百世物流：供应链优化背后的科学与逻辑

演讲人简介

百世物流供应链优化总监 苏冠

苏冠先生在端到端供应链优化、数字化供应链系统架构与实施领域拥有超10年的丰富经验，他曾为 TOLL Logistics、Vodafone、国药控股、Bayer、Coca-Cola、无限极等行业领先企业提供管理咨询服务。他领导的 WMS / TMS / Control Tower、网络优化、多级库存优化等项目帮助客户供应链取得战略竞争优势。苏冠于2017年加入百世物流，负责为集团战略客户提供从方案到运营落地的端到端咨询服务。

本篇内容最先由苏冠先生于8月9日在上海LLamaCon供应链优化与设计大会上发表，苏总以“供应链优化背后的科学与逻辑”为主题，围绕网络优化、预测与库存两个话题与来宾分享了四个精彩案例，以下为我们摘录的演讲内容。

图01. 演讲内容梗概

案例一

感谢LLamasoft的邀请，今天在这里我也见到了很多新老朋友。我分享的第一个案例是一家大型医药分销企业，当时这家企业并购了大量的分销商，通过这种方式迅速做大了中国区的市场，然后上了市。上市以后增长非常快，每年20%-30%的速度，不过他们的物流发现了一个问题，随着物流量的上升，单位的物流成本并没有下降，这是出乎他们意料的。我们做供应链的都知道，供应链无非就是规模效应，货量上升后势必会拿到更低的供应商价格。那为什么会出现这种情况呢？

他们找出了两个原因，可以看下片子右边的部分（图02）。第一个原因是大量的并购，并购后并没有完全把被并购方的供应链整合进整体公司，我记得是60%的采购量仍然是地采，意味着被并购的公司仍然维持着它之前的采购模式，供应商用非常小的单量，直接向这些地方公司进行供货。大家也知道，单量小价格就肯定不会好，物流成本会比较高。

图02. 激进的并购策略带来的物流挑战

另外一个原因是，虽然上市之后集团投入非常大，在北京、上海、成都、广州、武汉都设立了RDC，但是由于种种原因，80%的集团集采的货量都集中在了上海和北京发货。直观来看，就是80%的集团集采物资都是由自己的药厂，不管药厂自己的分布在哪儿，直接发到北京和上海，再由北京、上海发全国，对于零担运输来说距离非常长。他们的供应链副总给我看了这样一张图（图03），是他们自己内部未来五年的规划，他说我们公司希望在未来五年建立全中国最大的医药分销网络。这个网络由两级的仓储构成：RDC和FDC，未来整个集团80%的货量，都通过集团集采、统采。所有上游的药厂也好，医疗器械的供应商也好，或者其它的医药代理商、经销商也好，都会将他们的货发至相应的RDC，再由RDC发至各个省内的分仓，然后由分仓对客户的终端进行服务。

图03. 未来的解决策略

他说这样的模式未来势必能提升供应链的效率，但他不知道的是效率到底能提升多少？这些RDC又应该布在哪儿？覆盖的范围怎么样？每一个RDC吞吐量怎样？规模如何？恰好这时候一家很大的医药行业基金公司给了他们十个亿的投资，他们的CFO也亟需这样一个财务分析，帮他在三个月内决定未来这笔钱应该花在哪儿，应该在哪儿设立一个更大的RDC。我们帮他做了两件事，第一件是帮他建立了基线。建立基线的过程如何呢？我们没有先找物流部门，我们先去财务部门拿到了每一条线路、每个运单的物流成本信息，费率信息和货量信息，再和物流部门核对相应的物流信息是否准确，以及每个现在的仓储节点的库存信息。我们用基线模型模拟他过去一年时间中每天实际发生的仓储作业成本、物流运输成本，最后将这个模型输出的成本和财务、CFO那边拿到的数字进行比对，确保这两个数字是一模一样的。之后我们告诉模型：我想未来同样满足这1400亿的销售额，但我整体的物流路径都得改。不再是供应商直发各个FDC，要求80%的货量要发往RDC，从RDC转发到FDC，然后再到终端的客户。经过这样的模式改变后，我们花了两到三天的时间，就模拟出了未来不同的场景，我们当时得出的结论是基本上未来的场景和现状相比，有20%的整体成本节约。

图04. 网络优化节省了20%的成本

这里节约的主要来源是大幅度减少了零单长距离运输成本。当然因为设立了RDC，会增加固定资产的投入以及相应的库存，还有增加的搬运成本。但正是因为有这样的一个tradeoff，所以像LLamasoft这样的软件可以在非常短的时间内给予我们的董事会、CEO非常详细可靠的财务分析，帮助我们的董事会在更短时间内做出更快的决策。因为这个项目是12年，我记得12年我们给他前前后后做了三个月，做完后到现在，去年他们的财报是2700亿，基本就和当时做项目的预测一模一样，2700亿的时候他们整体的物流成本target，是想要比当时12年的target下降15%，目前是下降了18%，这些数据我们也可以线下进行交流。

案例二

下一个案例也和网络规划相关，这是一家做防水涂料的民营化工企业。之前发展得特别快，每年都是20%-30%的复合增长率，直到前年的时候，他们发现增长在变缓，原因在于他们之前服务的客户都是大型的基建、大型的公寓开发商，他们供应链服务的对象是直接将货发到工程的现场。可以看到这样的供应链其实对时效的要求不高，但是为了企业更好的发展，董事长说我未来想服务的是民用装修市场。民用装修市场的特点是一定要走经销商的模式，要借助经销商帮他把货卖给像我们在座的各位，我们做家装可能就需要防水的涂料。

他要通过这样的模式来保证他未来业务的增长，但是这个模式对他现有的供应链提出了非常大的挑战，两个方面：第一个方面，我要服务于我的经销商，而经销商每次的订货量会远远小于一个大开发商的订货量。此外，经销商的订货频次会更高，一周可能要一到两次。然后经销商还会要求更好的服务时效，全国四十八小时送达，虽然不是所有的货量，但他们的要求是80%。那时候他们的物流总监说，我老板让我把这个服务时效给搞定了，但成本还不能上升太多，因为化工行业薄利。我就说那你把相应的物流数据给我看一下，把一年的运单拿过来，这就形成了这张图（图05），我们看到的红色点是它全国的工厂布局，绿色点是在全国各个城市的销量，点越大代表销量越高。我当时拿到这张图就觉得很奇怪，其实化工行业大家都清楚，基本是就近生产，就近服务，我就说你布了11个点，为什么还达不到48小时的时效啊？我觉得太奇怪了。

图05. 重新分配产能以提升供应链服务水平后来我们拿到他每条运单运输距离的数据，就是左边的这张饼图（图05），大家可以看到，31%的货量的配送距离超过了500公里，这就和我过往职业生涯的经验相左。原因其实很简单，后来我要了他们产能分布的数据，我们看左边这张柱状图（图06），JIST是他们的一条产线，这是在各个工厂的产能utilization的分布，可以看到是忙的忙死，闲的闲死，产能分布明显不均匀。最后导致的结果就是右边这张图（图06），可以看到更本没有任何规律可言，经常北京的工厂会发新疆、发整个西北，上海也是发全国。后来算下来，11个工厂基本上每个都要发全国，很奇怪对不对？

图06. 产能分布不合理带来了高昂的物流成本

但后来我发现这并非不可理解，因为企业之前的发展很快，投产的时候上游供应商的资源还没跟上，他就觉得我的供应商大多都在北京和上海两个地域，那我就把北京上海华东这些产线多利用一些，最后就导致了这样的结果。

我们为他做了几件事，第一件是告诉LLamasoft要考虑每个SKU，每一条生产线在每一个城市的产能约束，同时改变它的物流模式，不再是工厂直发。工厂都会发到工厂仓，每个工厂仓变成了一个RDC。假设未来当地的工厂不能再满足未来的库存需求或需求的波动，那我们会从就近的工厂提前进行prebuild，再通过干线运输放到相应的工厂仓，最后由RDC来覆盖周边相应的城市。

通过模式的更改和模型的计算，最后得出的结果是之前的成本是219元/吨，这代表的是从工厂端到最后的经销商的门店，优化后变成了196元/吨，同时整体的服务水平达到了要求，也就是80%。

图07. 实现15%的成本节约

之后我们还进一步给它做了优化，因为我们发现每一条产线都是有通用性的，不仅可以生产A产品，也可以生产B、C这种大类型一样的产品。我说你给我放宽一点产能的约束，然后就是因为放宽了这个约束，我们发现整体的物流成本可以继续下探到170元/吨，所以基本上是20%的成本下降，而且同时也达到了企业的战略需求。

根据刚才的两个案例，可以发现网络优化的工具往往和企业的战略需求相关，这个战略需求有时是为我们解决M&A带来的供应链整合的一些弊端，又或者是为了拓展新的市场渠道，提升服务时效，如何通过更低的成本和更好的供应链布局来应对新的市场挑战。

刚才说的是通过网络优化设计整个供应链的骨架，接下来就是我们每天要应对的工作了。我要对每个SKU未来一个月、未来一周的销量作相应的预测，然后根据预测结果来做相应的库存部署。所以下面的两个例子都和库存以及预测相关。

案例三

和人相比，算法在预测方面占据了绝对的优势。优势体现在哪两个方面呢？可以看这张图。一般一位很有经验的Demand Planner，有十多年的工作经验，当他要做产品预测的时候，他会用Excel拿过去一年的数据，我们看左边这张图（图08），上面有Trend、Seasonality、产品的生命周期，可能还外加一些随机的因素。

图08. 与人相比算法在预测方面更占优势

因为他有15年的经验，所以可能基于数据和他的一些直觉，可以把这块预测做得比较好。但是目前我们都要面对的是电商市场频繁的促销，如果要考虑促销对未来需求波动的影响，从人的经验上已经不能帮他做这个事情了。但正好是图的右边（图08）有个叫“Casuals”的技术术语，它就特别善于找出过往不同的促销事件和未来一周到两周对这个SKU未来销量之间的影响correlation。我两年前加入了百世，加入后花一年时间就做了一件事，我们为百世自己的新零售部门搭建了一套智能预测和补货的系统。稍微介绍一下背景，我们是一个在线的B2B平台，和阿里的零售通，京东的新通路基本上就是位列前三的平台。在全国覆盖五十多个城市，两级RDC的网络，每年的收入在35亿到40亿之间。它的模式就是上游连接一线的快消品品牌商，下游将我的货卖给夫妻老婆店或者说区域型的小型连锁便利店。

图09. 某零售企业概况

我在前年九月份入职，十月份的时候拿到了过去三年的销售记录以及所有的促销记录，我们做的就是把这个模型建起来，然后我做了一件事。我们公司内部有一个叫做供管，其实就是Inventory Planner的角色。我让他与模型比赛，看谁对下一周的SKU预测做得更准。最后我们做了7300个SKU，进行了三个月的跟踪。这里是红牛的一个例子，就是红色的折线，能看到由人来做预测时常常产生的矛盾是他相比灰色折线，也就是实际的需求，有一个滞后效应。

图10. 预测结果对比

其实很简单，假设我卖红牛，在上周做了一些促销，导致上周的销售额特别好，那下周作为一个管理人员，Inventory PLanner到底该补多少货呢？因为我下周也要做这个促销了，那我是否要备点以免缺货。这是多数情况下人会做的决定，但是通过机器学习我们会发现，如果在那样的时间节点，那样的天气条件下，同时你要做之前做过的促销，如果紧接着再做一个促销，至少从百世自己的数据来看，那很可能其实下周的demand已经被透支了。正因如此，我们经常在旺季促销的时候多订货，最后通过降价促销的方式来出售，从而极大地影响到我们的利润率。蓝色的线是我们算法计算出来的，越往后它学习的东西越多，和灰色线段的拟合程度也越高，最后7300多个SKU，算法完全自动化，没有任何人工的干预，算出来了这样一个准确率，大概在80%-90%之间，之前的人，如果预测一个SKU到下一周的话，准确率在60%，也有好的到85%之间，非常的不确定。

预测做好了以后，因为我们大都是单级的库存，我们发现把这个系统在浙江省最先落地之后，可以看到左边这张图（图11），红色的是用系统之前的整体库存的情况，蓝色的是用系统之后，20%的库存节约。这是我们实际运营的数据，我们用了三个月测试这个系统，目前这套系统在全国都已经开始铺开了。

图11. 同时达成库存和服务水平目标

库存下降的同时，我们看右边（图11），也是一个实际数据的记录，底端的红色折线是一个矿泉水的每日实际销售波动，绿色折线是前一天相应库存的结余，大部分情况下库存结余都是能够cover住相应的销售波动的，但在落地系统之前，与之并行的库存情况大概是灰色的阴影面积。所以用了一年的时间，我们证明了算法虽然听起来比较虚无缥缈，但确确实实在预测方面比人做得好。

后来我把这个案例讲给我的一位客户听，他是一家大型保健食品制造商，他说你现在做的只是单级库存的问题，我们更希望解决的是多级库存。我这位客户是中国区的供应链总监，他担心的不只是产品在某个RDC的库存，他更关心的是从供应商到工厂，再到下游的RDC，甚至FDC，每一个地方，到底应该放多少库存，终端的服务水平和整体这一条链路的库存之间的关系又到底是怎样的。这个问题怎么解决呢？

图12. 端到端库存优化如何实现比较幸运的是LLamasoft在这方面的算法特别得成熟，我们把这个工具叫做多阶库存优化，它帮我们解决了问题。当我们输入对终端服务水平的要求，也就是缺货率的要求后，它会自动根据需求波动帮我们确定每个供应链节点相应的库存水位，而且保证各个水位都相应合理，肯定比人工做得好。

案例四

我们看下一个案例，这是我刚入职的时候，一家北美的咨询公司在给德州仪器因为年代比较久远可以直接说名字了，他们那时候遇到了很大的库存问题。电子行业有一个特性，元器件特别特别贵，而且他们又是主板和CPU的高级集成商，他要做一个主板的话，整个上游供应链可能有七到八级不同的供应商，每一级供应商都可能有库存的成本。同时因为产品的生命周期短，如果今年因为技术上的换代，旧产品卖不出去，到明年就会巨亏。这时候他们找到了之前说的那家咨询公司，问有没有什么先进的技术可以帮我探讨这个问题。

图13. 企业现状梗概

我们先看一下这边的图例讲解（图14），每个方框代表一家工厂或者说一条产线，图例的右边会有红色的柱状图，红色越多代表这个节点的库存越多。我们看到的是假设我们要生产一块电脑主板，可以看到整个工序特别复杂，绿色的这些方框都是在美国本土的一些工厂和产线，黄色的方框是国外的，有澳洲的、新西兰的，有整个亚太地区一些小国的产线。

图14. AS-IS库存策略他们之前做的所谓库存计划，是把更多的安全库存备在一级供应商那边，我觉得从直觉上也是非常好理解的，作为一个整体供应链的主管，我当然希望我的一级供应商都备有足够的库存，来帮我的工厂应对未来的需求波动，但这个是不是合理呢？其实供应链主管自己也知道这是拍脑袋决定的库存策略，可能存在问题，他就想是否能通过模型，来帮助自己模拟不同的场景。而且这些场景之间都是联动的，像这样一个复杂的供应商制造网络，任意改变网络中某个节点的库存，任何其它节点的库存都会随之变动，所以因为网络非常复杂，我就不可能再让我的小朋友的团队，让他们帮我模拟一下不同的场景，然后我从当中选一个优秀的来做实施计划，因为这肯定是要从上百万种场景中找出最优的。

这时候我们就通过多级库存的算法来帮助他们进行测算，最后整个系统建议的策略是什么呢？相信大家在学校的时候都学过惠普的postponement战略，打印机的postponement战略，尽量地推迟成品生产的时机。当然，这只是一个定性的战略，如何量化就要靠我们的多阶库存。我们可以再看这张图里面（图15），和上面相比，一级供应商的库存已经大大减少了，我会放更多的库存在海外仓里，因为长途的跨国跨洋运输有非常大的不确定性，同时生产周期较长的一些工厂也会备相应的库存。

图15. 优化的库存策略：postponement战略

做这样的一个简单改变，整体的供应链库存、生产库存往下降了60%，而且这只是一个SKU，我看是降了60000美金吧，他们整个主板内的SKU有好几百个。

其实网络规划现在在国内已经非常普及了，但是真正从一个供应链副总的角度来说的话，多阶库存的优化国内还很少有企业做这么深入的探讨，而且目前来看整个市场未来两三年每家企业面对的挑战都比较大，如何从库存的角度释放更多现金流，这是我们每个供应链副总都要考虑的问题。所以我希望如果明年大家继续参会的话，我希望能有在座的企业来上台分享多阶库存的案例，当然也是由我们的LLama来协助这个案例的落地。

总结

其实我刚才讲的四个案例背后是有逻辑的，当我们要设计任何一条供应链或者要解决CEO提出的供应链要求时，就需要分解他的需求。背后的逻辑就是，任何一条供应链都是为了支持企业未来的战略目标，比如我刚才提到的化工行业做防水涂料的公司，他的目标就是要进入一个新的销售渠道，一块新的市场。那他的战略目标就得分解为对供应链的时效和成本的新要求，再通过网络规划的工具，帮他设计出供应链的骨架，以及整个产能的分布。

为什么说网络规划很重要？相信这也是大家今天参会的原因，因为它是连接整个企业的竞争战略和实际运营策略的关键纽带。有了这条强劲的纽带，当我们的网络布局都已经定下来后，接下来就需要通过基于算法的预测以及多阶库存的工具，帮我解决未来每天面对的供应链计划问题，释放更多的现金流，从而帮助我在销售端给予客户更大的价值，进一步为企业战略提供更多竞争优势。到最后才是我们的执行端，我们这张图最底下灰色部分（图16）估产内部的MPS排程、仓库内部的作业优化，或者是TMS里面的路径优化，更多的还是执行端。当我们要优化一条供应链，一定要注意顶层的设计。所以这就是整个供应链设计背后的逻辑体系。

图16. 供应链策略决定最终成本如果从另一个角度，我们经常谈的digital supply chain，你自己的实施路径就不能从上往下，之前的陈伟总也提到过，做任何的上游供应链规划都离不开数字化，所以我们一定要打好基础。我们的TMS、WMS或者我们工厂端的MTS，这些都要有非常好的基础。就是因为有了这些数据，我们才能用LLama这样的工具，帮我们做更好的决策优化，实现我们的竞争优势。

根据我过往十年应用像LLama这样的优化工具的经验，做网络规划的ROI或者说cost-production大概是10%-30%，取决于你们目前现状的成熟度；多级库存在10-15%之间；最后就是TO，我们的实际派车路径的优化，15%-30%。

图17. 优化成果以上就是我今天分享的所有内容，如果大家有任何问题，可以和我进行线下的讨论。

问答环节

问：非常感谢精彩的分享，我的问题还是在于多阶库存。想跟您确认一下我的理解是否正确。既然是多阶库存的话，如果是指定的供应商，那么供应商与供应商之间的商务流，还有供应商的管理，他的权责如何划分？我光是这样想一下，看起来算法上、逻辑上一定是走得通的，但真正实施落地，从管理上，从商务流，从资金流包括账期的匹配，包括去管理我客户指定的供应商，再一级级地下去的话，我觉得对于实施的人员会有无数的挑战。

答：我觉的这是一个非常好的问题，因为要看实施端嘛。这个项目首先它会给我们策略上的指导，说我可以这样做，有了这么一个方向后，他们再从商务上和他的上游供应商进行更加有量化目标的谈判。之前我们LLama的同事也有分享，物流供应商的合作也是同样，当我知道了自己最优化的路径选择之后，可以和我的物流商更好地进行议价，所以他们当时采用的是这样的策略。然后第二点我补充一下，电子元器件行业是非常看重货主企业的，也就是整个供应链的owner，像德州仪器或者三星这样的企业，对上游供应商的把控特别强，同样的情况在汽车行业也非常相似。但是如果是快消或零售行业的话，那你们可能优化的地方更多在于对供应商的库存预备计划如何能合作地更好，同时如何更好地管理自己下游outbound的RDC、DC、工厂的产品库存，你们在这方面会更有cost-saving的机会。问：那么请问在这个过程当中，这些库存成本最终的承担方是哪一方呢？答：在这个项目中肯定是德州仪器。（完）LLamasoft 智模软件

为众多世界500强、国内500强企业提供供应链设计优化软件和服务。LLamasoft智模软件公司成立于1998年，是当今全球最领先的供应链优化和智能解决方案提供商，为企业提供软件与专业的服务咨询，帮助企业设计并改善其供应链的运作。LLamasoft于2015年收购IBM ilog和Barloworld CAST &OPTIMIZA，进一步奠定在供应链优化和智能解决方案方面的领导者地位。公司主营产品是著名的“供应链优化大师”（Supply Chain Guru） ，当今全球市场上最领先的供应链设计、规划和优化软件。它可以让企业迅速建模，优化，并模拟其供应链运作，从而大幅度降低运输/库存/采购和生产成本。