如何将复杂的供应链转化为优质的服务

如果亚马逊今天凭空出现，很少有理智的人会对能够盈利地运营它充满信心。

在全球范围内，该公司通过 11 个不同的国家/地区市场销售超过 30 亿种产品。仅在美国，亚马逊在 2018 年就推出了 2.08 亿种新产品——其中大部分是缓慢的产品，或“长尾”产品。然而，尽管其极其复杂和规模庞大，亚马逊 2018 年 7 月的收益使股东的预期翻了一番，实现了高达 25 亿美元的季度利润。

亚马逊的成功似乎是无法复制的侥幸。然而，当你分解它时，杰夫贝索斯通过弄清楚如何同时做三件看似矛盾的事情而成为世界上最富有的人：以尽可能低的成本提供卓越的服务水平，和 管理复杂性。我认为，如果没有先进的技术能力，任何公司都很难同时取得真正的成功。

首先，改变你的心态。不幸的是，在需求波动不断增加和服务期望更高的市场中，太多公司陷入传统流程和熟悉的螺旋式下降。由于无法可靠地预测越来越多的 SKU 组合，他们增加了库存以适应长尾、不稳定的需求。这总是会导致一些问题，例如额外的运费以及过多和过时的库存，这些问题要么需要注销，要么以大幅折扣出售。计划人员一直处于被动和低效的“救火”模式，大部分时间都花在改变建议的补货和操纵服务水平上，而不是推动绩效。

供应链问题通常最难解决，因为它们有违反直觉的解决方案。如果你想获得“亚马逊式”的成功，你必须做的第一件事就是走出自己的道路，尝试一种新的方法。正如一句老话所说，疯狂的明确标志是一遍又一遍地做同样的事情并期待不同的结果。

服务驱动计划的秘诀在于概率预测和库存组合优化。管理复杂性和实现高服务水平的方法是首先突破预测准确性障碍：与其预测一个数字，不如在预测中了解需求的可能性范围。这种方法称为概率预测。使用这种方法，您仍然会得到一个与最可能的结果相关的数字。然而，围绕这个数字，你会得到一系列其他可能的结果，每个都有不同的概率。它是传统“单数”预测的替代方案，后者基于对总订单历史记录数量的平均。

概率预测非常适用于包含大量长尾项目并且由于无法充分建模的大量因素而面临需求可变性和不确定性的供应链。正如供应链大师 Lora Cecere 在她的博客概率预测：适合您的业务？：“对于困难的需求概况，概率预测是一种新的强大技术。它是一种发动机。预测就是更好的数学，以及数据模型对推动结果的拟合。”

您的供应链不必变得太复杂，就可以从概率预测中受益。这是一个过于简单的例子来说明。假设您要预测对特定汽车轮胎 SKU 的需求。单数预测系统将查看该轮胎每月销售四件的历史记录，并将平均需求确定为每周一个轮胎。由于此预测并未解决客户一次更换所有四个轮胎的问题，因此它会不断提出错误的预测，从而导致库存水平达到目标服务水平。

对于库存计划，您需要知道每个生产线订单数量的概率——一个轮胎、两个轮胎、三个轮胎、四个轮胎等。概率预测准确地提供这些信息，识别订单模式（例如，订单大小、订单频率），库存可用于满足需求。

早在 1990 年代初期，我们就在供应链世界中留下了一个孤独的人物，当时我们第一次开始支持这种方法作为传统预测的替代方法。今天，面对压倒性的供应链复杂性，有更多的平台可供公司尝试。我们得到的反馈总是“我只希望我们早点开始这样做！”

其次，库存组合优化通过利用整个网络中 SKU 组合的规模和可变性（复杂性）来实现我们所谓的“服务驱动计划”。不是为组中的每个 SKU 分配相同的服务级别，而是为整个供应链中的每个 SKU 位置分配自己的服务级别，该服务级别经过优化以实现业务目标。例如，不是为一个类别中的所有 SKU 分配 98% 的服务水平，而是通过将各个 SKU 位置服务水平最佳设置为 99%、97%、99.5% 等来实现全球 98% 的目标，实现相同的目标总体客户服务水平目标，库存费用要少得多。

全球处方镜片制造商 Shamir Optical 应用基于概率的预测来变得更加以服务为导向。 Shamir 没有使用一刀切的库存策略，而是分析了需求模式，为每个位置的每个 SKU 创建了不同服务水平目标的混合。该公司总体上将库存水平降低了 25% 以上，同时始终实现了超过 99% 的服务水平。

人类规划人员实际上无法足够快地执行概率预测。要使其发挥作用，您需要使用机器学习技术（一种人工智能形式）的自适应系统来自动化规划过程。要生成概率预测，您首先需要对供应链进行建模。大多数公司从一组 SKU 样本开始，以随着时间的推移进行测试和扩展。针对您的模型，您需要考虑各种潜在需求变量的影响。这些可以是传统输入，例如订单历史记录，其他企业来源，例如客户关系管理 (CRM) 系统数据，甚至是天气、股票市场和社交媒体趋势等外部来源。由于供应链模型是一个“活的”系统，机器学习会随着时间的推移不断学习和调整结果，让您可以根据需要引入新的数据源。应用人工智能提供对需求和库存行为的深入洞察，以改善结果。

然而，对人类来说，好消息是，概率预测在设计上是一个起点，而不是终点。它们旨在及时为规划人员提供所需的数据，以便对整个供应链中的服务政策和相应的最佳库存水平做出明智的判断。

这种人工智能增强的概率预测代表了人与机器之间的理想共生关系。随着时间的推移，系统通过考虑人类输入而变得更聪明，而人类通过从概率预测的成功率中学习而变得更聪明。这让规划人员能够专注于服务、战略项目以及将他们的业务洞察力添加到系统中。

您的企业也可以在复杂性中蓬勃发展。概率预测的美妙之处在于，当服务水平提高时，成本、浪费和低效率会下降。像 Shamir Optical 这样的数百家公司已经获得了广泛的好处，从释放营运资金到减少过时、运输以及加快成本和降价。许多公司报告称，他们对市场变化的响应能力更强，并能够做出更好的战略决策。

对于那些坚持“单数”确定性方法的人来说，概率预测会让人觉得违反直觉。但是，除非您从事商品很少且需求完全可预测的商品业务，否则单数方法不会削减它。亚马逊不仅使用这种方法，它还为合作伙伴供应商提供了一种概率预测工具。是时候尝试一下了吗？

Joseph Shamir 是 ToolsGroup 的首席执行官。