供应链中的反模式

供应链中的反模式


首页 » 资源 » 此处

供应链计划常常失败。定量供应链就是我们大大降低失败率的答案所在。但是,由于定量供应链侧重于我们所知的可行的做法,不太重视我们所知的可行的作法。更糟的是,结果表明大部分不合意的作法恰好就是传统供应链方法失败率高背后的真正原因。

下面我们将审视导致大部分供应链计划失败的做法(或者说模式)。这些洞察来之不易,因为对于每一点洞察,我们都失败了多次而不只是一次才找到问题的根本原因。这些有害的作法我们称之为供应链反模式。反模式是指事与愿违的“解决方案”:它是一种通用的方法,看似不错的点子,然而在落实最初预想的改进时总是失败。


糟糕的领导层

在 Lokad,我们当然不想对抗关键供应链决策者,因为他们是我们的潜在客户和客户。但与此同时,我们也认为我们有责任在解决方案蓄意被弄成失败时拒绝达成交易。这个问题常常归咎于供应链计划本身的管理方式。也就是说,我们承认供应链管理层是导致失败的唯一原因。某些供应商有时会向其客户宣传完全错误的信息并且会侥幸逃脱。遗留的作法和内部政治有可能毒害供应链管理层的日常运作,而在事情未按预期解决时,供应链管理层也会被当做替罪羊。在本节中,我们列出了通过改变供应链领导层可以消除的常见陷阱。

可怕的 RFQ

在很多领域,RFQ(报价请求)是有意义的。遗憾的是软件不在此列。编写软件规范的难度远大于编写软件本身。这项工作令人望而却步。在开始 RFQ 过程后,公司会引进顾问,这使得原本已经过度复杂的规范变得更加复杂,情况变得更加糟糕。RFQ 过程假定客户已知道所需解决方案的条文细则,但按照定义,在编写 RFQ 时“问题”很大程度上并未解决,因此会抑制大部分解决问题的思维。此外,RFQ 实际上会促进敌对供应商选择过程:优秀的供应商会前进,而不优秀的供应商停留在原地。最后,软件是一个快节奏的行业,在您的公司完成 RFQ 过程之前,您的竞争对手已经在推广其解决方案了。

薄弱的 POC

如果您计划购买的是接近商品化的简单服务,例如名片印刷服务,那么进行 POC(概念验证)是不错的。但供应链计划在设计上是很复杂的。供应链要求多个实体进行协调。要利用的数据有许多层,要考虑的工作流有几十个。POC 或小规模试点弊大于利,原因就是按照其设计,它们会忽略一个成功供应链计划的基本优点:大规模运作的能力。大部分人习惯于规模经济原理,但在面对供应链优化时,我们主要倾向于处理规模不经济,即随着问题越来越复杂,变得越来越难做出好的决策。较小的分布中心取得成功并不保证这个解决方案在处理数十个不同的分布中心时也会有效。

摒弃不确定性

未来是不确定的,这种不确定不可规避。同样,供应链的数值优化也是一个不可规避的难题。供应链优化要求进行概率预测,而概率预测则是处理不确定未来的直接结果。此外供应链优化还面临数值优化产生的相当反直观的行为。有些供应商渴望将事情简单轻松化,从而售出虚幻的抽离了所有障碍的作法:这些障碍定义了对您的供应链真正有效的事物。从深层数值角度而言,不确定性需求是需要纳入进来的。供应链管理层也需要承认并且积极面对不确定性。

信任实习生

如果改进供应链对贵公司很重要,那么这个供应链计划就必须有最高管理层直接参与。太多时候,公司抱有改进的愿望,但却将案子分配给一两名实习生。虽然我们看到过一些非常聪明的实习生,但我们还从未看过任何由实习生推动的供应链计划取得成果。请注意,我们并不是抵触实习生。他们可能很聪明,动力十足、善于创造性思维,但他们远不及达到贵公司在供应链中推动变化所需要的程度。必须取得来自最高供应链管理层的承诺,否则团队就无法执行计划。团队即便有时间,一般也不会有太多时间。除非管理层通过其直接参与明确当前计划是优先工作,否则当前计划对于任何人都不是真正的优先工作,而是可能为该案子分配表现较弱的实习生。

规划致死

管理层想要放心,就放心而言,没有什么比清晰定义阶段、角色和可交付成果的固定路线图更好的了。但是,如果软件的历史曾教会我们什么的话,那就是教会我们预先定义的计划通常活不过计划的第一周。有时,甚至一天都难以为继。就供应链优化而言,意外的事总会不断发生,这个角度有点令人害怕。但是,通过精准的规划来固定计划只会让事情变得更糟:当计划在遇到意外的问题时,它会变得更加脆弱。相反,计划应当对未知尽可能保持弹性。从问题当中恢复过来的能力比事先消灭问题的能力更重要。因此,供应链管理层应当重视制定灵活的计划而不是详尽规划的计划。

分离预测与优化

关于供应链优化的传统观点从决策过程中分离出了预测过程。尽管这从技术角度是可行的,其方法就是通过使用两组不同的算法,一组用于预测,另一组用于优化;从概念角度而言,负责预测的团队必须同样是负责优化的团队。实际上,决策逻辑(换言之也即优化)是一种在数字上对预测逻辑高度敏感的逻辑。孤立这两种观点就是放大预测层面已存在的缺陷,从而严重损坏得到的决策的原因所在。相反,优化逻辑应当尽量在数字上与预测逻辑的优缺点协作。

软件“科学怪人化”

在大公司里很难达成共识。因此,尽管参与供应链的大多数干系人可能决定选用某个特定的供应商,但一小部分人可能坚持自己的观点不为所动,或者想要同时选用另外一种产品的特定功能。由于软件定制对于大型软件供应商而言是有利可图的业务,因此供用商往往高兴还来不及,在此过程中会抬高成本和夸大感知到的价值。但是,编写优秀的软件需要耗费数年时间,正确完成后的最终成果已经对冲突的目标进行了精细的折衷。大公司近乎系统的软件定制最终成果剥离了产品的原始属性,没有让软件变得更好,而是让软件变得更糟。全球不乏软件供应商。如果这个解决方案不适合贵公司,还可以转而使用其他供应商。如果没有任何供应商适合贵公司,那么不是贵公司真的特殊(这种情况很罕见),就是您应当修改您的要求了。

由流行语推动的计划

2010 年左右,零售业盛行理清如何利用天气预报来改进需求预测。2012 年,盛行如何将社交媒体数据纳入需求预测。2014 年,大数据成为主导。而到了 2016 年,又被机器学习取而代之。每年都伴随着一波新的流行语。从新的角度重新考察原有问题无伤大雅,但实际上正好相反,忽略核心挑战几乎可以肯定会危及已在实施当中的计划。如果好到令人难以置信,那么或许就不该信。供应链改进来之不易。确保新事物要侧重于供应链所面临的核心挑战。

糟糕的 IT 执行力

项目失败常常归咎于 IT。IT 很艰难 – 艰难程度远超于 IT 以外人员的想象。但有时确实有 IT 团队虽出于善意,但却在过程中制造出太多摩擦,导致在公司其余部门正要放弃的节骨眼上计划进度慢下来。IT 团队不仅需要积极面对一般意义上的变化,也要积极面对不会有损于未来积极变化的某些特定变化。然而说起来容易做起来难。

了解 IT 防御机制

由于过去 IT 团队不止一次被当成替罪羊,当某些公司项目失败时,他们可能会制定出特定的“防御机制”。其中一种最常用的防御机制就是针对每个新计划请求提供详细的书面规范。但是,详细规定软件解决方案往往比真正实施该种软件解决方案更难。因此,这相当于将一道复杂的问题替代为另一道更复杂的问题。其他防御机制包括制定硬性“需求”路线,例如:软件应当就地部署,软件应当兼容 XYZ,软件应当具备具体的安全特性等等。一款优秀的软件需要花费几年的时间才能编写出来。在写明长长的需要列表后,通常只有两类软件供应商还在:一类不符合您的要求;另一类谎称符合您的要求。

低估数据工作

供应链计划也可能由于 IT 部门过多参与设计解决方案以及当仁不让地准备数据而失败,这看起来或许有点像是谬论。实际上,由于 IT 异常复杂,因此可能会有才能相当出色的人,也有可能某些 IT 团队认为他们比公司其余部门更了解业务。这种思路主要的不受欢迎的后果就是常常低估涉及到运用公司数据开展工作时的一些挑战。对数据进行有意义的处理不是关乎来回移动数兆数据,而是关乎精细了解该数据是如何反映出公司的各种过程和工作流的。另外也关乎了解数据细微的曲解、偏差和限制,因为在公司系统中这种情况随时都在发生。IT 团队承担数据准备就是出现异常延迟的原因所在,因为他们逐渐意识到距离当初设想的差距还有多大。考虑到种种因素,合理的方案就是预先将这一任务委托给 IT 部门以外的人。

可扩展平台的诱惑

就企业软件而言,供应商有一点很在行:“可扩展”平台的艺术,此类平台具备多个表示许多追加销售机会的模块。但是,这些平台整合在一起时效果不佳,功能重叠,也就是说,两个在内部竞用公司内部相同功能的平台很快就会问世。对于任何公司来说,两个重叠的平台都是一个 IT 梦魇,通常会导致难以建立乃至更难维护同步机制。因此,尽管制定无所不包的解决方案很有诱惑力,但合理的方案几乎总是选择范围较窄、只做一件事且能做好这件事的应用程序。维护几十个范围较窄的应用程序很简单,而管理两个大型平台(同样大小的功能重叠)则够让人受的了。

不可靠的数据提取

数据如同定量供应链计划的血液:停止泵送就会死亡。时刻需要为计划馈送新鲜的数据。太多时候,IT 部门认为执行几次过去的数据提取就足以开始了。毕竟存在这个计划很快就会终止的可能性。记住,大部分供应链计划会失败,因此,在早期数据提取阶段投入太多精力的意义甚微。但根据这种思路,为可靠的数据提取实施自动化过程会被延迟,因此成为计划本身失败的主要根本原因。在这方面,IT 部门需要积极主动,并从第一天起就开始实现数据提取自动化。另外,IT 团队还要发挥指导角色,让公司其余部门相信这项额外的工作是计划的关键成功要素,以及一次性数据提取选项不会有任何结果。

糟糕的数值方法

优化供应链主要是一种数字游戏。当然,公司愿景很重要,领导层很重要,部门很重要,但我们的经验表明,大部分公司在这些方面做的只是不好不坏的工作。然而,就数字而言,看起来似乎整个供应链交易因糟糕的数值方法而超限。并非所有供应链从业者都意识到所有公式和模式 – 这里称之为“数值方法”- 取决于非常严格的假设。而打破任何假设,这些数值方法就会分崩离析。在本节中,我们列出了这方面最常见的失败原因。为简洁起见,我们假设读者已熟悉这些方法。

ABC 分析

面向库存的 ABC 方法早在计算机尚未用于推动供应链时便已诞生。ABC 分析的主要好处就是分析简单,可以手工完成。但是,考虑到现代计算机惊人的处理能力,如今利用 ABC 分析不再有意义。将数千个 SKU 框定成三四个任意类别不再有丝毫益处。最畅销产品与销售时间最久的产品之间有着完整的连续统一体。优化供应链的逻辑应当积极面对这种连续统一体,而不是第一时间就否认这种连续统一体的存在。实际上,我们还观察到 ABC 分析的负面效应因市场变化而进一步恶化,因为市场变化会导致分类不稳定,而产品随着时间的流逝会不断改变分类。

安全库存

您的仓库中没有这种叫做“安全库存”的东西。安全库存是一个虚构的概念,用于将库存量划分为两类库存:日常库存和安全库存。从历史的观点来说,安全库存是根据正态分布(也叫高斯曲线)来建模的。但是,即便快速过一眼任何供应链数据集也都能发现,需求或交付周期都不呈正态分布。回到 20 世纪 80 年代初期,当时计算机的速度还很慢,正态分布或许是复杂度和准确度之间的有效折衷,但时至今日,遵循当初为处理早期计算机限制而设计的某些原则已没有意义了。

手工预测修正

有些从业者可能对他们能够“打败系统”生成比系统更出色的预测数值而感到自豪。如果的确是这种情况,那么应视为系统出现功能故障,一般会根据从业者的经验和眼光来予以相应修复。优化任何大型供应链每天即便不是生成数百万的预测值,也会生成成千上万的预测值。依靠供应链团队手工录入数据来应对系统的不足,对于公司来说甚至不能视为一种有效的方案。在统计学经过过去 20 年的发展后,没有任何理由认为在具备相同数据输入的情况下,自动化系统的表现不能超过人类的表现,实事求是地说,自动化系统只需几秒就能处理需要生成的每个数值。如果人类要为公司需要采取的每个决策都花上几天时间,那么情况将完全不同。但是,供应链每天需要采用的绝大部分决策不属于此类。

警报和不良预测监控

传统预测强调一种简单的未来,即预测针对的是平均数或中位数,好像这种单一的未来会以任何有意义的概率发生一样。但是,未来是不确定的,预测充其量只是接近而已。在某些情况下,传统预测大错特错。常常有由于这些大的预测误差导致公司产生极大费用的情况。于是会设置警报来跟踪这些大误差。但是,主要的故障原因并不在于预测本身,而是在于强调单一未来的传统预测观点,而其实未来所有情形都有可能,只是可能性不等而已。从概率预测的角度而言,预测误差基本上事先已知,表示为在大范围的可能值上精细散布的概率分布。概率预测强调的方法是:公司会在处理较高程度的不确定性时主动消除其供应链活动风险。相比之下,对传统预测施加警报就是设计上被打破的方法的症状,因为它否定了所有不确定性。

对历史数据“敲管”

在历史数据中发现诸如缺货或促销之类的偏差时,倾向于通过修改历史数据来以某种方式“修复”这些偏差,以便数据更好地反映没有偏差时的历史情况。我们将这个过程称为对历史数据“敲管”。敲管背后的基本理念是所有预测模型作为移动平均值的变量进行设计的。如果您只有这些移动平均值,那么其实需要调整历史数据以便考虑这些移动平均值。但是,敲管并非解决方案。实际上,解决方案在于扩展水平线,寻求更好的不会像移动平均值一样功能失调的预测模型。为成功处理“强化”的历史数据,即偏差本身作为数据输入处理的情况,应当采用更好的统计模型。虽然此类统计模型在几十年前尚未问世,但现在绝对不会再有这种情况。

交付周期作为二等公民

出于某些我们不完全清楚的原因,交付周期太多时候被视为给定的数据项,而不是视为需要自身预测的项目。的确,未来的交付周期是不确定的,可靠估计未来交付周期的最佳方式几乎总是利用过去观察到的交付周期。因此,交付周期需要进行自身预测。此外,正确的交付周期估计的供应链结论远好于许多从业者意识的程度:库存中持有的数量完全能满足特定交付周期内的需求。改变交付周期,库存数量也将随之改变。因此,不能在供应链工作中为交付周期预测赋予二等公民角色。几乎所有供应链计划都强调对于准确需求预测的要求,但我们的经验表明,准确的交付周期预测其实同样重要。

伪科学

伪科学具备科学的一切特点:看似合理,提供数值,据说经过了证实并且有训练有素的人为此提供辩护。然而,伪科学经不住取得重复结果的考验。检验伪科学甚至通常无需进行实验布置,伪科学资料在公平公正的专业同行评审的推敲下会开始土崩瓦解。供应链运营费用高,且复杂而不易于理解。单这两个特点就解释了供应链方法很难被质疑的原因:做实验不仅会有相当大的风险,而且难以正确评估真正取得的改进。

虚幻的商业案例

供应链解决方案当然不是供应商发表大胆断言的唯一企业软件领域,但有古语云:如果好到令人难以置信,也许就不该信。我们注意到,每年一月在全球规模最大、迄今已运作超过一个世纪的零售贸易展会之一的纽约 NRF 贸易展上,有个规模非常大的供应商大胆宣称利用他们的新型解决方案可以将库存水平减少至一半。如果这些断言中只有十分之一是真实的,整个行业早在十年前就会达到近乎完美的库存水平。商业案例数据博弈的途径太多,以至于大部分供应商甚至并没有撒谎。最常见的案例就是公司声称是解决方案的“楷模”,这个解决方案起初是从整体机能失调的供应链开始,而在一年后恢复正常时获得了同样大量的改进数据。

委托销售团队进行预测

委托销售团队生成准确需求预测数值的人是否曾经为真正的销售团队工作过,这仍是一个谜。在最好的案例中,这些数值可以看做是诚实的猜测,但多半不是,他们只是销售团队试图博弈所赋予的财务激励而虚构的。这就让位于被称为“沙袋”的一种普遍作法,即每个人将他们的目标设置得尽可能低,以便日后超过预期。除此以外,还有供应链团队常常自认为关注这些数值,而实际运作时仍完全分离于销售部门所提供的意见。忽略销售团队建议的数字是唯一合理的选项,因为如果真的必须以这些糟糕的数字为依据,供应链就会停止工作。

经过证实的解决方案

寻求设法为与贵公司非常类似的公司实现了实际效益且经过证实的解决方案似乎是一种非常合理的观点。从传闻的角度来看,诺基亚就这样做过,当然还有数不清的其他公司也这样做过,但他们不再这样做了。大部分大公司在选择复杂解决方案时动作没那么快。供应商选择过程轻而易举就可能长达一年。再者,让选定的解决方案达到正常运行速度也需要一年。监测和获取对结果的信任需要花一两年;尤其是对于这些并非所有解决方案都能维持的供应链,一旦供应商不在现场调整解决方案,那么供应链可能会快速回到之前的性能状态。继此之后,可能还需要一年的时间供解决方案供应商最终为贵公司提供这来之不易的证明。这种思路的致命缺点在于贵公司能够承担得起五年后再看到结果的后果。就软件而言,五年是一段很长的时间。大部分软件五年后其实就被认为过时了;您的供应链解决方案为何要有任何分别呢?

糟糕的指标,糟糕的基准

定量供应链完全关乎于您可以信赖的数值。因此,我们大幅倾斜于指标和基准。但我们发现,在供应链中,绝大部分基准和指标设计拙劣,以至于书中一般将之视为伪科学。良好的供应链指标需要付出大量努力。太多时候,出于简单起见,指标和基准会简单化,但会以企业的所有实际相关性为代价。根据经验,如果运作某个基准在您的供应链团队看来不像是那么难得令人难以置信的工作,那么很有可能是个中难度被大大低估。