供应链中的业务驱动因素

供应链中的业务驱动因素


首页 » 知识库 » 此处
作者:Joannès Vermorel,2015 年 10 月

在供应链优化领域,业务驱动因素是指定义决策(通常涉及到订购更多的商品或将商品从一个位置移到另一个位置)正负面效应的一组因素。从定量的角度来说,业务驱动因素可以将供应链优化难题转化为具有特定限制的财务问题。业务驱动因素要与需求预测(最好是概率需求预测)相结合,从而生成经过优化的决策。通过对业务驱动因素进行量化,可以根据需求预测估计出因决策不当导致的误差金额

统计预测过于简单

预测需求的工具和方法目标清晰,那就是计算出更准确的预测结果。判断预测结果是否准确的依据是各种已知的指标,并且这些指标根据其数学和统计性质来选择。尽管从数学的角度来说这些指标可能非常好,但在根本上属于未知域,并且故意忽略了特定于业务的驱动因素或限制。

尽管看似反直观,但统计预测结果基本上由所选的误差指标决定。选择 MSE(均方误差)而不选择 MAD(平均绝对误差)对给定模型的准确度影响极大。乍看之下,似乎误差指标产生的影响极小。毕竟,不论采用的是何指标,事后评估结果时预测模型产生的是相同的需求预测。但是,任何依赖于统计预测的公司,都被认为是对所使用的预测模型做出选择(常常是暗示性的选择);一引入准确度测量后,公司便开始偏向于与上述指标关联更大的模型。

一般统计指标(例如 MAPE、MAD、MSE 等)不具备任何业务亲和性。简单地说,这些指标强调的是误差百分比,而不是强调误差金额。虽然最小化误差百分比或许是件好事,但遗憾的是存在太多这方面的反例(参见下例)。对于根据预测结果做出的决策是否为最佳决策或者是否能盈利,统计指标不能给予任何类型的保证。有时,业务驱动因素碰巧与一般统计指标关联不大,这种情况虽是“偶然”发生的,但依赖于偶然性对于供应链优化来说并非一种适当的方法。实际上,在大部分纯统计指标与业务绩效指标存在差异的情形中,反直观的特点一般会使这一问题进一步得到放大。

示例:假设某商店在售的一款产品平均每周售出一件,且交付周期为 1 天(每天补货)。该产品在任何一天的最佳中位数需求预测为0 件。根据''平均'预测,得到的数量为分数 1/7,但中位数预测结果则刚好为 0。虽然1 天的需求非常接近于 0,但为了妥善地服务客户而需要持有的实际库存可能要大得多;为了在服务质量方面满足客户的期望,可能需要持有 2 件或 3 件产品。这里的问题不在于预测是否准确,因为如果需求是稳定并且真正随机的,那么从统计角度来说我们刚刚提到的预测结果完全准确。这里的问题在于忽略了特定于业务的驱动因素。

从业务优化中分离出预测

业务驱动因素表示供应链优化问题的具体细分,也即将特定于业务的方面(如业务驱动因素)与业务未知方面(如纯统计预测)分离开来。在本节中,我们将简要介绍这种细分的优点和限制。

数值优化方面的原则是:将问题作为整体进行优化比将问题分离成多个部分(参见下例)进行优化更为可取。但是,这一点只有在从整体角度解决优化问题严格来说可行时才成立。 但是,根据大部分科学文献以及我们自己在 Lokad 的经验,我们更倾向于赞同需求预测是一个复杂的过程,结合了统计、算法、软件工程和分布式计算(涉及到云计算平台时)。因此,通过分离出问题的需求预测方面,可以获得高级需求预测结果,而且无需对技术予以各种各样的考量。

通过从需求预测逻辑中分离出业务优化逻辑还可以获得相似的益处。由于业务优化无关于需求预测中所涉及的技术细节,因此可以进一步深挖业务驱动因素的细节:对储存空间的限制、价格间断、变化的缺货成本、变化的过时成本等。更详细地了解业务驱动因素有利于做出更合理,且针对公司的风险和机遇进行了更密切调整的决策。

示例:假设某公司有两个仓库,并且为二者供应完全相同的部件。这两个仓库位置相近,但出于习惯,所有客户总是从同一仓库订购所需的部件。当其中某个仓库缺货时,这家仓库的员工打电话给另外一家仓库,想了解另外这家仓库的部件供货情况,如果有部件供应,就会将部件运送到缺货的这家仓库。

概率预测案例

在上一节中我们已了解到,通过从业务优化中分离出需求预测,能够执行既采用了高级预测分析又详细了解业务本身的供应链优化策略。但必须要注意的一点是,在生成需求预测时,预测引擎对特定于业务的因素一无所知,但从业务优化角度来说,特定于业务的因素是相关的。不过,能够产生最大财务影响的业务场景一般属于极端情况 – 从统计角度来说是“极端”的。比方说,需求异常高一般会导致缺货,而需求异常低一般会导致库存报废。

传统预测工具太过强调平均数预测或中位数预测,这从业务观点 (1) 来说完全不得要领。实际上,不论这类预测有多准确,如果相关业务场景基于极端统计情况,那么预测工具将无法为定量评估业务场景可能的财务后提供相关的统计预测。

相反,概率预测工具(参见 Lokad 的分位数网格技术概率预测页面)则可针对所有可能的需求水平估算相应的概率,进而可以评估所有可能的业务场景。

相比传统的单一值预测,概率预测需要多得多的计算资源,这一点不足为奇,因为在某种程度上,概率预测是在“暴力破解”预测难题。由于预测引擎并不知晓所要考量的相关业务场景,因此它只会生成范围广泛到(几乎)覆盖所有可能场景的统计答案。由于借助云计算平台可以以极低的价格使用广泛的计算资源,因此只要所采用的技术得当,满足生成概率预测所需的大量计算要求大多不成问题。

常见的业务驱动因素简述

业务驱动因素定义了供应链决策的正负面结果。计算这些结果时要求对所要观察的需求进行实际观察,但如果可以利用需求预测,那么便可以模拟这些结果。业务驱动因素应涵盖决策所导致的所有业务情形。实际上,确定业务驱动因素常常类似于执行粗略计算(此类计算考虑了各种业务场景)。

最常见的一种供应链决策便是多订购一件某产品。如果对订购的这件产品有直接需求,那么公司通过供应该件产品可以盈利。这表明这一订购决策可以获利。如果对该件产品没有直接需求,公司必须承担因储存这件产品所带来的持有成本。这表明该订购决策产生了相关成本。确定订购决策的业务驱动因素包括针对所给出的需求场景明确该决策所能产生的收益和成本。

除了收益和成本,还有以下因素限制了可以接受的供应链决策的范围:
  • 商店和仓库有最大容量限制,当存货达到特定数量时,无法再额外订购产品。
  • 供应商只接受高于最低订货量(用件数或订购数量表示)的订单。
  • 公司对产品流动性的控制较为有限,因此需要对其库存资本分配加以限制。
  • 从海外进口商品时,订单大小必须适当,以便刚好能容纳在一个集装箱中。

业务驱动因素也需要考虑以上所有限制。如果不考虑这些限制,那么综合了需求预测与业务驱动因素的系统很可能给出的决策建议无法真正实施,例如在超出储存容量的情况下继续往仓库中存放产品。

Lokad 对于业务驱动因素的观点

Lokad 提供了执行概率预测的预测引擎。尽管必须要先对数据进行适当限制和处理,然后才能将数据注入预测引擎,但之后我们的预测引擎会全程自动执行统计预测操作,无需进行任何统计配置。对于众多垂直市场(商业、制造业、航空航天等等),Lokad 预测引擎可以“开箱即用”。

然而,业务驱动因素存在惊人的多样化。为了管理此类多样性,Lokad 推出了 Envision,这是一门特定于领域的编程语言,专门用于供应链优化。Envision 的可见输出包括生成仪表板,但其主要功能是通过脚本将业务驱动因素嵌入到预测中,从而自动计算经过优化的决策(例如再订货数量)。

要想正确结合业务驱动因素与概率预测,需要采用能够充分利用这些数据的策略。例如,优先订货策略特别适合用于提供对企业库存风险与需求预测进行了充分平衡的订货数量。

评估业务驱动因素、将业务驱动因素形式化、结合业务驱动因素与概率预测、限制和处理历史数据、生成符合相应业务限制的优化决策,只要您每月订阅库存优化服务,所有这些工作都将由 Lokad 团队负责执行。

参考资料

(1) Streetlight effect and forecasting, Joannes Vermorel,2015 年 9 月