準備好再動?

清朝文學家彭端淑的作品：

「蜀之鄙有二僧，其一貧，其一富。貧者語於富者曰：『吾欲之南海，何如？』富者曰：『子何恃而往？』曰：『吾一瓶一缽足矣。』富者曰：『吾數年來欲買舟而下，猶未能也。子何恃而往？』越明年，貧者自南海還，以告富者，富者有慚色。」

「快」已經是現在企業必要的能力，但是對於很多新東西、新科技，許多企業的態度都是「先研究清楚、準備好再來動」，講穿了就是以拖待變。先讓其他勇士往前衝，確定沒事了再跟上，充分發揮「老二哲學」。

衡量自我能力是否完備當然是必要的，但是如果是執著在一些枝微末節或是只想規避風險，那麼只是無謂的等待。昨天聽清大簡禎富教授分享他從事大數據分析的經驗，他提到許多使用者都執著於成果必須能夠有非常大的成效，就像是直接挖出999純金的金條；但是許多情況下，僅能夠挖出一些小金塊，而且這些金塊還需要精鍊，但雖然僅是這些小金塊，也比原來的狀況有所進展了。

個人的經驗中，許多企業對於導入資訊應用系統都有類似的思維，使用者斤斤計較一些枝微末節，例如：報表格式、使用介面...等，但是對於這些應用是否可以有效提昇作業效能則不去了解。更甚者是，當老闆問他們的意見時，他們就是籠統的一句：不能符合我們的需求。

就像那個富有的僧人，他還要等待所有細節都搞定才要行動。然而現在企業環境變化之快，又如何能夠在此變動的環境下確定所有細節都能搞定？

因此企業必須理解這些行動對整體企業運營的效益，如果是正面，就應該儘快積極行動，就如對岸常說的「摸著石頭過河」，邊做邊修正。否則就算窮極心力費時擬定完美計畫，企業環境也已經變化，計畫也不再適用了。

Big Data Driven Supply Chain Management - Chapter 6: Impact on "Move"

Move也就是運籌 (logistics)，是供應鏈管理領域分析應用最多的部份，如果是工業工程的朋友就知道，在運籌領域的分析運用就是我們在大二、大三念的Operation Research (作業研究)。

運籌的目的是遞送完美訂單 (perfect order)，而所謂的完美訂單是滿足四大條件：
完整 (complete): 所有的物品都按照需求數量交付
準時 (on time): 訂單在客戶要求的時間準時送達，依照客戶定義的on time delivery送達
準確 (accurate): 所有文件都完整檢附，如送貨單據、發票
完整的狀況 (perfect condition): 訂單的配置正確、沒有損壞、正確的安裝

這裡面有一個句子很有意思，「依照客戶定義的on time delivery送達」 (using the customer’s definition of on-time delivery)。我遇過一些企業內部定義了OTD這個KPI，他們自己有自己的定義，因為這些KPI會影響他們的績效獎金，所以輜銖必究，甚至有點寬鬆。但是這種面對客戶的績效，最終是要由客戶來評斷的，即使內部自評是100分，但如果客戶不買單，那也還是白搭，不是嗎？

運籌相關的成本很高，包含倉庫的設置、運送車隊的建立...，因此專業的第三方物流服務者因而興起，而許多企業也樂得將這部分外包出去。但雖然不需要背負運籌管理的問題，關於客戶是否準時拿到貨品、物料是否即時送達工廠...等移動還是與運籌即時相關，因此企業還是需要承擔一部分的管理。

因為RFID、GPS等技術的普及與成本下降，運籌的資訊已經愈來愈能夠即時取得了，並且透過這些資訊的分析運用，企業得以大幅改善運籌效率，包括更即時掌握訂單狀況、庫存消耗以及在途等資料，更精確的預估庫存需求進行捕貨。目前台灣便利商店是透過更頻繁的補貨頻率來應付精準度低的問題，但中大型賣場則是透過庫存來因應。如果可以強化相關資料收集、分析，仍然有改善的空間。

PCHome有名的24小時購物是一個提高客戶服務水準的方法，但是為了達到24小時送達，需要投入許多資金來達成這麼高的客服目標，如果要更有效率，則需要更多的資料收集與分析：哪些物品需要24小時送達? 消費者喜歡打折或是24小時送達？這些問題都可以透過更精準的分群 (micro-segmentation)來進行資料分析，依照產品、客戶、市場來設計不同的運送方案。

因為台灣幅員較小，運籌通常比較不受重視，但是對於倉庫管理、庫存管理等議題仍是很重要的管理議題。另外前幾年推動製造服務化時，在服務上很關鍵的逆向運籌 (reverse logistics)也是企業可以關注的部份。逆向運籌不同與一般正向物流，有更多的機會需要追蹤到個別物件 (individual items)，並且需要結合其他服務相關的檢核機制，如保固期、購買地點等，因此複雜度往往更高。而且逆向運籌通常會更直接影響消費者體驗，因為當消費者退、換貨或維修時，消費者對於服務時間更敏感；一次不佳的經驗可能就會影響消費者未來的消費決策。

分析在Move上已經有許多的實踐經驗，而更多的數據可能為企業帶來更精準的預測與決策支援，而Move不能僅僅看運籌端，而更需要與Sell、Make一起考慮，才能收到綜效。

Big Data Driven Supply Chain Management - Chapter 5: Impact on “Make”

“Make”製造，這大概是台灣最熟悉的領域，其實「分析」在這方面的運用也是最多的，由工廠排程、供給規劃、需求規劃、庫存規劃、良率分析、品質改善等等，都是分析的運用實例。

除了這些方面以外，作者提到三個部分，前面兩者是「研發」、「服務」。作者提到許多公司透過互聯網 (internet)與客戶、供應商協作來開發新產品或是提供客戶需要的服務。透過網路上開放平台來收集客戶反應，並分析得到哪些功能吸引客戶，是主要的原理。

我覺得最令人興奮的部份其實是第三點，「數位工廠」 (digital factory)，也就是最近台灣很夯的「工業4.0」。數位工廠的可能性是來自於新科技的發展以及普及的感應器 (sensors)。

IBM的研究裡面曾提出三大新科技會改變製造模式：3D列印技術、可任意配置化 (confiurgable)的機器人以及開放源硬體設計 (open source hardware)。因為機器人成本逐漸降低並且可以任意配置改變功能，因此生產線可以因為生產需求任意調整改變來符合最有效率的生產需求。

而日益增加的感應器安裝在生產線上，隨時將生產資訊即時傳回來，讓管理者能夠即時掌控生廠狀況，並且可以透過即時分析對於任何變動決定最佳的因應行動。

因為新科技讓工廠可以任意配置變化；又有感應器佈滿生產線，就像神經可以隨時感知任何變動，整個實體工廠可以被數位化，並且呈現在模擬系統上，讓管理者可以尚未佈署實體生產線前就可以模擬工廠運作狀況，並且對於生產效率、成本、能源耗用等進行優化，然後再更改機器人配置完成佈署。這也就是工業4.0裡所提的physical-cyber system (PCS)。

除此之外，作者也提到「協作」的重要性與必要性。過去在供應鏈管理上就一直強調協作的重要性，而因為物聯網技術的逐漸普及，強化點對點以及橫向的溝通，所以資料的分享、協同作業會越來越即時、方便。例如：汽車組裝廠接受客製化訂單後，可以即時將所需要的物料資訊傳給零件提供商，零件提供商則視需求時間即時將零件送到組裝廠。零件組裝廠與汽車製造商共同分享需求資訊，進行分析、決定庫存計畫....等等，都是因為資訊的分享而可以更大幅度的協同作業。

除了以上這些運用以外，作者在最後提到產銷規劃 (sales & operational planning, S&OP)。產銷規劃是極度透過資料分析來完成的流程，並且需要來自不同功能部門、甚至供應鏈夥伴的資料來進行分析、模擬才能有效完成的。目前許多台灣公司「號稱」的產銷規劃其實是在「協調」，也就是討論製造與銷售之間的不一致，雙方期待能夠達到各自想要的結果，而不是真正放眼於整體產銷狀況而以達到公司整體目標為主。正因為產銷規劃需要整體產、銷狀況，因此它需要許多資料，並且進行適當的整理與統合，讓規劃人員可以進行分析。例如：各點的銷售資料必須以地區階層、客戶群組、產品等進行整理，才能夠掌握不同地區、客戶對於不同產品的需求狀況並進行有效的預測。因此個人認為一個公司在於make分析能力的成熟度可以直接由它S&OP的流程就可以看得出來。

總的來說，「分析」在make方面並不是新議題，只是有更多、更即時的資料了，而如何有效運用這些資訊，則是企業未來決勝的關鍵了。