集成供应链管理｜算法还是人性

我在《从鞋服供应链流程，看人工智能在企业应用中的组织变革》《很难做系列 ｜ 供应链计划系统在中国更难做》文等中写过，我认为供应链计划（SCP）系统可能是实施成功率最低的企业信息系统品类之一；然而，它又始终是大型企业数字化转型的刚需，不断有企业尝试上这种昂贵、复杂的数据分析和决策支持系统。

为什么很多企业斥巨资引进了最先进的SCP（供应链计划）系统，用了最牛的算法，最后从系统里跑出来的计划，还是被业务人员束之高阁，业务处理依然靠拍脑袋和各种临时救火？

有人说是因为数据不准，有人说是因为算法不精。作为二十多年来一直致力于企业运营管理的咨询顾问，我认为供应链管理是两个流派的博弈：科学派与机制派。

一、科学派

科学派的信徒们认为：供应链本质上是一个数学问题。

这一派的基石是一系列数字化、数据和算法手段：建立供应链物理世界的抽象模型（无论是SCP软件常用的供应链网络模型，下图这样的，还是所谓的Palantir“本体”）、用IoT和大数据来实时感知，用统计学、运筹学和AI等来预测、优化。

最近这些年随着信息技术发展，供应链计划技术的最新趋势是，从过去的根据历史数据预测未来，发展到捕捉、感知供应链事件的信号，并做出行动决策。因此。供应链计划软件行业也在不断整合，内存计算、深度学习等技术已经成为新一代供应链计划软件（例如OMP、O9、BlueYonder、Kinaxis、Relex等）的标配。

这派坚信建立一个“数字孪生”的供应链体系，就能够：

感知并反应（sense & response）： 每一个物品在什么位置，每一台机器的产能，每一个市场波动，都在内存计算中实时更新，指导实时的业务行动，例如库存补货、生产指令、采购指令等。

消除不确定性： 通过复杂的业务抽象模型，利用随机过程、深度学习来预测趋势，寻找成本最低、时效最快的“最优解”。

在科学派眼中，“预测不准”是因为数据不够多、算法不够精。 只要算力足够强，供应链就能像瑞士钟表一样精密运转。

二、机制派

如果说科学派信奉硬核技术，在机制派的眼中，供应链不是数据的组合，而是人性的链接。参见 大型企业的供应链运营卓越，应该取消不合理的绩效管理

举个我自己过去咨询过的某大型制造企业的例子：

某制造业在全国范围内有多家工厂，具备类似的生产条件，商业模式是产销分离模式，公司运营上经常出现一方面销售抱怨订单缺交，另一方面一些工厂却开工不足，尽管公司总部成立了供应链计划协调部门，引进了IBP软件，但是仍没法解决产销矛盾。

我经过对该企业的研究发现，真正问题是各家工厂由于投产时间有先后的原因，制造工艺和设备折旧成本有差别，导致同一产品在各个工厂的成本不一样，销售部门因为是利润中心，就不愿意把订单交给制造成本高的工厂去做，造成各家工厂忙的忙死，闲的闲死，而总经理又希望能够平衡利用好各家工厂。

我给他们的建议是把各家工厂统一成一个制造中心，制造中心集中分配制造需求，跟销售体系实现单一的供需接口。通过改变利益机制、组织和流程，不需要复杂的信息系统，就很好地解决了问题。

这一流派认为供应链本质上是一个价值网络。在这个网络里，经销商、销售部、生产部、供应商、外包制造商等等，每个主体都有自己的“小算盘”，为了保护自己的利益，刻意制造不透明，或者操纵信息：

销售部为了完成销售任务可能会虚报预测或者盲目渠道压货，制造部门只愿意做大批量、需求平稳的生产，计划部门为了避免风险，总是要层层留缓冲，而供应商怕你压价，永远不会告诉你他真实的产能底牌。

机制派的工具箱里装的是博弈论、契约理论和行为经济学，而非基于透明数据的算法。如果交易机制没设计好，利益不一致，那么算法给出的最优解，在执行层面只会遇到各种各样的软抵抗。

三、现实的解法

在现实中，供应链管理最终应该是面向企业的价值创造，即业务绩效导向。

如果只有科学：基于算法的计划再完美，也是“垃圾进，垃圾出”，因为底层数据可能被利益相关方污染了。

如果只有机制：大家虽然愿意协同，但缺乏八千英尺高空的俯视和先进的算法，最终只能在低效的水平上达成平衡。

优秀的供应链管理体系，一定是这两个流派的深度合流。

用科学手段为机制“取证”： 物联网、大数据、人工智能是重要技术手段，是供应链持续迭代优化的镜子。

用机制设计为科学“导航”： 在设定算法目标和设计供应链网络模型的节点、关系时，要考虑各方的激励相容。让每一个节点在追求自己利益最大化的同时，能达成全局最优。

S&OP（销售与运营计划）之所以是供应链的圣殿，就在于它不仅需要算法的科学，更需要能让CEO、销售、生产拉通利益目标的协商、承诺机制。

从我个人对供应链管理咨询课题的解题方案，非常倾向于一定要问题导向，用业绩目标、驱动抓手、衡量指标、数据分析的这个四步法，来设计供应链问题导向的机制优化，同时利用数字化手段来落地。