项目可交付成果

项目可交付成果


首页 » 资源 » 此处

定量供应链的目标是提供可行的决策 - 建议的采购订单数量便是一个典型的例子。下面,我们将进一步阐明这些决策的具体形式和交付机制。针对可交付成果确立明确的预期,是定量供应链征程中的重要一步。此外,经过优化的数值结果并非唯一合意的输出:其他多种输出,尤其是数据健康监测和管理 KPI,也应纳入可交付成果中。实际上,定量供应链计划的可交付成果,取决于为支持计划本身而采用的软件解决方案的灵活性。尽管如此,此类计划主要是由其意图定义的,而意图是所用技术的不可知因素。

脚本作为可交付成果

定量供应链强调全自动数据管道 。这并不意味着软件设置应当自主运行。任何时候考虑大规模供应链时,高度密切的监督自然合乎需要。尽管如此,数据管道预期会完全自动化 ,因为管道中没有任何一步真正取决于手动操作。如声明中所述,只要是供应链数据处理中涉及手动操作,解决方案根本就无法扩展。

这一洞察的直接结果,就是定量供应链计划的可交付成果总是一整套软件。这并不意味着负责的团队要重新实施一切工作:专门用于定量供应链的软件解决方案,为严格专注于与供应链挑战相关的方面提供了可能性。所有低级技术,例如利用云计算平台内自动分配的分布式计算资源,都有望被抽象出来。团队无需深究这些问题,因为工具本身会对这些方面进行妥善管理。

可交付成果的体现就是通常以编程语言 编写的脚本,脚本能满足各种供应链要求,同时具备高水准的生产力。虽然这里使用了"脚本" 一词,而不是使用"源代码"一词,但这两个术语密切相关:"脚本"强调高度抽象 的概念,着重于是任务本身,而"源代码"则强调较低层面的视角,意在准确体现计算硬件 本身。对于定量供应链而言,显然最重要的是供应链视角,而不是计算硬件,计算硬件只是次要的技术层面。

在过去的十年间,终端客户应用的所见即所得 (WYSIWYG) 用户界面大获成功,这促使许多供应链软件供应商 试图通过面向供应链规划和优化的 WYSIWYG 解决方案来模拟这种方法。然而,这些类型接口近乎系统性的失败,从中吸取的教训就是,供应链异常复杂,无法避开对程序化工具的需求。根据我们的经验,期望用拖放 工具就能正确体现出复杂的非线性因素(如最小订单量(MOQ)重叠),简直就是痴心妄想。程序表现力 不可或缺,否则甚至不能在工具中表达出供应链挑战。

当然,从最终用户的角度来看,脚本并非供应链从业者期望看到的定量供应链计划的实际输出。人们将与仪表板 进行交互,这些仪表板包含用于收集建议决策的综合性 KPI 和表。但是,这些仪表板具有暂时性、一次性的特点。它们只是通过对相关供应链数据再次运行脚本而获得的。虽然区别有点微妙,但重要的是不要将表示实际可交付成果的脚本与其数字表达混淆起来,数字表达通常才是作为解决方案最终用户的您所看到的。

数据健康仪表板

在考虑为供应链提供优化决策之前,我们必须确保支持定量供应链计划的系统所处理的数据在数值和语义上都正确无误。数据健康监控仪表板(或简称数据健康仪表板)的目的,是确保数据正确性高度可信,这无疑是对解决方案返回的所有数值结果准确性的基本要求。这些仪表板也有助于供应链团队改善现有数据的质量。

数值错误一目了然:从 ERP 导出的 CSV 文件中指示产品 ABC 有 42 个库存单位,而 ERP Web 控制台仅报告 13 个库存单位。那么显而易见,这些数值本应相同,实则不同。数据健康仪表板将检查数据聚合是否保持在预期数值范围内,以此解决这些相对明显的问题。

语义 错误则较为微妙,更难发现。数据准备期间完成的大部分工作其实包括识别和解决所有语义错误。例如:ERP 中的字段 stockinv 可能被记录为“现有存货”。供应链团队据此认为此数量决不会为负,因为显而易见,如果这些库存单位在货架上处于物理范围内,那么它必定是正数。然而,ERP 的文档也可能会有些误导,此数量称为可用库存或许更为恰当,因为每当缺货并且客户发出缺货通知单时,此数量就会变成负数,以体现出一定数量的库存单位已经归于某个客户。此例阐明了一种语义错误:数值本身没有错 – 它是对逼近的数值的理解。实际上,语义逼近可能产生许多不一致的行为,进而会在供应链中产生持续的摩擦成本。

数据健康仪表板整合了各种数值,公司根据这些数值能当场确定数据质量是否足够好到值得信任。事实上,由于解决方案将用于日常生产目的,因此必须通过近乎即时的检查来识别重要数据问题。否则,很可能会因为错误的数据而导致供应链停止运行数天乃至数周。在这方面,数据健康仪表板类似于红绿灯:绿灯行,红灯停。

此外,在考虑规模相当大的供应链时,通常会存在数量无法减缩的损坏数据或其他不正确的数据 。这些数据是手工录入出错或公司系统本身的罕见边缘情况产生的。其实,对于任何规模较大的供应链而言,期望供应链数据 100% 准确是不切实际的。相反,我们需要数据足够准确,以保证由这些错误产生的摩擦成本几乎可以忽略不计。 因此,数据健康仪表板预期也会收集识别出来的数据错误的统计信息。这些统计信息对于确定数据是否可信非常有用。为此,供应链科学家常常要应要求制定精心挑选的警报阈值,此类阈值通常与解决方案的硬停有关。在确定阈值时需要小心谨慎,因为如果阈值太低,则解决方案无法使用,因为“识别出来的数据问题”会经常导致解决方案停止。不过,如果阈值太高,那么由数据错误产生的摩擦成本可能会变得很大,并且会削弱举措本身带来的好处。

数据健康仪表板除了发出红绿灯信号之外,还将提供针对数据改善工作的优先级 洞察。事实上,许多数据点虽然可能不正确,但却无关紧要。例如,如果某种产品的市场需求在几年前就已消失,那么该种产品的购买价格正确与否无关紧要,因为对该产品不会有任何进一步的采购订单。

定量供应链重视数据错误的细粒度解决方案,这其间可能涉及大量的人工工作,故而应根据数据错误本身的预计财务影响与纠正相关的人工成本的比较,来确定相应的优先级。与纠正单独一个错误数据点相关的成本差异很大,要具体情况具体对待,在建议的优先级中需要考虑到这一点。最后,当纠正的成本被认为比这些错误产生的供应链成本更高昂时,数据改善过程便可以止步了。

列示决策优先级的仪表板

正如我们所看到的,只有供应链决策才能真正从定量角度进行评估。因此,定量供应链举措的一项关键业务交付成果就是仪表板,其中整合了作为整个数据管道的最终数值结果获取的决策。这样的仪表板可以简单如表,表中列示马上要为每款产品再订货的具体数量。如果存在最小订货量 (MOQ) 或任何其他订货限制,则大多数时间建议的数量可能为零,这种情况将延续到满足适当的阈值为止。

为简单起见,我们假设这些数值结果被收集到仪表板中。仪表板是用户界面 的一种特定形式。但是,仪表板本身只是一个选项而已,它可能相关也可能不相关。其实,驱动定量供应链举措的软件应当具有高度灵活性,即在程序上灵活,提供多种方式将这些结果打包成各种数据格式。例如,可以将数值结果合并到平面文本文件中,此类文件可自动导入用于管理公司资产的主要 ERP 中。

虽然决策的形式高度依赖于所解决的供应链任务,但大多数任务都要求确定这些决策的优先级。例如,对于为采购订单计算建议数量的行为,可以通过所要获取的并且确定了单位优先级的列表来进行分解。盈利最高的单位排在第一位。随着库存收益的递减,针对同一产品获取的第二个单位能所满足的市场需求递减。因此,该产品的第二个单位可能并非整个列表中的第二个条目。相反,第二个最能盈利的单位可能与另一款产品等相关联。所要获取的单位优先级列表在概念上是无穷无尽的,因为总是可以再多购买一个单位。由于市场需求有限,所有购买的单位在某个点之后就会变成积压库存 。将该优先级列表转换为最终购买数量只需要引入一项停止标准,并将每款产品的数量相加。在实践中,非线性订货约束使得这项任务进一步复杂化,但为了简单起见,我们将在这个讨论阶段施加这些约束。

从定量供应链角度来看,确定决策优先级是一项自然而然的操作。由于每项决策都与以美元 表示的财务结果相关联,所以按照从最盈利到最不盈利的顺序对决策排名非常简单。实际上可以预见的是,在编制建议的供应链决策的仪表板中,即便不是大多数仪表板,也会有许多仪表板是决策优先级列表。在这些仪表板包含的列表中,顶部列出最盈利的决策,底部列出最不盈利的决策。或者,当决策不能盈利时,供应链从业者也可以截断列表。然而,即使公司显然不希望对那些不能盈利的条目采取行动,但通过查看刚好低于盈利阈值的决策,往往也能获得许多见解。

为了提供这类由决策驱动的仪表板,支持定量供应链的软件解决方案需要在数值上探索大量可能的决策。例如,解决方案应能够考虑在每个地点为每种产品购买每个单位的财务影响。这种操作可能需要大量的计算资源 也就不足为奇。幸运的是,如今计算硬件能够处理规模非常大的全球供应链。假设底层软件解决方案适用于定量供应链的架构,那么数据处理的可扩展性对于供应链团队就应该不成问题。

数值结果白盒化

在供应链和其他领域,系统被戏称为黑盒,此类系统生成与这些系统交互的从业者无法解释的输出。定量供应链专注于自动化数据管道,同样也面临交付的系统被供应链团队归入“黑盒”的风险。事实上,供应链决策的财务影响对于公司来说非常重要,尽管新式系统可以改善这种情况,但它也可能造成灾难。虽然很是希望实现自动化,但这并不意味着供应链团队就不需要对支持定量供应链的数据管道所提供的内容进行透彻了解 。

白盒化一词,指的是为了供应链团队的利益而使解决方案充分透明所需做出的努力。这种方法强调,没有哪一种技术在设计上是透明的。透明度 是某种特定努力的最终结果,同时它也是举措本身的一部分。即使是一些简单的线性回归 ,在实践中也会产生令人困惑的结果。除了一些非凡的人士之外,只要是涉及 4 个维度或更多维度时,大多数人对于线性模型的“预期”输出都没有直观理解。然而,供应链问题往往不是涉及数百个变量,少说也涉及数十个变量。因此,即使是简单化的统计模型,对于供应链从业者而言也是事实上的黑盒。当然,正如定量供应链所建议的那样,当使用机器学习算法 时,它们会让从业者堕入更深的黑暗。

尽管黑盒效应问题的确存在,但实际的解决方案并不在于将数据处理简化为对人类大脑直观的计算。这种方法极其低效,它完全破坏了现代计算资源的所有优点,而这些现代计算资源原本可以用于解决现代供应链的原始复杂性 问题。简化这个过程并非解决之道。白盒化才是解决之道。

即便是最复杂的供应链建议,也可以利用合适的财务指标(表示支持建议本身的经济驱动因素 )来分解内部计算,从而做到这些供应链建议很大程度上对于供应链从业者是透明的。例如,不要只显示一个具有两列产品和数量的裸表来作为建议的采购订单,而是要包含多个有助于决策的列。这些额外的列可以包含当前库存、上个月的总需求、预期交付周期、缺货 (如果没有接到订单)的预期财务成本、库存过剩 (与建议订单相关的风险)的预期财务成本等等。制定这些列的目的,是为了让供应链团队对建议数量的完整性进行快速检查。通过这些列,团队可以迅速建立对数字输出的信任,也可以识别解决方案中一些需要进一步改进的不足之处。

针对白盒用途扩展仪表板堪称一门艺术。生成数百万个数值很容易,即使是经由不比智能手机高明的计算资源。然而,生成 10 个值得每天考察一番的数值则很有难度。因此,核心挑战在于确定十几个乃至更少的关键绩效指标 (KPI),这些 KPI 足以揭示建议的供应链决策。良好的 KPI 通常需要付出巨大努力方可获得;它们不应只是朴素的定义,因为此等定义在供应链中通常具有误导性。举个例子,如果供应商恰好提供批量折扣,那么即使是"单位购买价格"这样简单的列也可能极具误导性,从而会导致购买价格取决于所购数量。

战略性仪表板

尽管小规模决策也需关注,因为它是屈指可数的量化性能评估的几种方法之一,但供应链也可能需要以更大、更具颠覆性的方式进行调整,才能让性能更上一层楼。例如,购买更多精心挑选的库存单位会略微提高服务水平。但在某个点,如仓库已满时,便不能再购买额外的单位。在这种情况下,应当考虑规模更大的仓库。为了评估提高这一限制的影响,我们可以从计算中剔除仓库容量限制,并评估利用任意的大型仓库进行运营的整体财务优势。然后,供应链管理人员就可以关注与仓库容量本身产生的摩擦成本相关的财务指标,之后再决定何时考虑增加仓储能力。

通常情况下,供应链的运作基于众多无法每天都加以修订的限制 。这些限制可能包括营运资金、仓储能力、运输延误、生产吞吐量等。每种限制都与供应链的隐性机会成本相关联,这通常意味着更多的库存、更多的延误或更多的缺货。通过消除或削弱限制本身所获得的性能效益,可以对机会成本 加以评估。虽然其中的一些模拟 可能难以实施,但是它们通常不会比优化日常决策(即确定采购订单数量)更难。

定量供应链强调,与这些约束相关的机会成本应当纳入生产数据管道,并且通常应当通过专用的仪表板来实现,此类仪表板专门用于帮助供应链管理人员决定何时应当对自己的供应链进行更大规模的变更。这些类型的仪表板被称为战略性仪表板。该种方法不同于传统的供应链做法,传统做法认为供应链即将达到运营极限时,强调的是临时举措。实际上,战略性仪表板提供的 KPI 每天更新一次,如果需要的话,还可以更频繁地更新,就如同数据管道的其余部分一样。它们不需要做最后的努力,因为它们处于最新状态,已经准备好充分利用从长期举措中获得的见解了。

战略性仪表板支持供应链管理的决策过程。由于它们是数据管道的一部分,因此每当市场开始以比平时更快的速度发展时,KPI 始终会根据公司的目前状况保持最新状态。这种方法避免了与临时调查相关的传统陷阱,而此类调查总是会让已经过期的问题进一步延迟。该种方法在很大程度上缓解了这种可能出现的问题,而且这是草率仓促的战略决策,结果将是无利可图 –而且这种令人遗憾的情况从一开始就可以预见。

检查员仪表板

供应链既复杂又不稳定。这些属性使得数据管道的调试成为一项极具挑战性的任务。然而,这种数据管道却是定量供应链计划的脊髓。数据处理错误(或称 bug )可能发生在数据管道中的任何位置。更糟的是,最常见的问题类型不是公式错误,而是语义 模糊。例如,在管道的起始处,变量 stockinv 可能指的是可用库存(可能为负值),而在后续,同一个变量也可用于解读现有库存(值应为正数)。对变量 stockinv 的模糊解读,可能会造成从系统崩溃(显而易见,因此只是中等程度的损害)到了无痕迹却很普遍的供应链决策破坏。

由于供应链几乎总是构建在多年来建立的独特软件解决方案组合之上,所以不可能获得没有bug 的"经过验证"的软件解决方案。事实上,当调和来自不同系统的数据时,抑或只调和来自同一系统内不同模块的数据时,大多数问题都出现在系统边界 。因此,无论软件解决方案多么成熟,工具必须要能轻松支持调试过程,因为必定会发生各种各样的问题。

检查员仪表板的用意,是为供应链数据集的分钟级检查提供细粒度视图。但是,这些仪表板并非是进行简单的向下钻取来检查输入数据表。对数据采取这种向下钻取方法,或进行类似的切片和切块方法,都没有抓住要领。供应链关乎各种流:材料流、支付流等。当“逻辑上”丢失流的连续性时,就会发生一些最严重的数据问题。例如,当将商品从仓库 A 转移到仓库 B 时,仓库 B 的数据库可能会缺少一些产品条目,从而产生细微的数据损坏,因为源自仓库 A 的单位没有正确关联其产品,而是在仓库 B 中收到。当数值结果令人感到奇怪时,这些检查员仪表板将是供应链科学家开展快速样本 数据调查的首选选项。

实际上,检查员仪表板提供了产品代码或 SKU 等低级别的入口点,并将与此入口点关联的所有数据合并到一个视图中。当商品流经多个地点时(例如在航空航天供应链中就是这样),检查员仪表板通常会尝试重新构建商品轨迹,这些商品轨迹不仅可以在多个物理位置间转移,还可以在多个系统间转移。通过将所有这些数据收集到一个位置,供应链科学家就可以评估这些数据是否有意义:是否有可能确定所运商品的来源?库存移动是否与官方供应链政策等一致?检查员仪表板是一种“调试”工具,因为它的宗旨,是从供应链角度出发,而不是从 IT 观点出发来汇集紧密耦合的数据。

Lokad 在调查供应链数据集时,面临的最奇怪的问题之一就是传送零部件的情况。公司(本例中为航空公司 )在欧洲大陆和南亚地区都有飞机零部件库存。因为飞机的安全性是绝对的运营要求,因此公司对其所有零部件都保持无可挑剔的库存移动记录,然而,使用新设计的检查员仪表板时,Lokad 团队发现有些零部件在从亚洲转移到欧洲,或从欧洲转移到亚洲,据推测此类过程是在 2 或 3 分钟内完成的。由于飞机零部件是通过飞机运输的,预计运输时间至少也要十几小时,绝对不可能在几分钟内完成。因此我们直接怀疑某些时区或其他计算机时间存在问题,但时间记录也证明没有瑕疵。经过进一步的数据调查后,似乎被传送的零部件确实在着陆点的飞机上进行了安装和使用,结果更是令人匪夷所思了。通过让供应链团队亲自查看检查员仪表板,最终发现了这个谜团。传送的零部件是由两个半轮和一个轮胎组成的机轮。拆开两个半轮和轮胎便可以取下轮子。在最极端的情况下,如果两个半轮和轮胎被拆下,那么就没有任何物理残留。因此,完全拆卸的车轮可以随意地重新安装到任意位置,其原始位置完全可以忽略。

检查员仪表板是数据健康仪表板的低级别对应部分。它们关注完全分解的数据,而数据健康仪表板一般站在更高层次解读数据。此外,检查员仪表板通常是白盒工作中不可或缺的一部分。当面对看似令人费解的建议时,供应链从业者需要审慎细致地考察 SKU 或产品,以确定建议的决策是否合理。检查员仪表板通常会针对此目的进行调整,其中包括许多有助于计算最终建议的中间结果。