哈佛商业评论

大多数高管认为，一家大公司实现供应链的数字化需要花费数千万美元。人们的设想是，这将是一项为期三到五年的大规模转型工作——需要在云技术方面投资在所有产品货箱及设施安装RFID标签和识读器、部署3D打印和机器人技术，并在车间机器上监测其性能和状况的新仪器等方面进行重大投资。该思想认为，为打破各职能领域之间的藩篱、创建一个可以提供竞争优势的综合协调的供应链，所有这一切都是必要之举。

可是，在我们为多家企业提供咨询的工作中，我们发现了另一种选择。这些企业——包括一家全球时尚零售商、一家大型包装消费品（CPG）制造商、一家全球电器制造商和一家生产个人电脑、平板电脑和智能终端的高科技公司——的经验表明，花数百万美元的资金、12到24个月的时间进行供应链的现代化有可能获得实质性的收益。在这些较为温和的努力中，企业会收集现成的数据；使用高级分析来了解和预测客户及供应商的行为；优化库存、生产和采购决策，以降低成本并提高响应能力；增加一些自动化技术来改进现有流程并引入新流程。

这一方法的成功秘诀在于三项举措：首先，企业用统一的需求观取代了共识预测。第二，他们放弃了一刀切的供应链策略，转向细分策略。第三，他们创建了一个单一的计划来持续平衡供需，发现并应对供需偏差或混乱。

如果执行到位，这些举措会降低供应链成本——并因缺货减少、服务水平提高（按时足额交付订单的比例）而增加收入。同样重要的是，它们可以提高企业的客户保留率。在那家时尚零售商，这些举措帮助公司市场份额提高了28%以上，并在短短三年内将营业利润翻了一番。CPG公司的举措所带来的运营和财务收益仅在两年内就偿付了成本。高科技公司的服务水平提高了10%到30%，那家电器制造商则实现了20%的收入增长，将能够提供一天送货到家服务的客户比例从70%提高到90%，并将运营成本降低了3%到4%。

本文我们将重点关注CPG制造商对该方法的实施。这是一个特别有启发性的案例，因为该公司在应对其现有系统的缺陷时面临着非同寻常的挑战，其中包括多个耗时的手动流程、过量的库存以及大量过期和损坏产品。

建立统一的需求观

这一历程始于重新思考需求规划流程。传统方法采用共识预测，每个职能部门——运营、财务、销售和交易（负责营销、促销、折扣等）——使用标准统计技术、历史销售数据和一些外部数据来生成各自的预测。然后，所有职能部门聚在一起，商讨出一个折中的统一预测。

这个过程有两个缺点。首先，生成各种预测并达成满足所有业务需求的共识需要很长时间——通常为4到5周。到那时，所使用的销售数据已经过时。其次，相关人员不是就数据达成一致，并让分析产生单一预测，而通常是专注于在相互矛盾的预测之间找到平衡，并依靠直觉判断销售、收入和利润率的推动因素。

达成统一需求观的更好方法是从所有参与者都一致认为会产生最准确画面的数据集入手。比如，这家CPG制造商选择了四种数据：

● 向零售商所发货物、价格、折扣、促销及各种产品特性方面的内部数据

● 消费者需求数据，这可以通过零售商的销售点技术获取或由IRI和Nielsen等公司提供

● 宏观经济信息——包括季度GDP、采购经理人指数、消费者价格指数、失业率和通货膨胀率——这些信息有助于解释消费者行为、季节性和趋势

● 可以表明或影响需求的其他因素方面的外部数据，比如网络搜索量、社交媒体上产品的露出、平均气温、降水量、假期和竞争对手的价格等。

利用这些数据和先进的分析方法，企业可以建立一个自动化的五步循环流程，生成未来50到80周的供应、财务和交易计划——这是大多数公司的计划周期（参见图表“建立品质更优、成本更低供应链的五个步骤”）。以下是这家CPG制造商所经历的流程：

首先，交易计划信息——关于未来促销、折扣和营销投资的信息——与消费者、宏观经济及外部数据相结合，由库存单位和零售商生成整个周期内每周的市场需求预测。从我们观察到的情况来看，大多数CPG企业从未尝试过以如此精细的水平来预测需求。

第二，将每家零售商的需求预测与该公司向该零售商发货的历史数据相结合，以生成周期内该零售商在每个库存单位的每周订单预测。

第三，公司汇总所有订单预测，并将其转换为可行的供应计划。该计划考虑了可用资源，包括原材料和成品的库存；产能限制；以及市场目标（比如，在特定的零售商-区域组合中提高某一类别产品的销售额）。它还旨在实现某些业绩目标。这家CPG公司重点关注的是实现供应链总成本的最小化，不过，选择的目标会因公司而异。比如，在某些公司，目标可能是最大限度地增加收入或所产生的供应量。

第四步是给所有供应商提供每周库存单位供应计划，生成计划周期内品牌层面上每个月的收入和毛利率预测。

第五步是将财务预测与公司的业务目标进行比较。两者之间的差距可能会引发交易计划的改变——比如，增加折扣的力度或增加营销投资以刺激销售。

这家CPG公司的管理人员在考虑采用这一新流程时提出了许多问题——这些问题代表了大多数高管对我们的方法所表达的担忧。让我们逐一探讨一下。

这一流程能够达到何种程度的预测准确度？研究证明，客户需求的可变性大大低于零售订单的可变性——这一事实构成了众所周知的供应链长鞭效应的基础。这意味着预测消费应该比预测零售订单容易，而事实上，这家CPG公司对市场需求的预测准确度相当高。在任何时候，从库存单位、每周和零售商不同维度进行的五到八周需求预测都被证明达到85%的准确率。

将更准确的消费预测与历史零售订单相结合，这让该CPG公司能够改进其对零售商未来订单的预测。每周订单预测的准确率比该公司以前使用的基于共识的标准预测高15%-20%。更准确的订单，或者说发货预测可以清楚地转化为更有效的供应计划，从而减少销售损失——因而提高收入——并且提升服务水平和客户体验。

最后，由于输入的信息更准确，所以财务计划也更准确。这一方法在几家CPG公司的实施过程中，在每月月初对接下来一个月进行的财务预测的准确性上升到95%至97%。

我们是否能够弄清楚是什么推动了计划所预测的行为和其他变化？这个问题可能最为关键。事实上，根据我们的经验，几乎所有高管都不愿意盲目遵循数据科学家开发的黑盒子的建议。他们当然希望能够理解并解释需求预测流程产生的结果。

例如，销量增加或减少是由于竞争对手的行为、产品之间的相互冲击、促销打折，还是仅仅因为一项特殊活动或节日而造成？好消息是，如今的分析技术之成熟，足以将单个库存单位的每周预测分解为基本构成元素。这一工作的完成是通过将数据明确建模为关键变量（竞争对手的行为等）的组合，并估计每个变量对预测的贡献实现的。

高管们还希望知道为何上周生成的预测不同于本周生成的预测。这也是今天的分析技术能够提供的信息，手段是比较用于生成每个预测的输入数据。

最后，高管们希望了解为何预测与实际销售有时会出现偏差。在这家CPG公司，答案是销售受到零售商执行定价、促销、折扣和库存决策方式的影响——这是制造商的计划团队无法看到的东西。比如，当零售商在将库存上架或按计划实施促销或打折而遇到运营挑战时，预测可能会不准确。零售商的库存信息和消费者在收银机上支付的价格可以揭示这些问题，但根据我们的经验，大多数零售商不向其CPG供应商提供这些信息。因此，在这家CPG公司，预测和实际销售额之间的任何显著差距都会招致对差异原因的调查。

我们如何可以确保所有职能部门都遵循新方法？答案是建立一个卓越预测中心，将不同职能部门的人员、信息技术人员和数据科学家聚到一起。他们的任务就是商定要使用的数据，并根据五步流程通过分析法生成预测和供应计划。

我们应该多久运行一次这一流程？在这里，答案取决于各种企业和品牌的市场周期。对于大多数企业而言，需求预测、零售商订单预测和供应计划应每周或每两周更新一次，而财务预测及其与公司目标的比较应每月更新一次。不过，也有明显的例外。CPG制造商的部分产品只有短短六到七周的生命周期。在这种情况下，企业需要每周两次更新需求预测、零售商订单预测和供应计划。（时尚产品制造商也同样如此，它们的销售季节持续时间不超过10或11周。）

重新定义供应链策略

传统的供应链策略通常关注运营效率或响应能力。当运营效率是第一要务时，企业会努力从供应链中挤出尽可能多的成本，而这一目标会推动供应商选择、制造策略、产品设计和分销以及物流。通常，生产和分销决策会以长期预测为依据，成品库存会位于靠近客户需求的地方，而零部件通常来自低成本国家。

响应策略的目标是在面世时机上竞争，快速满足需求，并杜绝缺货问题。生产制造或产品装配的依据是实际订单，而不是预测；产品可定制；零部件库存最大化而成品库存最小化；在采购和运输决策中，速度优先于成本。

尽管经验丰富的运营及供应链高管明白效率和响应能力之间的区别，但许多人对何时应用每种策略仍感迷惑。这是因为不同的产品有不同的特点，有些需要注重效率的策略，有些需要注重响应能力的策略，有些需要混合方法。直到最近，高管们都还没有工具对产品进行细分，判断哪种策略适合某一特定细分市场。不过，幸亏有了数字化和分析技术，这种情况已经改观。

这家CPG制造商首先探究的是销售数据的变化，重点关注产品的销售波动、数量和利润率，因为每一个变化都与缺货、服务水平、库存和运输导致的风险直接相关。销售波动越大，预测准确性就越低，产品的风险就越高。这反过来又会导致频繁的缺货和服务水平降低。同样，产品的利润率越高，风险就越高，因为错失订单会对盈亏底线产生更大的影响。相比而言，销售量与风险成反比——也就是说，销售量越大，错失订单的影响就越小，风险越低。这些关系与我们在其他CPG和零售企业看到的关系不谋而合，尽管有的时候其他企业关注的是价格或产品成本，而非产品利润，这取决于哪个数据更稳定，并因此更容易应用。

分析显示，这家CPG公司有四类细分产品，尽管其他企业可能会因其产品特点拥有更多细分产品。每种细分产品都需要不同的供应链策略（参见图表“CPG公司针对供应零售商的细分策略”），第一个细分类别包括需求波动大的产品。因为它们的缺货、服务水平和库存风险很高，所以它们需要一个响应型供应链策略。它们的成品库存应该位于中央配送中心。每个中心将负责许多零售网点的供应，这样一来公司能够汇总需求，提高预测准确性，减少需要向各零售商集体供应的库存，同时保持高水平的服务。由于快速交付至关重要，这些产品通常通过区域设施交叉转运——进站大卡车上的货物在此被重新装载到出站的小卡车上，中间没有仓储环节。

第二个细分类别包括高销量、低波动的产品，这需要一种效率型策略。在它们这种情况下，预测是可靠的，管理运输成本十分重要。因此，产品存储在靠近客户的区域仓库中，库存按照固定的时间表进行补充。这使得一家公司可以让卡车满载产品，将其从生产设施运送到区域仓库，从而降低运输费用。

其余两个细分类别的特点是，它们都受相互冲突的因素所驱动：需求波动低（这表明效率型策略是最佳策略）和产品销量低（仅此一点就需要响应型策略）。区分这两个细分类别的是产品利润率。

让我们先看看高利润率的产品。由于这些产品的风险更高，许多都同时储存在集中地点和区域仓库，并根据商店实际销量进行补充。这一策略让企业可以在效率和响应能力之间取得平衡，尽管它倾向于响应能力。

相比之下，低波动、低销售量、低利润率的产品需要一种倾向于效率的混合策略。事实上，由于保有库存的风险和成本很低，而需求又可以预测，企业可以用卡车满载这些产品，将其运送到靠近客户的区域性仓库，从这些地点供货，并将运输成本降至最低程度。

一旦一家公司完成了产品细分，它就需要制定详细的采购、生产和物流策略。目标之一应该是确定细分类别之间的协同效应，使公司能够受益于规模经济。这可以通过利用各细分类别的总量来降低采购成本；共享生产和物流领域的产能和基础设施；合并需求与供应信息，以便更好地规划和执行。现在我们将更详细地审视最后一项活动。

平衡供需

自20世纪80年代中期以来，一直使用的一个重要的供应链管理流程是销售与运营计划（S&OP）。它不断地平衡着供应和需求，从历史上看，它一直要求负责推出新产品的管理者和来自生产和分销领域的领导者聚到一起，商定一项单一计划。通常，它涉及在业务部门或产品系列层面进行分析，而不是单个产品层面的分析。

传统上讲，S&OP只是共识预测的延伸，因此它也受到类似局限性的影响：它的出发点不是统一的需求观，不在库存单位层面创建计划，不区分供应链细分类别，主要由常识、经验和直觉驱动，而不是数据和分析。由于这是一个手动过程，所以通常需要耗时一个月。

一种更好的S&OP方法用自动化流程取代了手动流程，这种自动化流程可以每周执行并确保工程、财务、销售、供应链、生产、采购和交易职能部门都在努力实现相同的业务目标。当分析驱动的优化系统逐一生成了我们前面描述的库存单位供应计划时，新的流程就开始了。这一计划将影响到从主生产计划到物料计划再到物流的一切，包括库存和运输决策。

虽然不是每家公司或业务部门都需要每周制定一份计划，但这种频率对于需求极不稳定、营销和促销策略经常变化的产品来说至关重要。

新的S&OP流程还要求对活动予以监控。企业应在整个供应链中收集有关供应交付周期、原材料和成品库存以及服务水平等关键业绩指标（KPI）信息，寻找可能会破坏销售与运营计划的任何问题或偏差。然后，企业可以努力解决这些问题，如果这些问题被证明是重大问题，那就需要调整计划本身。

企业还需要密切关注那些能够对不远的将来做出预测的数据和事件。比如，虽然库存和服务水平可能表明一切进展顺利，但出货跟踪数据可能表明交付周期会增加，因此服务水平可能在未来几周内下降，这就发出了需要建立库存或加快发货的信号。同样，如果一场灾难导致某供应商在亚洲的生产设施关闭，这可能会影响到未来一段时间的可供应量——或许迫使一家公司在美国西海岸的生产和装配厂在五周内减产或停产。可是传统的KPI本身可能不会提供任何警告。

鉴于此，企业需要关键业绩预测指标（KPP）：表明未来三到六周供应链状态的指标。KPP是我们所称的智能执行的核心，这是一个对智能S&OP加以补充的新业务流程。虽然S&OP的关注焦点是未来50到80周，但智能执行致力于短期目标（不超过6周），试图发现扰乱和偏离计划的行为并对其做出快速响应。

智能执行涉及三种自动化能力：（1）实时获取内部和外部数据，这些数据可以揭示偏离计划可能性、供应中断或需求变化；（2）可以识别这些发展对供应链业绩的潜在影响的人工智能；（3）考虑了各种权衡和目标之后进行分析驱动的优化，这种优化可以确定最佳响应策略。

以下是一个例证。通过收集作为上市公司的供应商的财务信息以及供应商业绩的内部数据（例如，有关交付周期、服务水平或产品质量的数据），企业也许能够识别陷入困境的供应商。人工智能系统可以预测供应商违约的可能性及其对未来按时交货和产品质量承诺的影响。最后，自动优化系统可以确定材料采购的替代供应商。

在其历史的大部分时间里，这家CPG制造公司都采用了“一刀切”的战略。它的预测是通过共识达成的，S&OP是为时一个月的过程，供应链策略没有区分不同的产品，临时管理偏离计划和供应中断的情况。该公司因乐于对其生产、包装、分销和订单履行过程进行不断改进，因而在运营效率方面表现出色，但并未从根本上改变其中任何一项工作。我们实施的供应链数字化方法让公司转型所花的时间不到多数公司的一半，所花的费用不到四分之一。

其他企业也可以效仿。一个全面的、自动化的方法可以让他们重新定义其供应链策略，并对偏离计划的情形做出快速反应。由于它是受人工智能所驱动，这将让高管们获得解脱，腾出更多的时间从事增值活动，比如，发现业务发展的最佳机会。

戴维·西姆奇-莱维是麻省理工学院工程系统学教授，麻省理工学院数据科学实验室负责人。克里斯·蒂默曼斯是埃森哲公司的高级董事总经理，供应链及运营业务部的负责人。

戴维·西姆奇-莱维（David Simchi-Levi）

克里斯·蒂默曼斯（Kris Timmermans）| 文

永年 | 译   牛文静 | 校   李源 | 编辑