面是分析历史数据,总结这样的延续性、相关性,然后是应用这样的关联性,对未来做出预判,指导供应链执行来提前准备。

貌似没做到,实则没想到

| 暂无评论

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。

需求预测:分门别类,区别对待

| 暂无评论

有个养殖企业,营收在几百亿的级别,长期以来是需求拉动:养殖场有需求,就提交库管,驱动采购来满足。需求拉动的问题有二:其一,给供应链的响应时间太少,经常成为紧急需求,导致加急赶工运营成本高,内部用户体验也差;其二,需求零散,难以聚合,缺乏规模效应,导致采购价格偏高----即便签订总量合同,拿得更好的价格,但因为需求是零散的,批次多,跨度长,供应商最终也往往要求随行就市,实际收取更高的价格。

趋势的预测:霍尔特指数平滑法

| 暂无评论

对需求预测来说,上世纪50、60年代可以说是人才辈出。这里我想特别介绍一下美国的HMMS研究团队。这个团队的名称来自四位研究者姓氏的第一个字母,当时他们都在卡内基工学院(后来与梅隆学院合并,成为今天蜚声海外的卡内基梅隆大学),旨在是寻找更好的决策机制,以帮助工业界更好地应对种种库存、生产和计划问题。这些问题在宏观层面导致经济危机,在微观层面让企业经常处于应急状态----要么是赶工加急,要么是产能闲置和库存积压。

就"从数据开始"而言,颗粒度越大,需求的聚合效应越明显,数理统计的可靠性就越大,预测的准确度也越高。但对"由判断结束"来说,颗粒度与准确度的关系就相对复杂。

谁在做需求预测:兼谈计划的进化史

| 暂无评论

公司小的时候由老板兼职,有点规模后由销售、生产、采购等相邻职能兼职,上了规模后就得有专职的需求计划职能。

建立滚动的预测更新机制

| 暂无评论

对于小的需求变动,供应链有一定的纠偏和容错能力。比如预测相对偏低的话,可由安全库存、安全产能来应对;预测适当偏高的话,可以延迟供应商给我们的交付,或者手头库存暂时高一段时间。但这是有前提的:我们得尽快调整预测,否则长期累积下来,小洞变大洞就难补了。

有时候,不预测就是最好的预测

| 暂无评论

就如有的人非但帮不了忙,反而帮倒忙一样,并不是所有的预测方法都增加价值。有时候,人类一思考,上帝就发笑,作为还不如不作为,预测还不如不预测。比如在颗粒度很小的地方做预测,或者由销售、用户拍脑袋做预测,预测准确度太低,往往还不如不预测,直接用上期的实际值当做下次的预测("幼稚预测"),亦即常见的"卖一补一"。

我们接下来讨论,未来多长时间内的需求预测可以调整,执行端必须得满足。这就涉及到计划的冻结期半冻结期自由期,如图 1:

"长尾"产品:库存计划的终极挑战

| 暂无评论

一提起"长尾",人们容易觉得比较独特,容易联想起小众来。其实,大众是由小众组成的。要知道,需求越是细分,或者说越是在供应链的末端,就越呈现小众化。或者说,只要是足够细分,或者说供应链足够末梢,我们面临的注定就是"长尾"需求。我们说的供应链的末端,或者说最后一公里,放在库存计划上,就是如何应对此类"长尾"需求。

如何确定合适的服务水平?

| 暂无评论

我在企业培训、咨询时,经常问他们服务水平目标是什么,从销售到供应链,大家经常是大张嘴,一笔糊涂账。

从计划的"七分管理"到"三分技术"

| 暂无评论

2018年,《供应链的三道防线:需求预测、库存计划、供应链执行》出版以来,反响很好,在京东上很快就上升到供应链销量榜的第二位(第一位还是我的红皮书《采购与供应链管理:一个实践者的角度》)。

需求计划的绩效如何考核

| 暂无评论

一旦提起需求计划的绩效,一般人就会联想到预测的准确度。这没错,但不全面。所谓绩效,真正重要的是指跟客户、股东利益直接相关的东西。我不是说预测准确度不重要----预测准确度当然重要,因为会影响到客户和股东利益,但客户跟你做生意,股东买你的股票,有多少是因为你的预测准确度高?所以,对需求计划的绩效评估,要超越预测准确度本身,从客户和股东的视角来看待。

为什么销售不对库存负责?

| 暂无评论

在很多公司,供应链苦于销售对库存不负责任。表面上看是销售不愿承担责任,根源其实是需求计划没有闭环的结果。

【案例】滚动计划要从新品开发开始

| 暂无评论

这个案例聚焦产品上新前,即在新品开发过程中,伴随着越来越多的信息,如何建立定期更新预测的机制,指导供应链更精准地响应。

SKU泛滥,需求预测怎么做

| 暂无评论

SKU是英语里Stock Keeping Unit的缩写,直译过来是存货单元。举个例子。女孩子去买衣服,找到喜欢的款式,喜欢的颜色,还得找到自己的尺码----款式+颜色+尺码就是这里说的SKU。SKU是我们识别产品所必须的,也是商场进出存的最小单元。同样的款式、同样的颜色,中号跟小号是不同的SKU,所以需要两个不同的SKU编码来识别。

为什么没法回避需求预测?

| 暂无评论

安全库存的设置:库存计划的看家本领

| 暂无评论

如果说计划是供应链领域专业度最高的职能的话,那么库存计划就是计划职能专业度最高的。而安全库存的设置呢,则是库存计划中技术含量最高的一块。

对于长周期物料,我们之所以专门探讨其需求预测,是因为它们对供应链的影响最为深远。对于供应链来说,一个行业之所以难以对付,关键就在于那些长周期物料,比如芯片,比如显示屏,比如定制化程度高的关键零部件。

VMI和寄售没关系

| 暂无评论

与VMI常常一起出现的还有寄售。很多人搞不清两者的关系。其实,它们两者没关系:VMI说的是库存的管理责任,寄售说的是库存的所有权。在实践中,你可以用VMI而不用寄售,可以用寄售而不用VMI。当然两者并用的情况也很常见,以至于业界一旦提到VMI,首先想到的是库存也归供应商持有(寄售);而很多企业采用VMI的初衷呢,也是为了把库存压力转移给供应商。也就是说,很多人心目中的VMI其实是VMI加寄售。

季节性强,一锤子买卖如何预测?

| 暂无评论

季节性强,生命周期短,比如女孩子们穿的漂亮衣服,需求的不可预见性高,预测多了,呆滞风险大增;预测少了,补货周期又长,补货几无可能。这就相当于一锤子买卖,我们这里探讨一下该怎么预测。

VMI是对供应链三道防线的终极挑战

| 暂无评论

一个苏州的公司问,我们让供应商建了VMI,但短料、呆滞频发,怎么办?我的答复是供应链的三道防线。他们问,三道防线中没有一个字是谈到VMI的,为什么能解决我们的问题?答曰:预测准确度低,第一道防线建不好,VMI要么是断货,要么是呆滞;库存计划不到位,第二道防线没建好,VMI的最低、最高库存不合理,问题当然是一大堆;需求预测和库存计划的不足,最后都得供应商的执行来弥补,这是供应链的第三道防线,要求我们选好、管好供应商,对我们的寻源和供应绩效管理提出更高的挑战。

计划职能的绩效如何考核?

| 暂无评论

对于执行职能来说,计划就是计划,好像是个单一职能;但对于计划职能来说,计划还会细分,从需求计划到库存计划到生产计划,从中心仓到前置库位的计划,从新产品到成熟产品的计划,在具体的职责上的侧重点都有所区别。不过就绩效考核而言,这些计划职能却有很多共性,主要表现在服务水平库存周转呆滞库存等三方面。

【案例】库存四分法,原材料为例

| 暂无评论

四分法给我们结构化的方法,来展现库存风险,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。

VMI:如何计划,如何管理?

| 暂无评论

VMI是供应商管理库存的缩写,英语的全称是Vendor Managed Inventory,最早在零售行业出现(传统上,那个行业习惯于把供应商称为Vendor,更正式的叫法是Supplier),由沃尔玛和宝洁于上世纪80年代率先导入。我们这里把VMI当做一个专题讨论,主要是因为这些年来VMI应用广泛,但由于计划和管理不善,VMI又造成了诸多问题,不光是给供应商造成损失,也严重影响到采购方。

渠道压货,人为加剧需求的不确定性

| 暂无评论

在有些行业,压货行为非常普遍,人为加剧了需求的变动性。

新品计划由谁做?

| 暂无评论

一提到新品计划,很多人的第一反应就是可计划性太低,这就自然而然地把它推到销售、产品端,由那些职能兼职,变成拍脑袋为主了。其实不然,就如我们前面详细阐述过的,即便是用专家判断法做新品的初始预测,也得严格遵守"从数据开始,由判断结束"的计划流程,数据分析至始至终贯穿期间,主导整个专家判断流程。

过激反应,短缺最后总是以过剩收尾

| 暂无评论

前面多次讲过,行业性短缺状态下,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;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。

案例企业有着强大的粉丝团体,一直走的是粉丝经济,虽然在向品牌经济过渡,但粉丝经济还是营收的重要构成。为了最大化粉丝收益,案例企业就不断推出新品,基本上是每周都有新品上市。该企业走的是中高端、差异化路线,快时尚,品种多,批量小,首批推出一般也就几百到几千件。多种少量让预测更难做,要么过剩,要么短缺,在案例企业得到充分体现。

【小贴士】经验主义与教条主义

| 暂无评论

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",跟王蒙之言有异曲同工之妙。

【案例】分解需求,对接合适的判断者

| 暂无评论

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。

有个工业品公司,项目型需求较多,一贯靠一线销售提需求。让每个销售预测自己跟踪的项目,预测的颗粒度小,预测准确度不高,呆滞库存是个大挑战。于是该企业就开始考核预测的准确度:你预测了几个,就得用掉几个。销售跟库存挂上钩了,就迟迟不肯提需求,直到需求快落地时,数量的准确度没什么问题了,但给供应链却没有时间来响应。

预测的灵敏度和准确度

| 暂无评论
预测中,预测的灵敏度(响应度)和准确度经常相抵触:灵敏度高了,准确度就下降;准确度高了,灵敏度不一定高。

推拉结合:在合适的颗粒度做预测

| 暂无评论

人们经常说,他们的供应链是推式的,由预测驱动;或者拉式的,由订单驱动。其实,供应链没有100%的推,否则库存风险太大,股东受不了;也没有100%的拉,否则交付太慢,客户体验太差。每条供应链都是推拉结合的:先根据需求预测推到一定地步,以获取规模效益、降低成本、提高响应速度;再由客户订单拉动,以满足差异化的需求,并降低库存风险。

新品的滚动计划:平衡时效性和准确度

| 暂无评论
新品计划的准确度低,关键是伴随着更多的需求历史,要及时滚动更新,同时平衡库存风险断货风险运营成本

改变组织行为,控制多余库存

| 暂无评论

根据风险的高低,我们把多余库存分为两部分:如果能在一定时间内消耗掉,风险较低,就叫过剩库存;一定期限内预计消耗不掉,风险较高,就叫风险库存。多余库存的驱动因素是组织行为,比如预测失败,订单取消,最小起订量,策略备货,设计变更等。

库存运动没法降库存

| 暂无评论

供应链上的各种问题,都会或多或少在库存上体现出来。比如信息沟通不充分,需求的不确定性增加,导致安全库存上升;执行能力差,供应的不确定性增加,也导致安全库存上升;设计变更多,设计变更管理粗放,设计造成的过期库存多;质量差,次品多,劣质库存就多,而且得多备库存来应对质量问题;质量差,回款周期就长,应收账款就多----应收账款和应付账款也是库存,不过是以另一种方式出现;生产周期长,周转库存自然就高;运输慢,在途库存就高;预测、计划不到位,要么造成短缺,要么造成过剩,都是库存问题。

时间序列的预测:指数平滑法

| 暂无评论

在预测时间序列上,指数平滑法是另一类常用的方法。该方法最先由布朗提出,他认为时间序列的态势具有稳定性或规则性,所以可被合理地顺势推延;最近发生的,在某种程度上会持续到最近的未来,所以历史信息越新,其所占权重也越大[1]。指数平滑法其实是一种特殊的移动平均法,是一种加权移动平均,特点是权重按照几何数级递减,越老的数据权重越小。

计划职能的不作为同样可恨

| 暂无评论

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。

十几年前,我在北美读商学院,一位教授说,(以前在美国),如果一个人做不了设计、干不了销售,也做不来财务、人事、生产、仓储、物流,那就让他做采购;如果连钱都不会花,那就实在抱歉了,只有卷铺盖走人。这是美国几十年前的情况,随着全球采购和外包战略的盛行,采购的地位大幅提升,不再如此。但在一些粗放经营的本土企业,采购的地位还很低,是典型的"小采购"。我一直以为采购是一个人在这些公司的最后一站,直到2015年初。

按日,按周还是按月汇总需求历史?

| 暂无评论

在计算安全库存的时候,当需求相对平稳的时候,我们一般用过去一段时间的平均需求当做预测,计算这段需求历史的标准差,来量化需求的不确定性。这里有两个问题要考虑:其一,样本的数量,即用多少个数据点来计算;其二,数据汇总的颗粒度,比如按日,还是按周或按月汇总。

需求预测不能等同于销售目标

| 暂无评论

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(如图 1)。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。

魔鬼藏在细节中:需求历史数据的清理

| 暂无评论

有个代理商,库存和交付一直是个问题:短缺时有发生,而手头的整体库存却居高不下。他们想从需求预测和库存计划着手,对付这个问题。他们的计划主管首先导出几个产品的历史销量,做了折线图想从中发现规律,却看不出什么门道。问我该怎么办,我就把数据要过来----谈到具体的计划问题,不看数据就无异于瞎谈。

接触过几个软件公司,都是开发计划软件的,主要是需求预测、库存计划。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。整体而言,这些软件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。
我想主要有几个原因。

预测判断力是可以培养的

| 暂无评论

你不需要是个计划专家,才能做预测。预测的能力不是天生的,人人都可以练就。

为什么销售不愿分享信息

| 暂无评论

需求预测要"从数据开始,由判断结束"----销售是判断的主力军,计划按照销售提供的信息来判断,调整需求预测。我们经常听到计划在抱怨,说销售不愿提供信息。有几个常见的原因,这里讲三个,并探讨计划如何能帮助改变这些。

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,ROP),就启动订货机制,驱动供应链补充一定数量的货(订货量,ROQ);在货来到之前,库存继续下降,直到订的货到达,拉高库存的水位,然后开始下一个循环,如图1[1]。再订货点法在企业里使用很广,它的几个参数,在此稍作解释。
 

【案例】为什么需求评审不是解决方案

| 暂无评论

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。但销售不满意,认为评审增加了一环,阻隔了销售与生产的有效对接。案例企业的供应链就问我,需求评审流程该如何设置。

时间序列可以分解为三种成分:水平部分(平均值),趋势部分(上升或下降),季节性部分(周期性的重复),剩余的就是随机变动,即前三者都没法解释的"杂音"。我们常见的时间序列,根据复杂度的不同,一般上述三种成分中的一种、两种或三种组合而成。当然,你也可以把水平部分当成趋势的特例,或者趋势的一部分。那么,时间序列就可简化为两部分:趋势和季节性,以及两者之外的随机变动。下面这个例子就是这样分解的[1]

高库存、高服务水平是怎么来的?

| 暂无评论

在库存计划和服务水平上,企业可以分为三类:最差的企业是库存一大堆,但客户要的没有,服务水平很低;最好的企业是库存最低,但客户服务水平最高。这好理解:最好的企业计划做得好,知道计划客户要的东西,所以客户服务水平高;知道不计划客户不要的东西,所以库存水平低。最差的企业正好相反。但居于中间的企业呢,客户服务水平挺高,但库存也挺高,是高库存下的高服务水平。很多做得不错的企业都会归入这个门类,简称"两高"企业。

指数平滑法的逻辑和初始化

| 暂无评论

让我们拿踢足球打比方,来进一步理解指数平滑法的逻辑。

从数据里面学什么?

| 暂无评论

人们经常抱怨没数据,其实一个公司数据再少,也会有发货数据,因为他们要靠这个来向客户收钱。光从这些发货数据中,我们就可以发现很多有用的信息,帮助我们更好地理解客户期望,判断供应链的绩效,识别能力短板。比如你新到一个企业,人家给你一个几十兆、几百兆大的Excel文件,是这几年的发货记录,你该怎么分析呢?

时间序列的预测:移动平均法

| 暂无评论

移动平均法是用一组最近的历史需求,来预测未来一期或多期的需求。这是时间序列最常用的方法之一。当每期的历史需求权重一样的时候,我们就叫简单移动平均(一般简称为移动平均);当权重不同的时候,我们就叫加权移动平均。在加权移动平均中,需求历史越近,权重一般越大,也就是说更重视最新的信息,但所有的权重加起来等于1。

砍订单没什么值得自豪的

| 暂无评论

连续几年的芯片短缺,成了众多企业的心头痛。好不容易今年以来,有些芯片的供应改善,甚至出现局部过剩,价格回落。于是看到不少消息,说厂家开始砍订单,颇有点出了口恶气样子:芯片商们,风水轮流转,你们也有今日啊。有些唯恐天下不乱的自媒体甚至上纲上线,把这跟当前的一些敏感话题牵扯到一起,大肆炒作来吸引眼球。

对供应链绩效来说,没有什么比预测准确度更重要了,因为它直接决定了供应链的成本、交付和资产周转效率。这就是为什么在Gartner的供应链指标金字塔里,雄踞塔顶的是预测准确度。老祖先似乎没有"预测"一词,但你一眼就可看出,"早知三日事,富贵一千年"说的其实就是预测准确度。

从"收一遍的钱,干两遍的活"说起

| 暂无评论

几年前,我服务一家千亿级的企业,晚上吃饭,不知怎么就聊到了软件开发。他们的采购总经理说,国内的软件供应商拿的是一遍的钱,干的是两遍的活,没法活了。忙问为什么,他说需求定义不到位,内部用户让供应商按自己的要求开发软件,但开发好后一看,不是自己真正想要的,于是就重来----你说软件商们怎么能赚钱呢?

需求计划的闭环"责任链"

| 暂无评论

让我们拿需求计划为例,阐述计划的"责任链"这一重要概念。

首先,谁是需求计划的第一责任人?谁做的需求计划,谁就是第一责任人。我们说"做计划",指确定最终的需求数量、需求日期,驱动供应链执行。需求预测是个计划任务,虽然销售、市场、产品管理等职能扮演关键角色。当然,计划职能太薄弱时,需求预测就可能成了别的职能的兼职工作,那么这些兼职职能就得承担相应的责任。

计划职能习惯性地陷入执行模式,是众多企业的普遍挑战。怎么才能让计划"抬头看路",而不是一味"低头拉车"?一项重要举措就是制定绩效考核来保护计划人员,引导计划更加聚焦整体绩效,避免深陷订单层面的争夺战。

计划不能是一个人的最后一站

| 暂无评论

计划上做不到精益求精,跟计划人员的专业能力息息相关。比如计划员工的资质、经验不足,没掌握基本的预测模型,更谈不上优化这些模型,预测准确度就不高;为了应对预测的不准确,我们就得建更多的安全库存,花更多的钱来执行弥补。能力不足,面对那么多的产品和库位,没法科学、合理地做好库存计划,合适的库存放不到合适的地方,服务水平和库存就更加没法优化,都让我们在精益求精上渐行渐远。

不确定性大,如何避免大错特错

| 暂无评论

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,以及短缺下的过激反应,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。

计划有多种,相互有关联

| 暂无评论

任何事情都是个两阶段的实现过程:先有精神实现,然后有物质实现;前者是计划,后者是执行。企业里的每个职能,凡是有执行的,都能找到相应的计划,无非有些计划实现了专业化,由专职人员在做,有些是兼职而已。

如何从无到有,制定个计划

| 暂无评论

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。

没计划,这是计划的首要问题

| 暂无评论

2009年,我刚开始服务本土企业,就对有些企业在计划上的欠缺深有感触。用一位美国合作伙伴的话讲,"短期计划是下午四点,中期计划是本周四,没有长期计划"。这不,前一天下午会议上谈得好好的事,第二天一大早就变了,就因为上头的一句话。

从"收一遍的钱,干两遍的活"说起

| 暂无评论

几年前,我服务一家千亿级的企业,晚上吃饭,不知怎么就聊到了软件开发。他们的采购总经理说,国内的软件供应商拿的是一遍的钱,干的是两遍的活,没法活了。忙问为什么,他说需求定义不到位,内部用户让供应商按自己的要求开发软件,但开发好后一看,不是自己真正想要的,于是就重来----你说软件商们怎么能赚钱呢?

库存:企业运营的焦点问题

| 暂无评论

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。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。

需求计划的进化史

| 暂无评论

我们这里换个视角,谈一下需求计划的"进化史"(如图 1),以及中美企业在需求计划上的差异。简单地说,需求计划的整个"进化史",也是需求计划从单一职能向跨职能、跨企业发展的历史,从避免大错特错向追求精益求精的发展历程。

需求计划的绩效如何考核

| 暂无评论

一旦提起需求计划的绩效,一般人就会联想到预测的准确度。这没错,但不全面。所谓绩效,真正重要的是指跟客户、股东利益直接相关的东西。我不是说预测准确度不重要----预测准确度当然重要,因为会影响到客户和股东利益,但客户跟你做生意,股东买你的股票,有多少是因为你的预测准确度高?所以,对需求计划的绩效评估,要超越预测准确度本身,从客户和股东的视角来看待。

全新《供应链的三道防线》第2版上架了

| 暂无评论

Thumbnail image for 三道防线,2版.jpg

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执行不到位,但仔细探究,根源却都离不开计划。

需求预测:分门别类,区别对待

| 暂无评论

最新专著《供应链的三道防线:需求预测、库存计划、供应链执行》第2版,刘宝红著, 京东预售。

有个养殖企业,营收在几百亿的级别,长期以来是需求拉动:养殖场有需求,就提交库管,驱动采购来满足。需求拉动的问题有二:其一,给供应链的响应时间太少,经常成为紧急需求,导致加急赶工运营成本高,内部用户体验也差;其二,需求零散,难以聚合,缺乏规模效应,导致采购价格偏高----即便签订总量合同,拿得更好的价格,但因为需求是零散的,批次多,跨度长,供应商最终也往往要求随行就市,实际收取更高的价格。

小步快走,尽快纠偏,服装行业为例

| 暂无评论

我们行外人很难想象的是,服装从开发到上市的整个周期,需要一年以上的时间(快时尚、电商可能快点)。比如现在开发的不是今年卖的,而是明年这个季节的服装。周期长,款式多,SKU复杂,从面料到款式到颜色,服装的需求预测历来挑战重重。这些问题,特别在快时尚领域,还没有完善的解决方案;但多年来,服装行业也总结了一系列的经验智慧,把预测尽量做准,做不准的话尽快纠偏。

怎么知道预测错了,需要纠偏

| 暂无评论

我们都说要及时纠偏,但究竟怎么才知道预测错了?

最简单也是很常见的,就是等别人冲着我们叫:客户在催货,你知道是短缺;财务在质询呆滞库存的事,那自然是过剩了。但是,这些结果指标是滞后的,因为供应链上的库存有冗余,信息传递有延迟,等我们知道了,已经太晚了。这就跟等觉得口渴时,身体早已处于缺水状态了。

先说计划主导。

虽然销售深度介入需求预测,但需求预测不是销售的主业,即便兼职预测的话也往往只管生,不管养:他们提完需求,然后就去忙别的,不再回头看。什么时候才回头看?灾难降临的时候,要么是短缺,要么是过剩,都是基于结果的,而结果是滞后的,甚至是严重滞后。所以,作为计划职能,我们不能一直等着业务端"有什么变化,要尽快告知"----那是推卸责任,而是要定期滚动预测,发现不确定之处主动问业务端。

建立滚动的预测更新机制

| 暂无评论

对于小的需求变动,供应链有一定的纠偏和容错能力。比如预测相对偏低的话,可由安全库存、安全产能来应对;预测适当偏高的话,可以延迟供应商给我们的交付,或者手头库存暂时高一段时间。但这是有前提的:我们得尽快调整预测,否则长期累积下来,小洞变大洞就难补了。

计划总是可以调,但供应链可不予执行

| 暂无评论

我们接下来讨论,未来多长时间内的需求预测可以调整,执行端必须得满足。这就涉及到计划的冻结期半冻结期自由期,如图 1:

(1)在冻结期内,对预测的数量和时间调整,供应端可拒绝执行,否则的话执行成本太高;

(2)在半冻结期内,供应端要满足一定的时间调整(比如适当提前或推后),但可不响应数量调整(因为原材料等很难在短期获取);

(3)其余的是自由期,预测的数量和时间都可以调整(这一般是采购提前期外),供应端必须满足。

一位经理人说,公司的系统里有一套算法,来帮助计划员设置安全库存。用了一段时间后,发现系统建议的库存整体偏低。我问,既然这样,那为什么你的挑战却是降库存呢?不用他回答我都知道答案:系统建议偏低,计划人员就手工调整,多放一些库存;但人员水平良莠不齐,不知道设置合适的库存水位,最终就以高库存为解决方案。

SKU泛滥,需求预测怎么做

| 暂无评论

SKU是英语里Stock Keeping Unit的缩写,直译过来是存货单元。举个例子。女孩子去买衣服,找到喜欢的款式,喜欢的颜色,还得找到自己的尺码----款式+颜色+尺码就是这里说的SKU。SKU是我们识别产品所必须的,也是商场进出存的最小单元。同样的款式、同样的颜色,中号跟小号是不同的SKU,所以需要两个不同的SKU编码来识别。

由判断结束:判断什么,怎么判断

| 暂无评论

11月供应链管理系列培训

报名倒计时还有 6 天


在各行各业,产品的生命周期在缩短,产品新老交替迅速;社交媒体带来更多的改变需求的方式,上新即高点,需求直上直下;六一八、双十一等电商大节,跟国内的传统节假日一道,显著增加了需求的波动性。再加上国内市场竞争激烈,相对欧美而言促销活动更多,需求的可预见性更低。这些都决定了基于需求历史的预测准确度低,凸显了"由判断结束"的重要性。

VMI是对供应链三道防线的终极挑战

| 暂无评论

一个苏州的公司问,我们让供应商建了VMI,但短料、呆滞频发,怎么办?我的答复是供应链的三道防线。他们问,三道防线中没有一个字是谈到VMI的,为什么能解决我们的问题?答曰:预测准确度低,第一道防线建不好,VMI要么是断货,要么是呆滞;库存计划不到位,第二道防线没建好,VMI的最低、最高库存不合理,问题当然是一大堆;需求预测和库存计划的不足,最后都得供应商的执行来弥补,这是供应链的第三道防线,要求我们选好、管好供应商,对我们的寻源和供应绩效管理提出更高的挑战。

畅销专著

  • Supply chain management: high cost, high inventory, heavy asset solutions

畅销经典

  • Purchasing and Supply Chain Management

最近评论

  • 大米: 例子很好,很有启发性。企业不能没有KPI管理,不过我认为KPI应对事不对人。 详细>>
  • 刘宝红: 这样做的风险是两套班子在做采购,多头对接、选择供应商,可能造成供应商战略问题。要知道,这里缺的是采购资源,应该在采购职能增加资源,而不是让设计兼职采购的活儿。毕竟,设计也需要额外的资源来兼职采购的事。 详细>>
  • Roy: 老师,您好。其实这个案例的解决方式就是将研发的物料作为一种加急手段且生产采购专人负责的措施在处理。但老师有个问题请教一下,现在公司并没有多余的采购员人手专门去处理这个事,那又该怎么解决呢?我考虑此案例的解决措施是将研发人员抽取人员专门负责采购研发物料,并后续将这些物料传达给生产采购,让他去做下一步的采购评估工作。这样既可以让研发自己快速拿到物料研发且初步了解物料的价格、生产周期等情况,又能够减少生产采购的工作。 说明:公司目前是有几个亿的实缴注册资金,但是真正采购员只有7个人,1年需要采购近10万种物料且某些料一年可能会下好几次订单,且有3-4个人还要负责供应商开发工作,所以生产采购并没有多余的人手。 详细>>
  • Li Zewei: 您好,刘老师,我是本科在天津大学物流工程专业学习,现在正在港城读金融专业,我之前因为对金融知识得喜爱而选择了转行,后来经过和家里人的沟通,我认为我的目标是去从事企业当中和数据打交道得工作,同时也希望自己能读完博士再出来工作,但害怕供应链和金融强调工作经历而使得读博得性价比不高,目前我正在申请统计学专业(为了读博做量化能力的准备),不知道老师怎么看待我的背景读博士得选择,有哪些方向在读完博士之后更被企业所需要呢。 详细>>
  • Kathy: 對老師的分析有很深體會,我所在的地區,因為人才緊張,"三無"也是混得順風順水,混日子混到升職加薪大有人在,特別是公司重視留得久的員工而非有能力之輩,往往讓我心灰意冷。不知道如何調整這種心態,感覺努力提升自己,都不如睜一隻眼閉一隻眼在公司躺平得到更多。我也換過幾家公司,氣氛大都一樣,慢慢對工作失去熱情。 详细>>
  • 文一清: 老师的现场培训课可以多弄一些城市啊 就上海深圳太少了 详细>>
  • 刘宝红: 这里的问题是供应商早期介入了,采购没有。一个两个工程师这么做,可能是那一两个人的问题。一帮工程师都那么做,往往是因为有能力短板,不是工程师的,而是采购的:采购要么没能力,要么没资源,在供应商早期介入上没法增加价值,工程师就自己来对付。我写过专门的文章解释这些。 详细>>
  • 徐培君 Carina: 非常感谢Bob对于“供应商早起介入”,这个话题的探索… 首先,在实际的工作经验中,非常赞同您从底层逻辑出发提出了“设计意愿&设计能力”的两个纬度考量,特别对于高技术新颖的市场这点尤为关键,并通过日本企业的一些成功经验来论证其观点. 作为供应链采购人员,想从实际遇到的问题和您把话题往下衍生一下,如有不恰当之处,望指出: 问题:在一个新领域(数字化算法),由于很多R&D人员就是了解到“设计能力”本身欠缺,故直接采取主动进行“前期供应商接洽”,并美其名曰“沟通更有效率”,从而结果是“寻源”可以技术部门自己完成,采购成为了“走流程,摆样子”,同时由于特殊时期,高级管理层都“默许”;而对于此时“采购人员”特别被动,对于此“怪像”,您怎么看? 详细>>
  • 刘宝红: 这关键是你有没有别的更好的选择。 详细>>
  • Kate: 刘老师,您好!本人在制造业名企有4年订单交付的工作经验,目前有另一家制造业的采购机会,但因为我缺乏采购经验,提供给我的机会是间接采购岗位。目前间接采购岗位都是大型企业才会配置或重视。不知道您对这个岗位的发展有什么看法?是否值得转变岗位? 翻看您之前在17年的回复如下,请问现在还是保持同样的看法吗?谢谢! // 生产制造业在国民经济中的比例会越来越低,服务业的比例会大幅上升,如果中国按照现在的经济发展下去的话。所以,对于间接采购的需求会增加。这也是美国现今的情况。 详细>>

关于此归档

这里是分类计划预测中的最新日记。

上一个分类职业发展

下一个分类绩效管理

首页归档页可以看到最新的日记和所有日记。