三个案例告诉你端到端供应链优化 数字化建模的力量

作者 | 黄硕

来源 | VCIntegration

供应链优化

我们把供应链运营分成规划、计划和执行，这三个层面大家都知道怎么规划，或者计划怎么做，中长期来做，优化空间会比较大，投资回报会更好，我的约束也相对比较少。但问题在于优化要投钱，一旦失败，影响非常大。而且做出决策，考虑的因素非常多。

举个小例子，假设我要办一条生产线满足华东区域的消费需求，做出这个决策，我要考虑哪些因素？需求的满足度、服务时效、搬迁成本、搬迁和安装调试产能上线的时间，这么多因素如何来权衡？这还只是一条生产线，如果是供应链的网状结构有很多的需求权衡，我应该如何来调配？做出这个方案，首先要经过很详细的测算，怎么样得到一个优化的方案，拍脑袋或通过电子表格计算没有办法达到。这个地方就是我们的专长。我们提供的供应链优化方案涵盖了端到端，从采购、从供应商到多级仓库再到经销商，经销商的经销商到零售商，整个链条上的供应链，包括你的网络结构、产能规划、仓储布局、仓储能力、你的月度的计划优化我们都提供。

案例：某医药公司（J）的生产网络优化

生产网络如何来规划？J的医疗器械是利润非常过的，这是腔镜吻合剂，这个手术设备是J自己的技术，但是生产全部是外包的。他为了做2018年到2021年4年的生产计划，他要考虑我在哪里生产，有很多供应商可以选择，我在哪里生产，在哪里组装，在哪里做消毒，这样的话我要去考虑把订单分给哪个供应商，如何实现资产效率最优。

我们当时跟J设计了三种方案，这个产品总共有三个大部件，第一个部件是电池；第二个是轴杆；第三个也是最复杂的，具有操作功能的，手柄，它的生产成本最高。一个基础的方案是三个不同的供应商生产三个部件，再进行统一的包装、消毒送到强生仓储；另外一个方案是我们不再统一包装，我们利用伟创力的手柄生产厂同时做包装，然后再去消毒；第三个案例是说到了产能要爬坡的时候我们把更多的手柄，因为手柄生产成本很高，我们把更多手柄生产的量放EES去可不可以，这是三种方案。

这三种方案里面方案设计好了以后，供应链的专家们或者说是我们的产品经理们想的事情。你想出来这三种方案以后我们怎么来测算。这个地方是我们LLamasoft的工作，我们帮助J把他所有的生产工艺的交货期、成本、流程全部都进行了一个数字化建模，组合搭配，哪些成本加在一起是最合适的，包括固定投资成本、生产成本、运输成本、消毒成本，包括最后的包装成本都包括进去。

我们看一下整体测算出来因为伟创力的手柄生产收费比较高，对于方案A来讲成本是最高的。如果说我们把Flex这个关闭或者说让模型自动给你推荐一个生产网络方式这个成本是最低的。但是问题是在于从商业角度考虑这是不可行的。因为J跟Flex的合作不仅仅限于手柄这一个产品，从商业角度考虑他必须要维持跟Flex的一个合作关系，必须要把第一年的手柄生产订单至少安排给Flex，要求在后面4年时间内Flex的这条生产线必须达到85%的产能利用率，这是一个签约条件。85%的产能利用率，我们都知道一旦外包的话你给的量越多成本就越便宜。所以说这个地方就要求必须是85%。

推荐的方案是C，也就是到了第三年，2020年的时候在EES新加一条手柄的生产线，满足增长的需求。这边我们就以方案C为基础测算了最佳每条生产线的投产开启时间。灰色的柱状图是Flex的生产量，蓝色柱状图是EES的生产量，黄色的这条折线是Flex的产能利用率，红色的折线是EES的产能利用率。我们可以看到从2018年开始Flex的产能开始爬坡，到了百分之百以后我们在EES开启一条生产线，保持Flex的产能利用率稳定在85%，这是我们给模型设定的一个目标，模型就会自动帮你自动计算出来。

然后我们再开启第二条生产线，到了百分之百的时候开启第二条产品线，这样就是一个很详细，可以精确到月，甚至到旬度的一个产能的开启计划。

案例：某家电公司（H）的仓库布局优化

H当时面临一个问题是什么呢？H是以技工贸模式起家的，H的销售公司叫做工贸公司，H的成品网络结构是一个单层次的库存结构，这样带来的一个特点就是H管理仓库很简单，工厂把仓库的管理权以及库存的所有权交给每个销售公司，这样导致一个问题，这部分库存没有办法在不同的销售公司之间去进行灵活的调配，导致库存比较高。我们都知道家电这种产品更新换代的速度还是蛮快的，一旦过了潮流，有新的技术出来，这部分库存基本上就很难再卖掉了。因此，H打算打造一个以需求驱动的价值链网络。   

为了解决这个痛点，首先要设计改变的一个方向，一个大前提。这个大前提就是打破物权所有，打破分离，把销售公司和仓库的所有权以及管理权进行分离，由日日顺去管理这个仓库，由H保留货权。在此基础上我们希望寻找新的仓储结构，希望发现综合成本的下降以及库存水平的下降。

有了这个目标以后，我们设计两个场景，第一个场景是一种分布式的仓储，我们首先把单层的仓储结构做成一个双层的，CDC+RDC。在CDC和RDC里边分别放置不同的SKU，慢的品放在CDC，快的品放在RDC，直接从工厂把快的品发到RDC去。这是第一种策略。第二种策略是说我们所有的SKU不管你卖得慢还是快全都放在CDC，RDC只是一个交叉转移中心，理论上来讲不放任何货，这样能导致库存水平下降。这是两种策略。

针对这两种策略在此基础上我们怎么做这个工作：

第一步，你现在有101个仓库，我们看看是不是合理，我们有一个最佳的数目。第一步是我们根据需求，我们测试了两版需求来看哪一种需求分别对应的货，你选多少个仓库。第一个需求是2016年的历史销售数据。第二种情况是由H做一个未来的销售分布的预测。在我们的建议下H还是选择了一个未来销售预测，可以按照100公里的覆盖范围覆盖90%的需求量，200公里内覆盖98%的需求量这个目标会把这个仓库优化到从101个仓库减少到67个仓库，这是第一步。

第二步我们要在67个仓库里面选择出来CDC和RDC，把它们分开，当时我们探索的是说你选择几个CDC呢？我们测试了7个、8个、9个的方案，再加上策略A和策略B这两种库存的方步方案一共有6个场景来进行测算。我们搭建了模型评估了仓储的成本，评估了出入库的费用、库存的水平下降、运输的成本。左边这张图显示的是仓储成本以及运输成本综合。我们会看到策略B因为它在所有的货段都用CDC，就意味着成本上升。本来应该它的RDC里边因为不放货，所以说他的仓储成本应该下降了。但是因为他那边是做交叉转运的，我们都知道做交叉转运对物流的管理能力要求比较强，它的出入库成本就增加了，所以说抵消了那一部分库存下降对仓储成本的减少。

所以说综合来看肯定是方案A最合适。我们来看一下库存水平的下降，因为我们把SKU分层级来慢，慢消品放在CDC，快消品放在RDC。这就意味着设安全库存的时候，我们都知道安全库存是为了应对两个不准：第一个不准是需求的不准。第二个不准是我们的到货期的不准。因为我们首先把仓库的数目减少了，其次库存放在更上层的仓库，这就意味着一个风险集聚的效应，这样的话安全库存水平就会下降，这部分不能下降，主要是由安全库存降下来的。最终大家共同选择方案3，也就是分布式的存储，但是是9个CDC。

案例：某传统零售商（A）的电子商务转型

这是一个国外的公司，一个传统的零售商。这家公司在2013年之前的销售模式是这样的，每个门店前面是柜台，柜台上面放着纸和笔、产品目录，你根据目录在订单上面来勾选，后面给你拿货出来，后面是仓库。A当年是2万种SKU，900多家门店，遍布整个英国，苏格兰都有。A的900多家门店有大门店，有小门店，你在每个门店中间能放多少的SKU就取决于你后边的仓库有多大，这个就意味着每个门店提供的消费体验是不一样的，每个门店提供的产品种类是不一样的。而且因为它是纸制的目录销售，就意味着你不可能在目录上面改换价格，你的产品价格永远是一个死板的价格。他每年更换两次目录，就意味着每年只能降两次价。

再一个就是说市场环境，易贝在英国改变了线上的消费习惯，这样让A在2015年开始面临很严峻的挑战，市场份额连年下降，于是A提出来一个愿景，是说要更多的选择，更快地去买。他希望为他所有门店覆盖的客户提供明智的消费体验、更多的产品品类，更快能够让客户拿到货。这样，A首先要改变自己的营销模式，把原来从纸和笔来订购变成使用电子方式，以及进行灵活的商品的价格调整以及更好地展示，这是第一种；第二种他希望极大的拓展线上销售。我们都知道对于一个没有网络销售基因的传统公司，做这个决定是非常严肃的。

这个时候要去构建你的新的供应链，这个改变这么大，这么严重怎么改？首先我们来设计一套供应链的模式。A是一个中心门店辐射卫星门店，因为我刚才讲了他们有900多家门店，这900多家门店都是他们的资产，这些资产是可以利用的。你为了在小的门店放置更多的品类，你就需要在小的门店对每个单的SKU保持更低的库存水平，使用小批次多批量补货的方式，由中心门店做一个供货仓向小的门店进行每天的串联补货，他们要求在一个小时之内到任何一个门店都能够送到；第二种方式是以中心门店为发货地向所有的用户进行上门的送货，你只要在线上下订单我要在两个小时之内把你的货送到你的家里，这是他们的策略。

我们都知道英国没有饿了么、美团这种方式，所以说他们要自建物流。这么一个严峻的改变放眼当年整个欧美地区都没有先例可学，甚至说很多物流数据、史上的数据都没有办法拿到，怎么做呢？

先在模型里面进行详细的测试再进行先导性项目来实施，滚动更新迭代，更好地做全球优化。首先我们把他们所有的信息全部要放到我们这边来，成本信息、门店位置信息、运输时效全都放进去；第二步我们来分析需求，过去所有的需求密度是怎么样的，在每一个区块里面需求的密度是怎么样的，这些需求的密度就对应了我的每一个门店的补货时效以及我应该投放多少的运输资源，以及我的运输成本会是多少；然后我们再来看你的需求波动，看我应该在每天设置怎么样的一个配货的频率、配货的时效才能够达到我们的服务时效的目标。

我觉得刚才许光总讲的一点很好，拥有一条好的供应链不能仅仅看成本，不能仅仅看你的MOQ这种，要看能不能支持你的商业模式，你的商业模式怎么样，我供应链才能怎么样，我不是要一定要有最好的成本，而是要在满足服务时效的前提下要最好的成本。这是我们的模型帮助他们来算的东西。在此基础上我们再来看，我们先在伦敦进行了试点，我们选择了6个中心门店，25个卫星门店来做串联送货，这是我们一个先导项目。

之后，A去做了项目，反馈过来不同的时间窗口、不同的交通情况、不同的车辆、不同的司机熟练程度带来的整体结果，我们再来更新我们的模型里边的参数再去做重新的优化。这样不断地更新迭代，从2013年的10月份开始进行第一个项目的实施，到了2014年10月的时候把中心门店与卫星门店这种方式拓展到英国全境的所有门店。在2015年的时候开始了线上的当日达本，送货上门服务。2015年10月的时候正式发布FastTrack，其实就是他们线上订单当日下单在两个小时之内送货上门这么一个品牌。

同时专门在伦敦设置一个Dark Hub，这个Dark Hub不卖货，只送货，这是专门的一个仓库。因为2015年全面验证了它的商业模式，市场反应效果很好。所以2016年开始大规模在市场投放广告获取更多的市场份额。2017年可以说占领了市场领先的地位在多渠道零售方面。从2015年开始这个案例就获得了一系列的欧美的供应链的奖项，包括Gartner英国的管理学会都获得了奖项。2017年,原来是2万种SKU，现在变成了4万种SKU，其中有2万种可以在线上下单，你晚上0点下单，早上7到10点之间都可以给你送到。你中午1点，下午2到6点给你送到。如果你晚上6点之前下单是晚上9点到10点给你送到家。这是他们的一个服务时效。

他们现在57亿英镑的年收入50%是来自线上。在整个英国全境他们是排名第三的访问量的网站。排名第一的是亚马逊，排名第二的是易贝，他们是排名第三的。而且他们是英国第一家线上销售能够超过10亿英镑的企业。

案例：某乳品公司（M）的月底S&OP优化

我们2014年开始跟M合作，是一系列的项目。他们的常温液奶每旬的计划怎么做的？M的特点在于好的牧场都在北方，工厂都在北方，牛奶的产奶每旬都是基本平均的，但问题在于经销商的要货每旬都是不稳定的，奶牛不会按照你那个节奏产奶的；再者，牛奶也有保质期的。所以M不可能说在上旬先生产牛奶出来，放到下旬你再去买，市场竞争很激烈。怎么办？强计划！对于供应链的冲突矛盾这么严重，我们只能通过强计划的方式来做。

M的销售预测不是用统计学预测的，是经销商调研、提报，是通过年预算的分解到每个月，每个品类，再每个月与经销商去确认，这种方式形成每个月的需求计划，这是第一步，需求计划；这是10号出来的，产生之后在13号的时候各个大区提报完了以后由中央形成一个市场的需求的计划，要求在18号，5天的时间内生成出来所有的供货计划、分销计划、物流计划。在20号的时候要上预备会，总监级别；24号的时候上决策会，副总裁级别。运营阶段所有的计划做的只有5天的时间，这是蒙牛当年的计划，全部是500多万是电子表格来做，人工来做，不知道你做的这个计划好还是坏，没有一个评价标准，怎么办？

我们把所有的精细化和成本的测算以及财务对标、财务要求通过软件的方式在模型里边统一做出来。首先有了需求计划，我知道我的可用产能，我来做一个生产计划。做完生产计划以后销售计划部门就可以做出来一个分销计划，物流部门根据这个分销计划去做自己的物流方案，去预订下一个月的物流资源。每一个模式里边是一环套一环的，我刚才说过他们只有5天的时间所有的部门来做这个计划。这个计划是有很多漏洞的，下达下去很多销售是不满意的，觉得没有科学性。

我们做的第一阶段优化，把这几个计划全部用模型来做。在这个模型里边来设置，比如说我们生产计划模型考虑的是这么几个成本，生产成本、原奶成本和产能利用率，综合来考虑。所有这些东西我们把它折算成钱，放在这个模型里边让它统一运算，算出来一个最佳的综合成本最优，做出一个合理的生产计划。

然后我们来考虑分销，不同的铁路、班列，有海运、河运、汽运方式，不同的运输方式有不同的费用，不同的线路有不同的费用。包括不同的客户会有不同到货时间的要求，有重点的客户，有小客户。这个运费也是要考虑到的，这是一个分销计划，来做一个综合的考量。2016年8月份M自己的结论，通过我们的排产优化，综合成本结果3000多万元。

第二步，我们能不能够把这些模型合在一起？因为我们刚才解决的只是局部优化的问题，不是跨部门优化的问题。我们能不能把它结合在一起，所有的东西放在一起来考虑，我们把生产规则、分销规则、运输规则、仓储规则放在同一个模型里面来做，在不同的场景下，在不同的时间段，在不同的季节直接一次性生成所有计划，这个最优是在满足你的业务要求的情况下最优。我们每旬会有单独的模型，根据每旬的销售的情况期初的库存量做新的更好的计划优化。

这个项目今年7月份的做的，6月份的时候来测算，跟我们上一个点的模型分开的情况来比的话，6月份整体的费用节省580万，我们看看这个580万里面其实成品的生产成本是上升的，生产部门你的绩效得到了破坏，但是其他部门的绩效就好了，整体的生意好了。这是我们跟M合作从2014年开始我们可以看到从供应链的规划到计划甚至他们的低温生产的酸奶我们都在帮他们做，从开始一点点做，到现在覆盖的版图越来越大。

此文系作者个人观点，不代表物流沙龙立场

END