供應鏈策略？

幾年前因為更換部門而跟某同事對接下來的工作計畫有些討論，當時我對於接下來的工作還是以「解決客戶供應鏈作業問題」為最主要的出發點；而同事對我這樣想法的評價是：應該要更「策略面」而不要都局限於作業面。

從那個時候開始，對於所謂「供應鏈策略」我就一直對這個問題存在疑問，「什麼是一個公司供應鏈策略呢？」而上次聽老師在課堂上談到，張忠謀說過：「No Strategy, execution is aimless; No execution, strategy is useless」，這似乎給了我一點方向。

供應鏈的設計是很長期性的，例如建立各地區的倉庫、配銷系統；建立整體供應鏈運作的業務流程...等等都是長期性的，而這些應該都是要根據公司業務策略而引導出供應鏈策略，然後再來建立執行的。但是因為供應鏈的建立需要很長期的時間，除非是企業業務策略有大幅度調整，否則企業不太可能隨時重新訂定供應鏈策略，反而是在供應鏈策略的大方向下，對於作業面做調整。

在台灣接觸到高科技產業的公司，主要的業務策略大致就是「控制成本、維持品質、強化交期」等，因為大多是以代工為主的電子業，所以其供應鏈策略也大多數在於製造效率與彈性上，所以我們會遇到的客戶問題也大多在作業面上，如：庫存控制、規劃流程...等。這樣的業務型態下，其實所謂供應鏈策略就只有配合業務策略推動「精實供應鏈」這樣的策略。就算是長期的投資，也多在產能擴充上的規劃；所以我覺得，我還是只能繼續作業面吧....

供應鏈管理的新玩意兒？

有位老朋友每過一段時間就會來問我，最近供應鏈管理有沒有什麼新玩意兒? 對於這個問題，寫一下我的看法。

首先，他的問題並不是「供應鏈管理」而是「先進規劃系統」(advanced planning system, APS)，這兩件事情是不一樣的。

前者是全面性的管理問題，包含策略面規劃、戰術面的規範以及作業面的細節與流程，並且是由產品規劃、研發、銷售、採購、製造、配送、服務到產品結束，牽扯到客戶、供應商、配銷商等等。後者則只是是生產規劃上的一個資訊工具。

那有什麼新玩意兒? 個人覺得，並沒有。供應鏈管理這個思維被提出來後，原理原則其實就這樣了，只是每個公司根據產品、競爭策略去細化裡面的作法以確定其供應鏈能夠支持、實現產品、競爭的想法。舉例，PCHome 24小時到貨是它的競爭策略，然後它怎麼找廠家、物流怎麼配合，就是供應鏈管理的議題；相對的，東森電視購物，就可能有不同的物流作法。就是這樣而已。或許搞搞無人機送貨是新東西，但個人覺得那只是遞送方式的另一個選擇，並不算新東西。

再者，APS呢？還不就是啟發式(heuristics)與優化 (optimization) 兩大門派? 頂多是新的資訊科技提供更快的效能。大數據呢？ 那也只是增加資料的範疇與數量，並沒有改變其中規劃的方式與模型。

所以，我認為與其追求供應鏈管理的「新玩意兒」，還不如去把裡面的細節「做到位」，這才是對於企業本身有幫助的事情。真的叫我講「新玩意兒」，那我會賭「人工智能」吧，不過這能夠幹嘛，我也還沒想通。

2016年 供應鏈趨勢

在網路上看到的文章：2016 Supply Chain Trends (2016年供應鏈趨勢)，作者列出了12大趨勢，可以參考看看。

2016年供應鏈趨勢 #1-#7

# Supply Chains will look to go Digital (數位化供應鏈)
# Responding to Innovation & Change but with an Eye on Fundamentals (著眼於基本面回應創新)
#Augmented Reality a.k.a. AR (虛擬實境)
#Artificial Intelligence on Steroids (人工智慧的大幅增長)
#Agile = The New Lean (敏捷為新的精實)
#Procurement's New (read Bigger) role in the Supply Chain (採購在供應鏈上扮演更大的角色)
#Collaboration continues to take center stage for efficient supply chain management (協同作業是供應鏈管理的重中之重)

2016年供應鏈趨勢 #8-#12

# A bigger focus on supply chain risk management, especially resiliency (更高的關注於供應鏈風險管理，尤其是彈性)
# Making the supply chain circular vs. linear (循環式的供應鏈而非直線型)
# Cloud computing continues to increase in use (更多雲端計算)
# Wearables are the new hot trend on the supply chain block (穿戴式裝置成為供應鏈的一環)
# A continued, renewed (or new) focus on data analysis for continual improvement & better supply chain visibility (在資料分析上持續更多或新的關注來改善供應鏈可視度)

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。

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。

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。

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。

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。