供應鏈規劃 (supply chain planning)，優化 (optimization) 或是啟發式 (heuristics)? (III)

供應鏈規劃由MRP到APS，已經好一陣子了，不管怎麼選，優化還是啟發式，其實說穿了都是把生產規劃「自動化」 (automate planning)。怎麼選，其實還是要看什麼方式最接近人工作業的方法，而系統只是「協助」自動化計算的部份。

但是下一世代會是什麼呢？

最近所謂大數據分析興起 (big data analytic) ，很多企業開始運用這樣的技術。很多運用都是在與消費者 (consumer) 互動的部份，尤其是行銷部分。而之前我也談過所謂分析是描述性 (descriptive)、預測性 (predictive)、診斷性 (prescriptive) 三個階段，而供應鏈規劃可以是預測性、診斷性兩個階段的。所以是否可以透過大數據分析來支援？我個人想過幾個部分：

首先：對於供應鏈變動的預警。透過收集更多的數據，包含外部與內部的資訊，進行分析，來提前預測可能的變動。例如：相關生產技術的發展、供應商的變動...對於供給的影響。又如競爭者可能的新產品、新興競爭產品的研發...對於需求的影響。透過這些市場訊息的分析，應該某種程度上可以預警供應鏈潛在的變動。

其次，透過數據進行診斷性的分析，分析對於變動相對最好的對策 (best next action)，並提供使用者對於不同對策的比較，或是根據使用者選擇的對策，再度分析可能得到的結果。簡單說，就是以分析為基礎更為互動的決策支援，而非過去以資料snapshot進行計算的作法。

個人認為，這兩個方向未來可能是供應鏈規劃上結合物聯網、大數據分析而可能發展的方向。不過似乎這還是有點遙遠，不知道什麼時候才會真正看到有些實務運用。

供應鏈規劃 (supply chain planning)，優化 (optimization) 或是啟發式 (heuristics)? - Part 2

APS的目的就是處理在限制條件以及一些業務規則下，怎樣來規劃供給來滿足需求。這個敘述裡，有幾個關鍵字詞：限制、業務規則、供給規劃與需求。

為了讓系統進行運算，首先就是要看看如何來表現這些關鍵字。

以限制為例：
    所有用料總和 < = 總物料供給
    客戶A的需求用料 < = 1000單位

通常限制、目標都比較好陳述；相對的，業務規則就比較困難。首先業務規則比較是「情境化」的狀況：

    如果客戶A的需求大於100的時候而且全部物料的供給小於500時，則...

這樣會有很多的 “if…then…else…”的業務規則敘述；通常對於系統而言，並不容易處理。尤其對於數學優化模型，更是不容易，即使可以描述，也可能會因為求解過程過久，而不適合於商業實用。

即使對於啟發式系統而言，可能僅能處理多條規則，而無法處理同時一條有著多情境的業務規則。例如：

    敘述A：
        規則一：如果客戶A的需求大於100
        規則二：全部物料供給小於500

    敘述B：
        規則：如果客戶A的需求大於100的時候而且全部物料的供給小於500時，則...

對於敘述B而言，系統就比較難處理。因此規劃出來的結果可能就不符使用者期望。

再者，除了如何在系統內表現這些資訊的困難度以外，使用者是否能夠完整說明他們的規則其實是更大的問題。一般使用者大多用excel來計算一般規劃的問題，而隨著每一天、每一次規劃的不同，他們可能多多少少會根據需要來調整excel裡面計算的公式或設定，甚至有時候還直接人工輸入數字。如果要他們事先列出所有的計算規則，讓excel可以直接算出他們期望的結果，也是不太可能的。因此，對於所有資訊都要事先定義的APS，就無法根據他們事先定義的規則來產生期望的結果。

其實這也是對於APS錯誤的期待。如果要在APS產生期望的結果，就必須先輸入所有業務規則，就可以一次到位；如果無法事先定義所有業務規則，則需要反覆檢視結果，調整系統再次計算產生結果。使用者就會覺得，既然要反覆檢視結果、然後調整 (就像excel)，那麼APS就沒有效益，還不如用excel，還比較好操作。

所以我認為，還不如把APS當做更詳細、更先進的excel，然後使用者應該像對excel一樣，也要反覆檢視結果、調整設定或參數，讓結果接近於最後的結果 (因為可能還是有人工覆蓋的輸入)，而非追求系統產出直接等於最後結果。(如果是這樣的話，那麼還需要這些規劃人員的使用者嗎？) 我最喜歡的比喻是：就像是GPS導航，如果你知道一些比較快的小路，當然可以不依照導航的建議，而自己開車；但是導航還是以一些預建的規則來導航 (例如以省道為主要依據...) 建議路程，只是它事先不會知道一些個人開車的偏好來調整，例如：白天開小路、晚上開國道等等的小偏好。因為APS跟GPS一樣，都只是決策支援系統 (decision support system)，提供資訊作為使用者進行決策之用。

因此在選擇APS規劃技術時，還是要看看哪一種模式比較適合最終的目的。以業務規則為主進行的啟發式規劃，或是數學計算的優化模型，哪一個能夠表現所需要的業務規則、哪一個所產生的規劃結果比較接近最後定案的決策。

供應鏈規劃 (supply chain planning)，優化 (optimization) 或是啟發式 (heuristics)? - Part 1

因為解決方案提供商的大力推廣，很多人心中的SCM就等於先進規劃系統 (APS, advanced planning system)，以為導入這樣的系統，供應鏈上的問題就迎刃而解。這當然是錯誤的看法，但我想先就於選擇APS談一下我的看法。

APS的目的就是處理在限制條件以及一些業務規則下，怎樣來規劃供給來滿足需求。根據使用者所定義的業務規則，系統必須進行一些運算，得到供給計畫，而使用者檢視需求規劃的狀況，決定是否採用系統所計算出來的各項資訊。而在運算時，很關鍵的問題就是該採用何種運算方式；大概的說，運算方式有兩大類：數學優化或是以規則啟發式的計算方法。

數學優化是將供需問題轉換為數學模型，然後透過優化求解的方式來得到在限制下的最佳解，主要是以作業研究 (OR, operation research)的技術來處理。我認為重要的並不是去了解或印證系統如何計算出「最佳」解，而是去確認所定義的目標、限制是正確的。因為這些理論都是被印證過的，除非是想要徹底研究OR相關的東西，拿個PhD之類，不然一般使用者應該還是專注於目標、限制的定義是否合理正確。在過去許多專案的經驗，許多使用者專注於了解系統計算的模型 (俗稱計算邏輯)，但是又因為不能了解OR相關的原理，而對系統有著根本的懷疑，處處挑剔計算結果，但是總是印證結果都是來自於使用者自己定義的限制或目標 (業務規則)。

啟發式，或是稱為rule-based的方式，則是根據使用者定義的規則，一條條來處理運算，得到最後的解。因為是根據使用者定義的規則，結果也多能被使用者理解。但是因為是根據業務規則一條條計算，如果使用者定義的規則是有衝突或是前後順序不對，所得到的結果可能會不是使用者所期待的。例如：先考慮交期，然後才考慮客戶等級，有可能讓交期近但是不重要的客戶先拿到供給量，而讓不重要的客戶交期較遠的客戶拿不到供給量。但是如果把規則改成客戶等級 > 交期，則是會有近期不重要的客戶供給量被遠期重要客戶的需求佔住。通常使用者就說：那你給我一個「優化」的規劃。但是在使用優化方式時，他又覺得他不理解優化的計算模型，結果又想回到啟發式。

因此，使用APS前，要先了解規劃方式的原理、限制以及使用者該做的事情 (或是不該做的事情)，還有就是正確的期望。至於什麼情況該用哪一種，下一篇再來討論吧。

再談供應鏈策略，你的期望是不是合理？

可能是因為太多傳奇的故事，例如：賈柏斯回歸蘋果時，大幅改變產品策略，把蘋果帶回輝煌、葛斯納以服務為主的策略，拯救IBM...，加上幾個名人等級的麥肯錫顧問，如大前研一，許多人認為「只要有位神人，幫我們定下策略，公司就會一飛沖天」。我個人認為，這是非常天真而且不切實際的想法。幾個專案經驗裡面，高階主管要求幫他們訂出「供應鏈策略」，並且期望策略一訂，他們的供應練就可以飛天遁地了。

之前也探討過，我認為供應鏈策略的定義就是公司怎麼在所處的環境有效的供應給客戶；如此而已。這個策略會因為競爭環境、產品...等而改變。如果再簡化一點，供應鏈策略就是追求「效率」而已。

但是供應鏈的績效並不是有個策略就好了，困難的部分應該是戰略面與執行面的部分。因為要快速推出產品，怎麼跟供應商合作？互相之間如何有效交換資訊，一起連動？需要有價格競爭力，需要降低成本，又該如何與供應商討論、殺價？等等等等...這些才是困難的地方。

策略就像是一個目標方向，例如：我想要透過有效運動讓身體健康，但是僅止於此是沒有用的，還是要去規劃怎麼運動、哪些運動，然後一一去執行才有效果。如果只是找出一些fancy  term、呼呼口號，那麼到頭來光有策略也不會有效果。

蘋果執行長庫克被認為是營運天才，也是供應鏈專家，但是蘋果有很特殊的供應鏈策略？他所做的都是教科書上的事情，只是他認真、確實的把它做到極致。例如：關鍵材料的管控、規劃與供給的確認；透過資訊科技整合，確實掌握外包商(富士康)的製造計畫與進度，並與自己的供應計畫連動。這些東西都是老生常談，但是要做到極致是需要discipline的。

我認為，與其期待靈光一現，發現一個很特殊的供應鏈策略來改變績效，還不如扎扎實實的做好沒一個環節。正如一位同事說的：把每一件事情做到「到位」，這可能比較實在。

服務供應鏈的需求規劃

幾年前有機會參與一個服務供應鏈的專案，短短的8個多月裡面讓我發現這個題目真是博大精深，就先來談談需求規劃的部份。

一般產品銷售就是找銷售部門、經銷商代理商一起來做預測，整理整理就是了；先進點的，就跑跑統計模型，由歷史資料來推估需求，還有大概也就是按照業績目標來盯，確定需求預測跟業績目標一致。

服務備品的需求預測就複雜多了。首先，歷史資料可能少的可憐，尤其是新產品。想像一下，如果iPhone 6 在9月份上市，那到現在才3個月不到，加上iPhone的品質，可能拿回來修的不多，哪來的歷史資料?

如果好不容易，到了明年7、8月，資料差不多夠用了，iPhone 7或是 6s又差不多要出了，服務部門就要做一件事情，叫做Last Time Buy，也就是再下最後一次訂單買維修用料。這個時候，怎麼預估接下來幾年的用量，那就很困難了。為什麼？因為客戶也許不來修了，換個新iPhone 7/6s不是很好？也有可能他繼續用、繼續修，用個3~5年，那麼你就要有料給他修。

所以，需求預測對於服務維修庫存是極關重要的事情，而last time buy又是重要中的重要，除非產品是可以賣個10幾、20年，而且那些料都還買的到。

現在許多電子產品生命週期短，生命週期前面沒歷史資料，然後上市沒多久就要做last time buy，所以就讓服務部門很難進行規劃備料。而且還要去預估客戶的行為，是不是會拿回來修，或許前幾年會回來修，到了第二、第三年，返修率就會慢慢降低了。這些因素都跟一般正常品銷售預測不同，也因此更困難。
因為IOT物聯網，有些產品可以直接上網回饋一些使用資訊，例如飛機、汽車，讓廠商可以收集使用資訊預估故障機會與時間，協助進行需求規劃，但是還是有些產品沒有辦法這樣處理。

有些產品並不是由產品公司直接維修，而是透過所謂授權服務商 (authorized service provider, ASP) 來提供服務，例如聯強，所以產品公司如何由ASP方拿到維修記錄，也是服務供應鏈目前一大課題。

總之，我認為服務備品的需求規劃困難度不比正常品簡單，而誤差所造成的影響卻很直接：備多了，就可能有一堆呆滯庫存；備少了，可能造成客戶不良觀感，由他的口碑可能影響更多的人，傷害產品的銷售。  (想像如果修個電腦、手機要好幾個禮拜，你會不會抱怨? 下次你還會買他們的產品?)

逆向運籌 (reverse logistics)

一般供應鏈管理多是講如何由終端需求反追到供給面，所謂正向供應鏈。而售後服務維修是處理所謂「逆向物流」的問題。逆向物流是指產品由客戶端反向回到供給端的運籌處理。

例如，電腦的觸控板壞了，就拿到維修點檢測，維修點發現是觸控板的電路板燒壞了，但是維修點沒辦法修，必須送回維修中心換掉整個模組。因此維修點會請你填個單子，然後把電腦送回維修中心。維修中心換好之後，再寄到維修點，然後再請你過去拿。這就牽扯到「你」 (消費者) - 「維修點」 - 「維修中心」這樣的逆向物流。

逆向運籌其實比正向複雜很多：如何預估需求？如果你的電腦已經是三、四年的老機器，你可能不會拿去修；拿去修之後，又可能問一下維修的費用才決定要不要修。如何備庫存？備太多，資金積壓；備太少，可能造成客戶不滿。加上近年來很多產品生命週期越來越短，但是保固期間又要延長，因次維修零件的準備更是困難。再者，有保固內、保固外收費的財務問題等等。因此逆向供應鏈管理的複雜度是遠遠高於正向供應鏈，而且逆向供應鏈又是直接影響客戶觀感的，所以許多品牌公司都非常重視維修供應鏈的管理與運作。

可惜的是，許多品牌公司並沒有感受到逆向供應鏈的重要性，加上維修或售服被視為「成本」，因此常常就是由銷售中撥出一部分預算作為維修使用，只要「不要出事」就可以了。但是如果可以把逆向供應鏈管理好，形成close loop可以完整整個供應鏈。

供應鏈管理的五四三 - 供應鏈策略之供應鏈分析應用

巨量資料、資料分析師...這些是現在最夯的題材，那麼供應鏈上的運用呢？由分析的角度來探討一下。

分析可以分成幾個階段：描述性 (descriptive)、預測性 (predictive)、診斷性 (prescriptive)。

所謂描述性，就是把已經發生的事情有系統的呈現出來，並且讓使用者可以分析發生了什麼事情。例如：把銷售訂單資訊拿來分析，看看哪個地區、哪個產品、哪個銷售人員、哪個客戶對於整體銷售的貢獻如何。這部份多是透過商業智慧 (business intelligence, BI)的工具來呈現交易系統 (ERP、MES…) 的資訊。相信對大多數的人也都不陌生。

或許會讓人覺得這沒什麼了不起，但是經驗上，許多公司是連這一點都做的很辛苦的。老闆想看個什麼資訊，可能還要等許多部門去撈資料、整資料，然後要放到excel裡，對一下資料是不是正確，再畫圖表、貼powerpoint。進步一點的，有BI工具的，就由BI撈出來給老闆看，但是BI裡面資料是不是即時、正確，嗯...那就要看看了。加上供應鏈，顧名思義，是跨不同成員的「鏈」，所以還要確定上游供應商、下游客戶是否提供正確的資訊，光要做到正確呈現資訊就很有挑戰了。把這個東西換一個有學問的名詞，就是「供應鏈可視度」 (supply chain visibility)。所以這是沒啥了不起的嗎？

能夠正確描述供應鏈上的狀況，才能進入下一個階段，預測。預測是基於歷史資訊去推估未來，所以一定要先能夠有效分析歷史資訊才能拿來做預測。以銷售資訊為例，有效分析不同地區銷售記錄，才能確定適合用什麼樣的模型來推估未來，也才有歷史銷售資料可以來做統計分析。供應鏈上有很多地方都需要預測性的分析，最簡單的例子是需求預測。還有其他的地方其實也都可以拿來運用：例如LED製程上對於不同產出分布的推估。

只是這些都是要相關業務單位由業務需求出發，然後去思考是否可以透過預測性分析來解決，如果是反過來，為了分析而分析，大概會沒什麼效果吧。

診斷性分析最簡單的例子最是「優化」 (optimization)，透過預設的目標、限制，根據當下的狀況 (交易資料現況)進行分析，得到一個建議的最佳答案。許多APS (advanced planning system) 都具有優化的能力，但是我看到許多公司對於這一部分都有錯誤的期待。

首先：要先確定是否可以完整、正確描述供應鏈的狀況。是的，就是是否具備描述性分析的能力。如果沒辦法描述，那麼要優化什麼呢？

其次，能夠描述目標與限制？是否可以詳細描述優化的目標是什麼嗎？是要準時交貨，還是庫存最低？是否可以描述限制為何？A客戶只能用什麼物料、B客戶不接受什麼等級的成品...使用者是否完整描述這些限制？還是只能說個大概？

聽過一個客戶的需求是：「一鍵到底、快樂無比」，可是真的要做到這個地步，前置工作是很多的，可是大部分的人並沒有辦法預期這些工作；幾次問客戶是否對於自己的資料有信心時，成案前都會拍胸膛保證，專案進行到一半就會發現問題一堆。當然不可諱言的是，解決方案商也都沒有善盡告知的義務，因為他們要趕快結單呀。

所以，老話一句，雖然有很多新工具興起、有很多新名詞產生，但是基本工就還是那些，對於供應鏈能夠在彈指間立即改善的期望，那是不切實際的。

供應鏈管理的五四三 - 供應鏈策略

首先，我覺得「策略」兩個字聽起來很神奇，好像是高來高去的東西，但是我覺得其實它就像一幅地圖，是整個做事的依據。談供應鏈的策略，我認為其實就是在思考什麼樣的供應鏈適合你。想清楚了，才能去建立適合你的供應鏈。而「適合」要考慮的事情，不外乎產品、客戶與怎麼賺錢 (有學問的說法是競爭優勢) 三件事情。

產品：台積電跟南亞科供應鏈的需求一定不同，因為產品的不同。台積電是賣產能，他們必須要能有極高的彈性來服務所有來要求代工的客戶；而南亞科是做記憶體，這是一個標準規格的東西，他們的重點是要控制成本，最好是大量生產同樣的東西。

客戶：客戶不同，所要提供的客戶服務是不同的，因此也會有不同的供應鏈需求。例如：便利商店的客戶是要求方便、即時能夠得到他們要的商品，這家買不到，他立馬就去別家買了；而去Costco的客戶是要大量便宜的商品，他去找賣場中便宜的東西，這次沒有或許下次再來。相對精品店，客戶會願意等待，甚至徹夜排隊，因為客戶是要求品質，而不是價格。

最後就是公司要怎麼賺、賺什麼樣的錢、做什麼樣的生意。我有機會接觸幾個公司，他們的產品種類非常的多，然而老闆又要對所有的客戶都提供最好的服務，所以所付出的代價是：很高的庫存。想像如果是開一家五金行販賣各式各樣的五金產品，又要讓客人來的時候可以買到任何他要的東西，由鐵鍊、鋤頭、水管到茶壺...等，那老闆需要多少資金？當然不可能所有東西都備著，有些東西會等客戶來詢問、下單才會去買來給他。

簡單說，策略就是先把問題定義好 (define the problem)，確定問題的本質後，才能開始想怎樣拆解問題、解決問題、用什麼工具。

「供應鏈管理」是老生常談？供應鏈管理是否還是顯學？下一步？

自從90年末期先進規劃系統 (advanced planning system, APS) 的解決方案提供者大舉倡議供應鏈管理後，許多公司如火如荼的嘗試導入APS，而許多人就把供應鏈管理 (SCM) 跟APS畫上等號。

幾年過去後，效益卻不如這些廠商所號稱的那麼好，因此供應鏈管理由顯學又變成票房毒藥。許多公司提到「改善供應鏈」時，就想到「導系統」，然後就是猶豫、否定。

之前也提過，所謂供應鏈管理顧名思義就是管「供應」的大大小小事情，自從產品研發、需求管理、生產規劃、庫存配銷、採購、生產製造...都是在供應鏈管理的範疇，其中生產規劃僅僅是即小的部分，而APS也僅僅只是將生產規劃予以「自動化」而已，所以如果將ASP與SCM畫上等號，未免也太看不起供應鏈管理這個題目了。

 個人認為，供應鏈管理是非常日常作業的，或許不是光鮮亮麗，但是卻是對於一個企業極關重要的一環，只是許多公司在思考「供應鏈優化」、「供應鏈改善」、「供應鏈變革」時都尋求一個silver bullet，期待一個讓人眼睛一亮、立即可以有成效的東西。真的要做好供應鏈管理，還是要回到基本面 (back to basic)，一步一步的做好每一個環結才能真的建造一個完善的供應鏈模型，不然僅是譁眾取寵，乎弄一遭而已。

這幾年另外一個顯學興起，就是「巨量資料分析」(big data analytic)，如果仔細思考巨量資料分析，其實它也就是一個工具，而這個工具是可以拿來做很多不同領域的運用，其中當然包含SCM。在供應鏈的領域裡，很多部分需要資料分析以提供管理人員決策，我想目前幾乎每個公司都有很多的excel在處理各種不同的分析：生管計畫、採購計算、庫存與補貨....，過去APS被認為是提供這些分析的silver bullet，但是結果不符期待，現在big data又被認為是新一代的silver bullet，不知道是不是如此，但是我認為，如果對於供應鏈管理的想法不變，big data終究還是會是一場空。