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。

天下武功，無堅不破，唯快不破

火雲邪神說：「天下武功，無堅不破，唯快不破」，小米雷軍也講「天下武功，唯快不破」期望創業者動作要快。我認為所有企業都一樣，應該要追求「速度」，把「速度」視為最高的競爭策略。為什麼？

為了追求速度，企業不會腦滿腸肥，一定會盡量精實；為了追求速度，企業會決策果決；為了追求速度，企業會保有最高的彈性。而這種種特質都是成功企業的特質。

賈柏斯希望蘋果保有創業精神，他認為這是維持蘋果競爭力最重要的工作，因此決策都是由幾個主管拍板，並且因為組織扁平可以快速執行。

許多企業在成長後，組織逐漸膨脹，工程師要問小主管、小主管要問經理、經理要問處長、處長要問協理...一層一層上去，加上揣摩上意，常常搞出一些令人無法理解的事情。當工程師在組織的階梯慢慢爬上去後，除了持續向上管理外，向下官威也慢慢的培養出來，所以就整個變了調。

流程上也是如此，原本簡單的流程因為要卡控一些細節所以加上了管制點，然後又發現一些原本沒有想到的點，就又要加上新的管制流程，逐漸的疊床架屋，搞到流程相當複雜，員工花在因應流程上的時間比實際在有附加價值的工作上要少。

系統也是如此，使用者提了需求就加上一些客製程式，另一個使用者提了另外的需求就再加；甚至加上其他系統來符合新需求，慢慢的整個企業應用系統變成一個大怪物，沒有人敢動它，因為改的好，是應該的，改壞了，誰要扛這個責任？所以即使系統效能不好、使用者使用不方便、沒有辦法即時提供需要的資訊，那就還是撐著吧。

所以組織、流程、系統上都因為一些事情，讓企業犧牲了「速度」，這對嗎？因此我認為，企業應該持續追求速度，只問是不是能夠更快，才能真正解決問題。導入這個系統，是不是能夠更快？流程該如何改善才能更簡單？組織的設計如何才能讓決策、執行更快？持續思考這些事情，才能為企業持續強化競爭力。

我們就只能代工？

剛剛看到一則新聞，緯創、仁寶成為Apple供應鏈的一員，讓我又在思考最近跟朋友的一些討論。

台灣過去以代工模式在PC供應鏈上佔了重要的地位，而在移動裝置、智能手機興起後，整個PC供應鏈崩壞，造成這些企業不知所措。而手機的霸主蘋果、三星就是大家要爭取代工的對象了。但，台灣只能代工？

如果我跟你提議一個business model,然後說要投入1000萬，你會怎麼問？

應該很多人的答案是：會賺錢嗎？什麼時候會開始賺錢？我們大多數的人應該會很在意ROI，很在意什麼時候可以把本賺回來、然後開始賺錢。

會有人問這個business model是否可以持久、可以創造新的模式讓競爭者不會進來？短期之內即使不賺錢，但是持續堅持這個所堅信的business model終究可以賺錢？

以前我聽過一位公司的大股東說：幹嘛搞品牌，又花錢又不一定賺錢，就幫人家代工就好了呀。我想這就是典型代工思維，只想弄個生產線，然後幫歐美大廠打工，今天幫這家打工、明天換另外一家。這些歐美品牌大廠賺走了智慧財，而我們只能賺辛苦血汗錢。大學的老師說，致富的shortest path是到交清念研究所，然後去台積賺股票，而現在可能多一個選擇是鴻海。但是就只有這樣？

現在因為雲端、社群這些架構興起，比之前「.com」的年代帶來更多機會，而且可以用更少的資金、甚至網路集資來獲得資金創業。為什麼我們不能跳脫代工思維，然後試試看以不同的business model來賺錢？我們是否能夠勇敢去試試看自己相信的事情，即使沒有如預期成功，但也有勇氣去經歷失敗並從中學習？

Chapter 4: Impact on “Sell”

作者在前面提過供應鏈的四大作業，Sell, Make, Move and Buy，在本書的第二大段就是一一解釋大數據分析如何影響這四大作業，並透過一些案例提供讀者參考。

作者認為銷售 (sell) 對於供應鏈的影響在於行銷 (marketing)，透過大數據分析來得知顧客的喜惡並預測顧客的行為。行銷負責將企業組織與外部客戶連接起來，要將整體供應鏈的價值 (value) 提供給顧客，因此對於供應鏈的影響極大。

在台灣很多企業對於marketing與sales並分不清楚，許多企業的行銷就是辦辦活動、印印傳單、或是負責做give-away，抑或是跟sales一樣跑客戶，並沒有真正發揮作者提到行銷的功能。或許也是因為台灣OEM/ODM的代工型態，行銷沒有受到重視。

以前企業主要是以一般消費大眾為主 (average customer) 來設計運作模式，透過大量生產降低成本並滿足一般的消費者。但是今日的消費者越來越精 (knowledgable)，他們需要更好的品質、更低的價格、更快的交貨速度，因此企業必須思考如何提供更高的客戶服務以及ㄧ對一的客製化服務，這些需求對供應鏈造成極大的改變。

由行銷的定義來看，就是要如何處理四P：

Product (產品)：透過大數據分析了解客戶喜好以及可能一同購買的商品 (bundle sale) 以提高交互銷售 (cross selling) 機會，更甚者可以對消費者建議令他驚艷的產品。
Price (價格)：定價的重要性不必多說，而對於不同市場區隔、不同消費族群應該有不同的定價策略來提高企業獲利。大數據分析可以提供更細的市場分析資料，協助制定價格。
Place (地點)：除了過去多層架構的配銷管道 (distribution channel) 外，未來直送到客戶手上 (direct-to-consumer) 將會慢慢的變成最重要的銷售管道。而如何管理庫存，確認即時滿足客戶需求是大數據分析可以運用的範疇。
Promotion (推銷)：推銷就是要增加產品曝光率與需求度。大數據分析在這一部分已經有許多運用案例，也就是透過分析來進行目標行銷 (targeted promotion)。

在處理這四P時，作者提到幾個比較重要的大數據分析運用：

市場區隔 (market segment)
區域行銷 (location-based marketing)
多渠道行銷 (multi-channel marketing)
消費者情感分析 (sentiment analysis)
店內行為分析 (in-store behavior analysis)
商品規劃與定價 (merchandising, assortment & price optimization)
這些應用基本上都是想要了解「每一個消費者的真正行為」。過去因為資料量不足、IT技術的限制，對於消費行為分析都僅止於「群組」，消費族群、產品族群、區域...，但是因為行動裝置、透過信用卡資訊...等方式所得到的大量數據可能讓企業有機會將消費行為細到「個人」、「SKU」、「單店」這樣的模式。透過了解個人、SKU、單店的消費行為，企業得以更針對性、透過適當的管道進行行銷活動，來提高消費者轉換率。

所以這些sell相關大數據分析的運用都是因為更多數據而可以進行更細緻的分析資訊。企業可以進行更細部的市場區隔 (micro-segmentation)，並且根據location-based資訊來進行區域行銷；例如：北部跟南部的消費習慣與行為肯定不太一樣，在中元節進行行銷時，就可以考慮不同的祭拜習慣推出不同的促銷活動，並且選擇e-mail或是傳統紙本廣告模式來傳送訊息。

正如阿里巴巴副總裁車正覺先生在「大數據的關鍵思考」書裡所提到，如何將前端數據 (消費者行為) 與業務數據 (後端供應鏈運作)結合，讓企業可以在sell這個lever上透過大數據分析得到insight，以供後續make, move, buy來運作，才是真正大數據在sell上運用的最主要目的。而商品規劃與定價就是最直接的部分。

透過大數據分析 (如季節、熱門關鍵字搜尋、店鋪位置...等) ，動態調整商品組合 (assortment) ，並且調整售價來提高產品流動率與獲利率；並且基於店內行為分析找到熱區，然後將熱門、主打商品陳列在熱區，讓消費者容易取得。而這些assortment的決策必須與後面庫存規劃結合，確保有效供給不會斷貨。這樣就是發揮大數據分析在sell上的效益。

台灣製造業很多是電子代工，過去都是被動根據客戶需求來生產，因為身處於供應鏈上游，對於下游狀況沒有辦法掌握，所以就受到長鞭效應的影響，在砍單、急單循環中受苦。但是如果可以思考透過更進一步的數據收集，將分析延伸到供應鏈的更下游，獲取真正消費者需求變動，可以改善這個狀況。例如：如果OBM新產品的評價很好，而且帶動銷售狀況，那麼對於此一OBM的預測應該可以較樂觀；反之評價不佳時，則是否應該較保守？透過大數據分析技術改善需求感知 (demand sensing)的能力，是台灣代工型態可以思考的方向。

Chapter 3: Barriers to Implementation (2)

除了人才、技術、流程一般系統導入常見的問題以外，作者還提到實施大數據分析的另外三個障礙：

分析的停滯 (analysis paralysis):
雖然企業了解導入大數據分析的優點，但是對於如何使用、如何導入並不完全了解。因此無法真的透過大數據分析來改善它們供應鏈的運作，也就造成運用上的停滯，也就是沒有收到效益。作者把常見的狀況分成四大類。

大海撈針：沒有整體規劃，隨意選擇主題運用「分析」，希望能夠獲得效益。
孤島式的優化：針對單一問題進行優化，只考慮單點問題，而非整體供應鏈系統優化
過度衡量細節：希望衡量所有細節，制定太多的衡量指標，而無法透過專注的主要績效指標來衡量分析的效益
動作停滯：企業無法決定導入分析的行動，淪為紙上談兵而終究一事無成。

過多的資料 (drowning  in data):
供應鏈上有太多的資料收集進來：由POS、網站、內部交易系統....等，而企業無法透過分析工具有效將資料轉化為資訊。高階主管無法主導轉型為「分析導向」的企業、沒有適當的人才、流程無法配合等因素，所以企業空有大量資料卻無法有效利用。


失焦的衡量指標 (misaligned metrics):
企業透過績效指標來衡量其運作績效，但是績效指標的設計與架構是否有效的與企業策略、客戶服務的目標相連接卻是很多企業遇到的問題。在供應鏈運作上，我也看過公司過度注重庫存水位，而對於準時交貨這個部分失去了競爭力。成功運用大數據分析前，必須確認整體績效的衡量架構，著重於流程改善的績效指標 (如訂單滿足率) 而非功能組織的績效指標 (如庫存水準、採購成本)。如此才能透過大數據分析來驅動流程效率改善。

這些障礙都是作者在這本書裡面嘗試要去回答的問題，不過總而言之，她認為還要要有總體的概念，將供應鏈視為一個「系統」，尋求整體的解決方案才能得到大數據分析的效益。

Chapter 3: Barriers to Implementation (1-2)

大數據分析目前是一個熱門的題目，但是不是每一個企業都可以實際得到大數據分析的效益，則是存在很多的先決條件。

首先是「為什麼」。企業為什麼要導入大數據分析的技術，而期望達到的效益是什麼？

如果把企業放到一個三角形裡，並且依照技術層級分開，上層是所謂的高科技產業，如半導體、光電，中間則是手機、電腦等電子產品那些，而所謂的傳統產業佔三角形的下半部。

對於這些新技術的接受度，反而是三角形下半部的那些企業會相對比較開放。因為那些企業是處於一個相對競爭更為激烈的環境，而這些技術如果運用得宜則可以為他們帶來突破與創新。

所以我們看到Zara、Walmart這些公司，他們無法以技術取得競爭優勢，但是透過大數據分析來運作他們的供應鏈，讓他們得以在此取得優勢。而相對的，上層的企業則將資源專注於技術上，期望透過技術的領先持續其競爭優勢，對於運用大數據於供應鏈上，則較不是那麼的急迫。

也曾經看到企業在暴露於更嚴峻的競爭環境後，才急就章的想要仿效對手引進大數據分析的技術，卻又因為缺乏整體規劃以其競爭策略整合，而無法獲得效益。

因此正如作者所說的，企業高階領導人必須要有其危機感 (sense of urgency)，並且承諾持續推動，不僅僅只是推動變革轉型，也要將「分析」置入公司文化中，才能夠得到成效。這也就是我所講的「為什麼」。

其次則是「人」。在傳統產業裡即使企業領導人可以了解大數據分析可以帶來的效益、並積極推動，但要找到大數據分析這樣的專業人才，相對於高科技業，卻不是那麼容易。因此作者提到未來所謂第三方分析服務提供者 (3rd party analytic service) 的需求，但是對於這一點個人是有點疑慮。

每一個企業都有其運作的細節，而對於分析的需求就會有所不同，因此由外者提供分析服務會有其限制，因為外來者是必須要更多時間了解運作細節才能建立有效的分析模型並進行初步驗證，而企業未必能夠有耐心與預算支撐這樣的進度。相對的，當外來者能夠掌握細節建立、驗證並修正分析模型時，相信企業應該也會想挖角了。因此，如何找到人、培養人將是企業欲發展分析能力的一大問題。

最後是技術或是工具。台灣的型態都是由解決方案提供者 (solution provider) 來教育市場，然後部分企業就開始進行。但是這些企業是否能夠由解決方案提供商得到最好的建議或是最適合的工具？當然解決方案提供者會追求自己最大利益，而不是企業的。因此企業是不是能夠得到它所需要工具，就還是一個可議的點。

再者，應用系統 (application) 都是有一個預先定義的腳本 (scenario) 或流程架構來設計出來的。如果企業流程無法修改 (re-engineer the process)，則使用這樣的系統則有削足適履的狀況。如果企業堅持其作業流程，則只能尋求透過軟體元件或是全部客製開發的方式，這又會有系統開發管理 (需求確認、範疇控制...等) 的問題，而且又會回到「人」的問題，使用者是否有能力提出正確、完整的需求？

以上是我針對作者提出 「科技」、「人員」、「流程」三大阻礙的看法，請各位不吝指教。

Chapter 3: Barriers to Implementation (1)

作者在前面的兩章說明了大數據對於未來供應鏈的重要性，但是許多企業還是無法由大數據得到效益。在這一章，她提出幾個挑戰以及障礙。

在挑戰方面，作者提到在一次訪談時，雖然將近八成的高階主管肯定大數據是未來的趨勢，並且有將近七成的受訪者計畫導入，但是仍有八成以上的高階主管對於導入成本與效益是有很大的疑慮。主要的疑慮來自於下面幾項：

1. 資料與資訊：企業是否已經具有好的業務流程，並且有基礎架構將分析的結果運用於決策上。不然無法收集到所需要的資料，也無法有效運用大數據分析的結果，得到效益。
2. 由客戶服務出發的業務驅動因子：大數據分析的效益很大部分是來自於提昇對客戶的服務水準，但是有很多企業是著重於改善作業效率，如何將改善作業效率與客戶服務連接起來是採用大數據之前要思考的。
3. 如何整合獨立的資訊系統：過去導入複雜的資訊系統產生了許多獨立的資訊系統 (silos)，如CRM, SRM等。而大數據分析需要整合所有的資訊來進行分析，因此如何將這些資訊孤島連接起來將是最大的挑戰。
4. 產銷規劃 (sales & operations planning)：之前我也稍微提過產銷規劃的重要性，而作者更提到S&OP過程中需要整合許多的資訊、進行分析，作為決策的依據，因此執行S&OP的能力某種程度反應了該企業對於數據分析的能力。回應到第一點，如果沒有辦法有相關流程來運用分析結果，自然無法得到效益。

作者提到這四點挑戰，然後她歸納成三大障礙，看來很像老生常談，但是這也是為什麼許多企業過去在導入資訊技術失敗的原因。如果企業無法體認這三障礙並且想辦法克服，對於大數據運用大概也僅於趕流行而無法得到效益。這三個障礙適用於所有的資訊技術：

• 科技、技術、系統 (technology)
• 人員 (people)
• 流程 (process)

科技：

• 系統升級 (upgrade system)：為了引進大數據分析，無庸置疑的是企業需要對資訊技術進行升級，但是企業必須先就自己的需求出發，然後仔細盤點既有的資訊系統，然後找到不足的地方，導入適合的系統。

• 舊系統 (legacy system)：舊系統是最常見的障礙。過去為了解決一些業務問題會建置資訊系統，而一段時間下來就產生了許多獨立存在的系統，互相之間也沒有整合溝通。因此導入資料分析的系統時，就會因為這些根本架構的問題無法得到原本期望的效益，進而讓企業更懷疑所謂大數據的效益而更猶豫於相關投資。

• 資料的取得：供應鏈上的活動產生大量的資料，而大部分的組織並無法取得他們決策所需的資訊。作者提到：「可用的資訊」將成為重要的競爭資產。幾年前，我們也提過所謂「供應鏈可視度」，也就是即時提供所需的資訊。大部分的企業到目前為止還是有取得這些即時資訊的困難。如果將供應鏈延伸到供應鏈夥伴，則取得資訊更是困難。台灣在代工的架構下，僅僅因為下游客戶的需求，被動提供資訊，卻鮮少主要要求上游提供資訊，自然也就無法進行分析取得決策所需要的資訊。除了收集自己所產生的資料、要求供應鏈夥伴提供外，還有些資訊必須向外購買，例如市場資訊，未來購買資料應該也會慢慢被接受。

人員：

• 高階主管的認同：企業領導者無法了解分析可以為企業帶來的競爭力，所以相關IT投資被視為鉅額成本，企業領導者不願意投入。除非領導者具有願景，了解分析可以帶來的優勢，主導變革轉型，將企業帶向「分析導向企業」，否則不可能獲得成功。

• 分析人員：企業缺乏分析人才 (talent)。作者認為招募、訓練或是與學校合作都是方法，但是企業必須推動以「分析結果」為決策依據的文化，讓所有員工了解分析對於日常作業的相關性，進而主動了解、學習相關分析技術，才能真正轉化整個組織。

• 文化：組織必須認同「分析」導向的作法，整個組織員工都有此信念，支持、持續這樣的改革。而其中企業領導者必須扮演重要的領頭角色。

流程：

• 充分利用資訊系統進行業務決策：許多公司為了因應這股風潮，大筆投資於IT系統，並且雇用分析專家，但是如果缺乏業務流程來串連，終究還是會以失敗收尾。過去在導入APS的經驗裡，常常發現作業人員不願意信任IT系統，還是以自己的「經驗」來進行決策，並非將IT系統整合於業務流程中，以IT系統支援業務決策。相似的心態也會讓大數據分析的導入失敗。因為「人」與「系統」相互獨立，系統無法幫助人進行業務活動，將淪為一個可有可無的工具。

• 整合業務流程：分析的效益來自於跨不同業務功能的整體分析，在供應鏈上S&OP就是一個最典型的整合業務，它需要銷售、研發、行銷、生產、採購等跨部門的整合分析與決策。如果各業務功能部門獨立運作，以傳統接力賽型態來作業，自然就無法發揮整合分析的成效。

• 激勵 (incentive)：人類的本能都是抗拒任何的改變，所以只有設計相關的激勵方案才能讓員工願意擁抱改變。

第三章待續...

Chapter 2: Transforming Supply Chain

雖然作者還是把供應鏈分成買 (buy)、做 (make)、運 (move)以及賣 (sell)四大功能，但是她仍強調供應鏈不是一段段的流程，是一個「系統」，所以必須要以整體優化的角度來看，否則是無法得到綜效。

供應鏈策略是主導供應鏈運作的規劃 (可以參考我之前討論供應鏈策略的部份)，作者認為供應鏈策略應該跟兩個部分連結：供應鏈網絡設計 (supply chian network)以及資訊科技策略(information technology, IT)。

所謂供應鏈網絡設計是指實體供應鏈 (工廠、配銷中心...)的設計與規劃，在所有供應鏈的教科書也都會講這塊，但是可能因為台灣幅員小，這部份並不是很受重視，加上代工的型態為主，很多企業也都是以客戶為主，逐客戶而居。

供應鏈管理最主要的部份就是資訊，所以如何有效收集、分析資訊是供應鏈管理相當重要的課題 (再講一次：但是不是僅僅只是APS而已)。蘋果CEO Tim Cook在掌管Apple供應鏈時，他最早做的事情就是進行資訊整合，讓他能夠即時掌握供應鏈資訊。加上大數據後，有更多的資訊必須去收集、分析、解讀，因此如何運用IT是供應鏈管理成功的必要條件。

因為供應鏈是一個系統，所以僅專注於任何一個業務功能是無法得到成效，必須將整體系統端到端 (from sourcing to sell) 整體思考，才能得到大數據的成效。其次，過去的技術讓我們僅僅能進行有限的分析，所以才有aggregated planning的發展，但是透過大數據分析的技術，企業可以將過去分析的模型與方法drill down到SKU (stock keeping unit)、到單獨客戶 (individual customer)層級，得到更好的決策依據。而相對的，正因為是整體跨buy, make, move, sell系統的活動，其資料量非常龐大，也正好是大數據的範疇。在領先企業，如Amazon、P&G等等公司都是透過大數據應用管理整體供應鏈，才打造出領先的能力。

總結來說，只有體認供應鏈是一個「系統」，以整體概念來思考規劃大數據分析應用，才能真正得到供應鏈轉型的成效。

後話：

前幾年曾研究過系統動態 (system dynamic)這個概念，簡單的說主要概念就是因為一個系統裡因為時間的遞延，所以因果 (cause-effect)不是立即呈現，所以如果沒有辦法以一個動態系統的概念來思考，對於系統的改善是沒有效果的。例如：公司想要降低庫存，所以就去檢討庫存水位，而規劃人員、採購就會改變行為模式，專注於物料採購，一段時間後，可能慢慢把庫存降低了，但是或許造成訂單延遲交貨、斷線等結果。供應鏈裡面有名的長鞭效應 (bullwhip effect)其實也是系統動態的著名例子。

系統動態這個觀念可以用來解釋很多問題，如經濟、政治...有興趣的人可以去看看。幾年前有一本書叫「第五項修煉」，其實也是說明系統動態的概念。

讀書心得 Big Data Driven Supply Chain Management: Chapter 1 Game Changer

新的競爭已然來到，沒有辦法跟上這個潮流的企業會逐漸落後，而由市場上消失。新的競爭是來自於大數據，但並僅僅是大數據而已，而是大數據加上分析所產生的商業智慧 (intelligence)。

其實過去企業也進行不同的分析，但是過去的資料量受限於技術數量有限，但是因為移動裝置的普及、雲端服務、摩爾定律所說明的電腦運算能力成本的降低，大幅提昇資料量 (變成big data)，所以可以透過相同分析所得到的資訊更多了，所以企業可以更好的進行決策，因此能夠透過大數據分析改善決策品質的企業將比它的競爭者有更好的優勢。

其次，現在由B2B逐漸轉成B2B2C，因此直接對消費者的行銷 (shopper marketing) 會愈來愈重要，因為能夠掌握消費者的企業會有更高的優勢。這不是只是品牌公司才需要的，配銷、零售也需要知道消費者喜好 (看Amazon就知道了)，而台灣ODM/OEM這些企業也都要掌握它客戶產品的狀況，不然就會繼續在砍單、急單中循環。但是消費者的資訊何其多，自然就是要透過大數據分析的能力，才能得到其中的智慧。

台灣的企業有多少已經有所體認？我們是不是能夠扮演推動這個趨勢的力量？還是要等到大陸或其他競爭國家造成我們競爭力落後才能夠感受到威脅？

工業4.0下的供應鏈運作

前一篇稍稍談了一下工業4.0、物聯網、大數據以及供應鏈，就讓我天馬行空一下想像一下在這樣情境下供應鏈的運作會變成如何。

所有的生產線都是多工並且可以彈性調整生產作業，因此生產途程 (routing)也不需要預先定義，而物料表 (BOM)也沒有固定的幾個選擇而已。

在長期規劃時，透過市場資訊、消費者行為變化，預估需求趨勢，並且根據企業的策略目標進行產能、物料的準備。同時根據需求趨勢變化、市場供需狀況，進行定價分析，以提出一個最好的價格。對於採購成本，則是根據物料採購趨勢，預估採購價格變化，進行彈性採購來降低物料成本。

當客戶下單時，根據客戶需求立即進行分析，根據目前產能負荷、機台能力等選擇最適合的生產途程，同時也根據需求立即展出物料需求並與庫存進行確認，如果目前庫存不足以滿足數量，則選擇最符合需求的供應商向它下採購單。然後根據這些結果回覆客戶預計交期。

當進行生產時，根據目前生產狀況與進度，確認下一站工序的相關資源，選擇適合的機台安排生產；如果生產狀況發生意外，則立刻進行替代方案的分析與選擇，期望維持對於客戶的供給承諾。

未來透過物聯網即時收集資訊，以及其他來源的資訊整合 (社群、internet、是市場資訊)、大數據分析、江河運算等技術，企業的供應鏈變成一個變形蟲似的運作，隨時根據「資訊分析」變化，來適應外界所有的變化，公司應該會像Stark一樣透過一個控制中心，監控所有活動，並且透過即時分析，由電腦建議行動方案。這個未來應該不遠了，只是哪個企業會是先行者？

我認為先行者將大幅拉開競爭優勢，而且讓追隨者無法跟上，這樣的數位革命下，me2的思維與作法應該沒有辦法超越，甚至連打平都很費力。因為整體的精髓都在分析能力，而分析能力並不是一個可以複製的能力，因為所有企業的情境都不同，相同的分析模式並無法直接套用在不同企業，必須進行一些修正與調整，而這並非可以「複製」的。就像火工頭陀僅能學到外功，而內功是無法靠觀察複製而來的。

工業4.0、物聯網、大數據與供應鏈管理

天下雜誌最近提到由德國所提出的工業4.0概念，個人的解讀就是工廠運作是透過生產線的即時資料回饋立即進行調整、修正，讓整體生產效率最佳。

工業4.0需要透過物聯網的技術來實現，也就是所有的東西都要能夠互相連結：機台要回復生產參數以及生產過程的變化、檢驗機台要回復檢驗結果、輸送帶要回復運送狀況...等等，因此這些「東西」 (things) 都透過網路將資訊大量傳回來。而這些資料透過大數據分析的技術進行分析，以得到可執行的行動方案，然後再指示、修正生產線繼續生產。

在工業4.0下，人將由「操作者」逐漸變成「監督者」，監督生產線的狀況而僅僅在需要的時候介入調整，否則生產線將可以自主作業。

再者，因為產業變化、技術進步、個人化需求增加，在工業1.0, 2.0時所追求的經濟生產批量可能會逐漸變小，而慢慢的變成批量=1的生產型態。透過資料分析可能提早預估批量變化，彈性調整批量，甚至以1為單位來生產。

在這樣的作業型態下，供應鏈管理將天翻地覆，過去我們所熟悉的管理模式將不再適用。以前透過交易資料 (transaction data) 進行分析、規劃而管理的模式將被改變，工業4.0時代將以立即的資訊進行江河運算 (stream computing)，而即時透過現況立即反應。因此當一筆交易資料 (如生產工單) 收集進來時，生產線可能都已經經過數次的修正與改變了；而供應鏈規劃更不再是透過交易資料來進行批量式規劃 (batch planning) ，而是隨時隨地根據生產線變化即時調整反應，也就是由「週期性規劃」變成「即時反應」了。未來在工業4.0後，無法做到sense & respond的供應鏈將會居於劣勢了。

巨量資料與供應鏈管理

因為物聯網等科技的發展，未來幾乎所有的物件都可以將現況的資訊即時上傳到雲端，例如：運送的卡車目前的位置、倉庫庫存的即時資訊、生產機台目前的狀態與產出...所以未來整體供應鏈上的資訊將會是愈來愈即時，但是也愈來愈巨量。

因此過去以批次化進行規劃、決策的模式將不會再繼續，而且會慢慢被淘汰；我相信取而代之的將是一種適應化 (adaptive) 的模式，也就是根據巨量資料分析的結果並參考使用者預先設計的邏輯調適供應鏈運作，以達到滿足客戶需求的目的。未來使用者的主要工作將會是調整適應邏輯讓整體運作效率最高，而非像現在一樣是根據規劃結果進行判斷、決策，然後再執行。

不過困難的是，這樣的分析與適應可能需要跨企業才能發揮最大的綜效。因此水平分工的產業型態比較起垂直整合完整的大型企業來看，後者在於整體供應鏈適應調整的機制與速度可能會比前者較有優勢。前者可能因為商業競爭考量，不願意分享部分資訊，因此在分析時會因為缺乏某些資訊造成偏頗，而採取不夠周全的對應方式。

如果要能夠真正統合供應鏈上的資訊，達到以巨量資料分析打造適應化供應鏈，可能需要先將需要統合的資訊標準化，整合供應鏈的所有成員提供相對的資訊，然後將分析結果、適應的邏輯都能夠透明公開提供給這些成員查詢，並且讓所有成員能夠分享到好處。

這可能是一個烏托邦式的想法，但是相信未來應該會有企業或產業會慢慢的往這個方向前進。

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。