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。

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。

供應鏈管理的五四三 - 前言

停了很久，沒有寫了；前幾天突然想想，是不是把我學習的心得整個比較有系統的記錄下來呢？所以我想就分成幾個部分來寫吧，不然之前寫的時候有點雜亂，自己都不知所云了。

我想依下列的架構來反思與記錄我的學習吧：

1. 供應鏈策略：怎麼由產品、客戶的性質加上公司的競爭模式來思考該如何打造供應鏈
2. 產品開發與供應鏈
3. 需求規劃與管理
4. 供給與庫存
5. 採購
6. 服務與備品

產銷規劃 (S&OP) part 3

過去有些人把配銷網絡上的規劃稱為DRP (distribution requirement planning)，但我認為DRP也應該是S&OP的一部分，因為在配銷網絡上的庫存會是更重要的供給來源之一。因為這些可能都是成品(或是接近成品的kits)，所以它們必須要趕快送到終端客戶、消費者的手上，不然當消費者的需求一改變，這些就變成了沒人要的呆滯庫存了。

要管好配銷網絡，其重點是如何管好、取得網絡上的資訊。如7-11的策略是透過多次配送來降低配銷規劃的影響，因為配銷規劃的不準確所造成的短暫缺貨可以在下一次配送(幾個小時之後)補足。但是如果是幅員廣闊、配送不易的地區，這樣的策略就不一定行得通；再者油價的節節高昇也會讓他們開始思考配送的效率。因此配銷規劃的準確、即時性的需要就會逐漸提高，而無法掌握配銷網絡的資訊就沒有辦法改善配銷規劃。

一般的製造工廠、企業營運是透過製造執行系統(MES, manufacturing execution system)以及ERP (enterprise resource planning)等資訊系統來收集作業資料；許多公司非常注重在工廠端的規劃與管理，例如替代料的選用、工單排程、在製品控管、製造成本降低等議題，因此透過MES/ERP加上APS來協助管理規劃。但是在配銷網絡上，因為物品可能在移動、在儲存，裡面有倉庫的管理、運送的追蹤等等，有時候即時性的資訊並不可得或不正確，因此讓配銷規劃的難度增加。

但是配銷規劃往往是對消費者最接近的規劃，因為它關係著什麼時候消費者可以得到他想要的產品。又因為現在的消費者對產品的需求已經轉變為「new and now」，他們已經不想等待，而且其他的競爭者如果可以推出類似的產品而且更快的送到他們手上，那麼他們就可能會轉向競爭者的產品。

因此產銷規劃中，除了決定如何平衡供給與需求以達到最大的利潤外，也必須要基於配銷的考量來一起規劃，就是基於配銷網絡上，如何分配供給給所有的需求，讓每一個期間的利潤的總和能夠極大化。

產銷規劃 (S&OP) part 2

最近正在看一本書，The New Rules of Retail，裡面談到整個零售產業經歷Wave 1、Wave 2而目前正進入Wave 3；而Wave 3裡一個重要的趨勢就是對於整體價值鏈的「control」(控制)，因為要能控制，才能確定完全掌握對使用者體驗(user experience)的控制。

而書中所談到的控制並不等於「擁有」，而是「掌握」價值鏈上面所有的動態而能夠立即反應。對於供應鏈而言，這正是透過供應鏈的可視性進而透過產銷規劃來對需求進行反應。唯有能夠有整體供應鏈的可視性加上靈活的產銷協調機制才能確定對供應鏈這端的「控制」，進而達到這本書上提到消費者現在的一個期待，由過去的「new」變成「new and now」，也就是「立即擁有新的東西」。

因為消費者行為、期望的改變，而零售業必須因應來改變業務模式，相對的後端的運籌(供應鏈)也要相對的靈活調整。而對於整體供應鏈上所有大大小小行動、變化的掌握是越來越需要，因為資訊的落後就會造成決策的錯誤，進而造成企業的損失。

所謂的產銷協調、規劃(S&OP)的成功，並非只是單純的定時進行銷售(銷)與供給(產)的平衡這麼簡單，而是背後如何取得正確的資訊而在這樣的平台上進行調度。而很多時候談產銷規劃時，如何取得資訊的重要性都被忽視，而是一味的著重於規劃的機制、規劃的邏輯。

如果看一個自有品牌的公司運作，他面對的是銷售渠道(channel)或是配銷網絡(distribution network)，如果他沒辦法知道銷售點(Point of Sales, POS)的資訊時，他看到的這些配銷網絡資訊通常是被曲解過的，例如：配銷商是批量進貨，需求是斷斷續續的，或是銷售遲緩而造成配銷商滯銷，所以終端配銷網絡上其實有很多庫存，但品牌公司還不知道應該停緩供給備料而造成繼續進料、庫存增加。而對他的上游ODM/OEM而言，他如果沒辦法掌握生產狀況，也不知道未來的供給會如何增加庫存，或是也沒辦法進行自己後續營業的預估。

在今日消費者有太多的選擇的情形下(Wave 3的特性之一)，零售、品牌公司莫不希望即時反應消費者的需求與期待，如果對於價值鏈(或供應鏈)的掌握不夠，像恐龍一樣反應遲鈍(這裡我有個疑問：為什麼恐龍就是反應遲鈍？) 沒有辦法即時根據消費者的需求進行反應，那這個公司很快的就會被淘汰。

因此我認為供應鏈管理將是一個企業極關重要的課題(當然不只是因為我是搞這個的)，而其中如何有透通的資訊來管理產、銷平衡更是一個關鍵。

產銷規劃 (S&OP) part 1

我認為供應鏈規劃裡面一個最重要的課題就是產銷規劃 (S&OP)；它是整個供應鏈執行的核心機制（請注意，是供應鏈規劃，不是供應鏈管理）。看一個公司進行產銷規劃時所參與的層級，就可以知道這個公司運作的好不好。

幾個星期聽到一段分享，他提到當初Steve Jobs剛回到到Apple時，他自己會參加產銷規劃會議，參加產銷的決策。我想現在的Tim Cook是供應鏈管理的專家，應該也不會改變。

為什麼產銷規劃如此重要？如果我們想像天平的兩端是需求與供給，而天平絕少有機會平衡的；而產銷規劃就是那股維持天平平衡的力量，可能去拿掉一些需求或是增加一些供給，最終就是要讓天平能夠平衡。如果天平傾斜了，那就會有很多的問題會發生。

但是產銷規劃做的好的公司有多少？我的經驗裡，每個公司都有很大的進步空間。為什麼？我認為有幾個因素：

第一：部門之間的個人主義

作為生產部門，主要的績效指標就是要有最大的生產效率，讓生產成本最小，最好都不要換線、做簡單良率高的產品。但是對於銷售部門而言，他的績效來自於營業額，他要價錢高的、客戶大的，而這跟生產部門的目標或許是有衝突的。

而在各部門有衝突的情形下，其實產銷規劃就應該是一個平台讓不同單位在這個平台上進行溝通、討論而得到共識。我這裡提的平台並不一定是系統平台而是一個讓所有單位一起參與討論的機制。

但是很多的產銷規劃會議都是看到規劃單位主導，與銷售部門進行協商，而財務、採購、研發、行銷等部門卻極少參加。但是他們也都跟產銷最後的決定相關，卻沒有機會表達意見、參與討論。

第二：資訊的透明與正確性

在供給不足的時候，每一個銷售人員會「搶」供給，但是如果他的「單」比較小，那他可能會被犧牲掉，搶不到貨。所以？他就會把預測放大來搶供給。因此資訊就不是正確的，進而造成決策的偏差。

就算有了資訊，這些資訊是「靜態」的，而產銷規劃很多的資訊必須是「動態」的。何謂動態？其實就是「模擬」、「what-if」。因為供應鏈是一個系統，動了一個部分就一定造成某的部份的影響。所以在進行產銷規劃時，需要很多動態的分析、模擬；在供給小於需求時，把供給分配給某個需求時，一定有其他需求受影響（數量或時間）。如果沒有看到動態資訊，怎麼可能做完善決定？

第三：對產銷規劃機制的認知

台灣可能是以OEM/ODM為主的產業型態，企業主的思維都是以「搶單」為主，先搶到手在說，所以產銷規劃就變成處理這些訂單交貨問題的機制。產銷機制對於中、長期的重要性並不是很明顯。很多的產銷協調會議中，變成是銷售單位想辦法強調其訂單的重要性，而可以變成生產排程的優先者的一個場合。本來產銷協調的機制是透過產、銷雙方對於中、長期的供需狀況進行討論，以穩定供應鏈提昇生產效率、滿足需求為主的；但是在太多的插單、急單的狀況下，造成了「計畫趕不上變化、變化不及老闆的一句話」這樣的情形。

曾經聽過Samsung的銷售人員如果是要要求急單或插單時，他是會被檢討為什麼與當初的產銷規劃有差異的。而在台灣的OEM/ODM型態下，接單為大，誰會去檢討這些接單回來的銷售人員，何況接單的可能就是大老闆啊！

對供應鏈管理的看法（五）

其實導入APS並不但單純導入系統（這是老話，但也像是空話），前面也聊過供應鏈的問題是盤根錯節的，通常看到、感到的問題都只是表徵或是冰山一角。所以藥方也應該是全面性的，才有成效。

前年在一個導入專案時，就看到整個規劃流程因為產品主檔資料、銷售部門的行為以及績效衡量權責不清等等的影響，造成供應鏈運作無效率而且造成庫存很高（他們一開始提到的表徵），且讓我慢慢道來。

電子零件生產、測試後，可能因為品質的等級而分成不同的級別；而不同的客戶可以接受的級別就不同。龜毛的客戶只接受最佳等級的，不龜毛的就什麼都可以。加上產品改版又產生不同版次的產品，客戶也不是什麼版次都接受。簡單的說，要能夠出貨，必須考慮「版別」與「品質等級」兩項因素，如果有3個版別、4個品級，那就是有12種成品的規格。

所以銷售部門就掌握了「配貨」的生殺大權。他們的運作流程是由銷售部門對生管部門提出需求，然後由生管部門進行規劃、交由製造單位進行生產，然後交給銷售部門「配貨」出貨。

對銷售部門而言，他的目標是提高訂單的及時交貨率，所以就會將他們打算出貨的數量整理好，交給生管規劃排產。

而生管的績效指標是：1)產能利用率 2)銷售需求滿足率 3)庫存量。所以生管就將銷售部門所提的需求直接進行排產。假設每生產10個成品大約可以有6個是A級品、3個B級品、1個C級品；但是銷售部門就只給一個數字：100個。對生管部門而言，他就想辦法備100個的料、做出100個成品就好。這樣他的產能利用率達到了、也滿足了銷售需求、而料也只買了100套，沒有多餘庫存。

等到銷售部門要「配貨」時，卻發現只有60個A級品，出不了100個的那張訂單。然後就是急單、趕快備料、趕工...一堆急事。更甚者，那些B級、C級品如果沒有客戶要，那就慢慢的變成呆滯庫存，最後就只能當呆帳打掉。以上還沒講到「版別」，如果加上版別，你可以猜到整個庫存的數量會變得如何的恐怖。

這樣的問題是APS就可以解決的問題？當然不是，自產品開發就開始有問題了：

問：為什麼要換版別？

答：因為BOM表裡面的零件換了

問：為什麼換零件？

答：因為供應商不同，所以同樣的零件料號不同；所以料表就不同了

問：幹嘛供應商不同就要編不同料號？

答：因為公司規定

問：.........

銷售呢？

問：為什麼要配貨？

答：因為客戶能接受的版別、品級不同

問：都只能接受最高品級、最新版別嗎？

答：不一定啊，看客戶

問：那為什麼不先去扣掉現有庫存再把淨需求給生管規劃？

答：庫存是生管單位的責任，他自己要算

問：........

可以看到這些問題都不是APS就能夠解的，而是公司政策、作業流程、衡量指標等等面向相關的，如果單純的以為APS就能全解，那麼一定是太傻、太天真了。

但是一般APS的導入不會先就業務流程面分析、建議改善，而是會直接進入系統功能需求的討論，想辦法把功能做出來。但是可能被其他面向的問題搞到根本無法上線，讓導入團隊與客戶都陷入泥沼之中。

甚至遇到比較「驕傲」的公司，他們會認為自己的流程作法是best practice，根本不需要改，而是要由系統來fit他們。而這些APS都是基於某種預設流程架構所開發出來的，不一定能夠支援這些奇奇怪怪的作業模式，因此最後還是落得失敗收場。

所以真正要做完整、正確的系統導入，還是需要先由使用者提出現有困境、問題為何？如何來衡量這方面的績效？然後透過作業分析，找出所有相關的原因進行改善，這些原因有的甚至是系統導入的前置作業以及必要條件，如果沒有完成，系統也就無法導入運行。在這樣的過程裡，進行前期的工作時必須也要了解未來如何透過系統來輔助進行；而後來的系統建置人員也要了解系統所將扮演的角色與提供的功能。

講起來簡單，但是往往因為時間的壓縮、預算的限制，都是直接進入系統建置，只想求「自動化」，而並不是透過系統「優化」作業。結果反而是專案無法上線、系統效果不佳，更是讓人失望。

站在「解決問題」這個角度看，如果真的要解問題，是沒有辦法偷懶的，省去任何一個步驟都不是做好的。

除了導入的方式以外，執行的「人」更是關鍵所在。

第一，顧問終究是顧問，他們不是真正operate business的人，對於作業面的細節並不會完全瞭解；甚至對於產業的瞭解也不會如使用者們這麼深入。我認為，顧問的價值是將使用者的需求、看法結構化，並透過整合提供一個完整的picture。因為使用者在日常生活作業上都是以功能silo為運作中心，例如前面的例子，銷售人員才不管生管規劃的困難，生管也去了解銷售人員如何配貨。而對於一個好的顧問而言，他必須要能了解整個所有的流程，每一個單位的想法、看法，才有機會設計出好的流程與系統。

第二，不要過於相信「方法論」。業務諮詢顧問公司會將一些工作方法整理為所謂的「方法論」，而認為業務諮詢可以按照這樣的方法論來按表操課。方法論就像是一個指南針，它給你一個方向，但是應該是要了解它的精神，活用它。因為每一個客戶、每一個產業、每一個部門都有其特殊性，是不可能期望一套功夫闖江湖的。通常方法論是講述做好一件事情一個一個的步驟，但是進行步驟一時能不能作一些步驟二、三的工作？到步驟三的時候，是不是會需要回去重複步驟一的工作？這都是有可能的。

第三，跳出框框。業務顧問通常就是談談流程、設計未來該怎麼做，而package顧問整天擔心的是功能能不能符合需求，而常常造成兩造的對立(如果兩部分是分開，由兩個團隊來執行，更是衝突一堆)。我看過三個案例，所謂業務流程改善與系統導入是分開，由不同團隊導入的，其結果都是不如預期的。因為業務顧問就是只看他們所談論的流程，並不去考慮系統如何支援、落實。而系統顧問只看功能能不能做到業務需求，而沒有去challenge流程的合理性。當然，在這三個案例裡，因為業務流程已經被設定，系統商只能概括承受沒有機會去挑戰其合理性。不過我想談的是，這就是業務、系統分開的弊端；如果使用者沒有瞭解兩個之間的關係，而還是分開進行，這樣的問題還會一直下去。