库存计划的优化：组织和系统的博弈

本文摘自书籍，作者：刘宝红、赵玲。

前面说过，库存计划就是赌博，放在“长尾”需求上尤其如此。我们都是赌徒，但要像赌场那样去赌，提高总体赢面。库存优化的目标就是全局优化（赢得战争），从统计学的角度增加整体的胜算，以最小的库存投资来达到整体的服务水平目标，而不是局部优化（赢得战斗），执迷于一城一池的得失。

比如企业有几千个产品，大部分是“长尾”产品，需求低、周转慢。该企业希望达到的整体有货率是95%，即客户订货时，95%的情况下手头立即有库存。如何投资才能使库存金额最低？优化的逻辑其实很简单：越是便宜的越多备，这些产品的有货率高；越是贵的越少备，这些产品的有货率低；但两者结合，既能达到整体的有货率，同时总体库存最低。我们的挑战呢，是成千上万的产品，单价不同，需求历史不同，究竟哪些多备，哪些少备，备多少，可能的组合有千千万万，最后试出个最优组合来。你一眼就看得出，这可不是Excel表格能对付得了的。

市面上有库存计划软件，不过大都是针对单个产品的，即可以计算单个产品的库存水位和服务水平（有货率），但没有能力做多个产品的组合优化。市面上也有个别高级计划软件，能够做库存的全局优化，但有各种短板，使得全局优化的效果不理想。

比如沃顿商学院的教授、博士们开发一个服务备件计划系统，叫SPO[1]，专门针对“长尾”需求明显的服务备件进行库存优化。该软件在需求预测、库存计划方面有非常优秀的计算逻辑，是基于多年的研究和博士论文，但一般的计划员不懂。不懂就不能信任，不信任就不愿用、不敢用。而且这个软件“歧视”单价高的产品，往往就建议那些很贵的产品一个也不备，尽管这些产品的历史需求相当多，而且也很关键。这是由软件的全局优化逻辑决定的：多备便宜的，少备贵的。

举个极端的例子：比如一个产品是1元，另一个是10000元，那SPO一类的软件的建议往往就是1元的备很多，达到99.99999%的有货率；10000元的一个都不要备，有货率为0，但所有产品一起，能达到95%的整体有货率目标。稍有业务常识的人都知道，这不行。

这问题的解决方案有二。其一，把产品按照单价划分为不同的组，每个组内进行互相比较。比如单价1到10元的放一组，10到100元的一组，5000到10000的放一组。这样，10000元一个的产品不和1元一个的比较，而是跟单价差不多的比较。其二，设定最低有货率，比如5000到10000元的那一组，至少要达到85%的有货率。

但不管怎么样，优化软件系统“歧视”高价产品的根本“问题”还在，特别是高值慢动的产品，因为那是库存全局优化的本质所在。而这些高值慢动产品往往是最为关键的，一旦缺料，后果严重，纯粹的数据分析没法客观反映这些，导致计划员不敢轻易遵循软件系统的建议。结果呢，就可能出现这样的问题：便宜的产品加了相当多的库存（那是遵循软件系统的数据分析），而昂贵的产品又没有减下来（那是遵循计划员的判断），导致有货率高、库存更高的“双高”现象。

计划员是天生的自下而上，一个一个料号来计划，从每个料号的局部优化做起，代价是可能牺牲全局优化；计划软件是自上而下，综合考虑全局而提出优化建议。对一个几十亿几百亿规模的企业来说，计划员动辄就几十个，计划水平层次不齐，每个人都有自己的一套逻辑，自下而上地构建库存的“大厦”。在计划人员眼里，“大厦”的每一块积木是独立的，互不关联，因为即使关联，计划人员也没能力关联；但在库存优化软件看来，这些积木是有关系的（这没错），就把那一块块单独积木的棱角修修圆，让更好地套到一起来。结果发现，对于大量的产品，计划员和软件系统的想法不一样，如果要采取软件的建议，那意味着要调整的太多了，无异于推倒重来，显然不现实。

计划员往往是凭经验，从判断开始，由判断结束；库存优化软件是凭数据，由数据开始，由数据结束。这两种方法是两个极端，用哪一种来代替另一种都行不通。理想的方法是从数据开始，由判断结束：综合系统的数据分析和计划员的职业判断。有些库存优化软件考虑到这点，把计划人员的判断输入到系统里。比如有一堆库存是出于“政治原因”建的——客户因为短缺，告到工程师的老总那里，供应链只好花钱消灾，放上一堆库存，虽然没什么用，但你还不能拿掉。这OK，我们可以告诉软件系统，优化库存计划时，把这些库存排除在外。但是，小批量、多品种的行业高度复杂，有大量的情况一直处于变动状态，难以固化在信息系统里，不得不依赖人工来决策。这是个大挑战，让我们举例来说明。

在大型工业设备领域，有些昂贵的零部件坏掉后，要修复再用，否则成本太高。刚开始，备的料都是新零件，客户的零件坏了，就给他个新零件，把老零件拿来修理；慢慢地，在维修渠道里的老零件越来越多，“维修池”足够大了，就不再需要备新零件了，所有的库存水位都替换成修复件。这个时候，需求历史也要“清洗”，把原来对新零件的需求历史转到修复件上，计划软件才能正常运作，给出合理的库存建议来。但这是个非常漫长的过程，动辄需要几年才能完成；在此期间，需要人工来判断，究竟需要备多少新零件、多少修复件，不断动态调整库存水平。计划软件很难对这类库存优化。

这类看上去是个例，其实很普遍，比如设计变更带来的零件交替，也有类似的问题。为了降低成本，供应商在不断推出新的零件，替代那些成本高、效果差的老零件。而新老代替的过程需要人工介入，比如先替代哪些客户，后替代那些客户，需要考虑到客户的接受度和供应链的能力，计划软件难以有效来优化。

细究一个工业品的库存体系，你会发现，凡是那些昂贵的产品，总是有这样那样的变化，要么是质量原因，要么是成本原因，一直处于变化状态。你说抛开这些产品的话，优化其余的，但其余的也没多少，至少从金额上来说没多少了。

说了这么多，都是说工业品环境错综复杂，基于计划软件系统的库存优化很难做到位。但这并不意味着库存优化就不可为。只要做好基本面的工作，你还是可以比你的过去好，比你的竞争对手做得好。要知道，所有的竞争优势都是相对的。

比如分析库存，纵向、横向比较，不同计划员之间比较，把最佳实践固化成简单法则，全面推广，也会产生显著的效益。前面讲过的成本—频率编码体系就是这样的例子：对于那些单价很高、全球需求很低的产品，比如有个A3产品（成本高过5000美金，全球在过去12个月里只有3个月有需求），当时备货时没法有效判断需求，就在全球的15个地方仓库都备；现在有了相当的需求历史了，发现手头的库存大概能支持5年的用量。那好，强制把10个库存点的库存计划水位清零，让这10个成为多余库存，大概3年后就可以消耗掉50000美金的库存。而带来的服务水平风险呢，其实非常小。

再举个例子。有个工业设备公司做分析，发现没有及时发货的产品中，有相当一部分是非常便宜的产品，比如几毛钱一只的螺丝钉、螺母、螺帽等。计划员一般按照平均需求来设定库存水位，比如备1个月的量；但客户下订单时，因为便宜，有时候会一下子订几个月的量，结果公司手头就没有足够的料给客户，导致服务水平指标偏低，客户和销售都有意见。那好，这个公司就回顾所有客户过去24个月的需求，把所有订单的第一高剔除（这有可能是异常值），确保库存水位不低于第二高的订单量。整个分析做完，全球增加了几十万美金的库存，对于一个有过亿美金库存的公司来说，这点投资相当有限，但整体有货率提高了几个点。

调整完了，有些计划员就跳了起来：这螺丝钉我以前备5个，你怎么给我调到100个呢？在他看来，这95个的增长是个大数字，但转化成金额呢，也就几块钱。而他不知道的是，在地球的另一个角落，有客户一次订了100个。当然他可能会争辩，那不是我的客户，我的客户一次要100个的概率有多高呢？答案是当然不高，但并不是不可能：对于这么低值的产品，即使这么小的风险，我们也不愿意承担，而且不应该承担。

在贵的产品上不够冒险，在便宜的产品上不够保守，可以说是计划人员的天性。比如对那些高值慢动的产品，本来可以少备或不备，承担一些风险来降低库存，但鲜有例外，计划员的做法是每样都备1个，至少客户怪罪下来我有的说。再比如几分钱一个的螺丝钉，虽然金额没多少，很多计划人员还是不愿拔高库存水位，因为人天生对大数字敏感（比如备了100个，那可是个大数字）。库存优化是跟人性打交道：平衡人性的弱点，用数据分析的理性来平衡计划人员的情感。所以，软件数据作为支持就非常重要，数据也要系统分析，人分析避免不了感性判断。

从某种程度上讲，库存优化也是系统与组织之间的博弈：不管计划软件建议怎么做，计划人员总是有各种理由，继续按自己的老一套来。企业大了，计划人员的水平良莠不齐，很多人的水平显然不如软件系统，虽然软件系统并不是完美的。但是，系统很少能斗得过组织——系统是死的，人是活的，那些计划人员总是有足够多的理由或借口，置软件系统的建议于不顾，如果你要挑战他们的话。试想想，那箭是他们射出的，不管射到哪里，他们总可以围绕箭头画上圆圈，说那就是靶心。系统总是不完美的，会有异常，而国人的传统呢，就是抛开系统另搞一套，而不是不断微调、优化系统，最后系统往往是无疾而终。

很多企业采取分散的组织，把计划分散到基层，是用组织措施来弥补信息系统的短板——企业原来没有好的计划系统，就不得不依赖人的经验；哪些人有经验呢？自然是基层离客户近的人，比如客服、物流、运营什么的。其实，这些人中的大多数不懂计划，也没时间钻研或者不愿学习、改变，就只能在经验主义的路上走到黑，靠拍脑袋做计划。当企业上了计划系统后，这些人其实就成了计划系统的最大绊脚石。

管理者一般站在系统一边，但永远没有足够的精力来说服这些计划人员。那一种解决方案呢，就是把库存计划的权限集中，让最优秀的那几个计划员来负责。专业能力高了，人少了，组织和系统就更容易磨合，建立计划人员与计划系统的契合，推动库存优化。