供应链管理挑战多,倒不是因为有多难,而是因为复杂。
试想想,如果一辆汽车只有 1个零件,1个供应商,那么从设计到生产到配送,供应链有什么难?难就难在一辆汽车有3万个零件,后面有几十上百个一级供应商,几百几千的二级、三级供应商......这些供应商来自世界各地,有着不同的文化,操着不同的语言;有的有整合能力(比如一级供应商),有的有技术优势(比如关键的二级、三级供应商)。这些都让供应链的复杂度大增,而正是复杂度决定了供应链管理的难度。
对通用汽车这样的整车厂来说,它们的竞争优势也早已不是技术----几十年来,通用汽车早就没有能力独立设计、制造一辆汽车了,有技术含量的事大都归供应商做;整车厂不可避免地成了系统集成者,它们的竞争优势是管理,即对复杂供应链的有效管控和整合。
汽车这样的大批量行业如此,飞机这样的小批量行业也是。就拿波音来说,每架飞机有40万到600万个零件,每年的采购达280亿美元,来自5400个工厂,总共采购7.83亿个零件。要把这么多的零件计划好,采购来,组装好,全球供应链的复杂度可想而知。而波音的竞争优势呢,就在于有效地管理复杂的供应链,整合全球的最佳资源。
这也解释了,为什么前些年一款手机出来,没多久遍地都是"山寨"版;而波音737都飞了半个多世纪了,还看不到有人能"山寨"出来。这里的根本不是技术有多难----我们头顶上飞过的飞机,用的大都是多年前的老技术;而是供应链管理能力不够,没法有效整合全球的资源。
毕竟,短期内你可以"山寨"一个简单的产品,但没法"山寨"一条复杂的供应链。这不,丰田的精益供应链敞开着让大家来学,戴尔的直销供应链也不是什么火箭技术,但这地球上还是没有产生,估计永远也不会产生第二个丰田、第二个戴尔。
产品的复杂度很难量化,这里拿零件数量作为一个参考维度。
根据物料清单(BOM)零部件的数量,我们可以把产品大致分为三大类,每一类的零部件数是上一类的100倍:第一类的代表是家电、手机,大概有3百个零部件;第二类产品的代表是汽车,大概有3万个零部件;第三类是飞机,大概有3百万个零部件。
传统上,中国制造的竞争优势在相对简单的产品上,比如电视机、洗衣机、空调和电冰箱。这些产品的材料清单BOM一般有几十到几百个料号,中国制造毫无疑问已经走到了世界最前列,中国厂家击败欧美日韩厂家,在全球市场市场份额上领先。
在这个层面,智能手机可以说是最为复杂。一个智能手机大约有300个零件,在那么小的空间里,要容纳几百个零件绝非易事,还不要说管理配套的几十个全球供应商。我国已经有相当多的国际知名品牌,华为终端、OPPO、Vivo、小米等已经相当有竞争力,让我们在中高低端手机上都具备全球竞争力。
复杂度不同,本土企业的竞争力各不相同
汽车大约有3万个零件,是手机的100倍。一辆汽车动辄跑一二十年,几十万公里,在各种极端的环境里操作,对安全、耐久性上的要求更高,供应链的管控也更加困难。从上世纪80年代开始,汽车就成为我们国家的战略重点,也是重点扶持的行业,各地政府投入很多资源,跟世界上几乎所有的整车厂都成立了合资企业,走的是以技术换市场的路。市场是给人家了,燃油车的关键技术呢,还是牢牢掌握在外企手里。
不过话又说回来,汽车又能有多少技术呢?用吉利汽车董事长李书福的话,不就是一个沙发加四只轮子嘛。这话的无知无畏背后,也不无道理:作为成熟产品的燃油车,要说关键技术,越来越多的都集中到各种专业供应商手里。整车厂做的呢,更多是整合全球资源,扮演集成者的角色。其竞争优势呢,也是管理的成分远大于技术。我们的挑战呢还是管理,即对全球供应链的管控和整合能力。
前些年有种说法,说本土企业的竞争优势以 BOM数量1000为上限,比这复杂的产品都不是我们的强项。现在,这一上限上升到万级。就拿这个复杂度上的典型产品汽车来说,中国企业在燃油车上虽然缺乏美欧日那样的三巨头,但在新能源车上却展现了相当的实力,实现了弯道超车。在电动车的助力下,2023年的1到7月,我国就出口234.1万辆汽车,半年度汽车出口量首次超过日本,成为世界第一。
在传统制造领域,最复杂的产品当属商用大飞机。商用大飞机大致有300万零件,是汽车的一百倍,手机的一万倍。智能手机平均寿命为2到3年,美国路上走的汽车平均年限是11.5年,而飞机的生命周期更长,维护得当,安全飞行25到30年不成问题。三者比较,飞机特别是商用飞机对安全、耐久性的要求最高,供应链也最复杂,供应链的整合难度也高出几个数量级。
难怪艾伦·穆拉利刚从波音到福特担任CEO时,能那么自信地说:百倍复杂的飞机,他都能整上天,而且不掉下来,这汽车又算得了什么----当时有人质疑他缺乏汽车制造的经验,嘲笑他甚至分不清汽车和卡车。穆拉利没说错。他力挽狂澜,拯救福特于水火之中,安然度过2008年的全球金融危机,是底特律三巨头中唯一没有破产的。而他在之前挽救了波音的民用飞机业务,早已是家喻户晓。
中国在商用飞机虽说起步相当早,比如运-10从上世纪70年代就开始了,与波音的第一代大飞机707算是同时代的,但并没有商业化,直到支线客机ARJ21于2002年立项、2015年支付运行。这比汽车制造在中国的发展大概晚了二三十年,但意义重大,是我们自主设计、自主研发,有力带动了整个供应链的发展。
过去二三十年来,中国制造已经深度参与到全球航空供应链。沈飞、西飞、成飞等已经给空客、波音"打工"多年,制造了机身、机头、机翼、舱门、垂尾等大批关键部件,积累了相当多的经验。中国有完整的的军机体系,覆盖飞机制造的每一个领域,也带动了航空供应链的发展。
如今,大飞机C919已经完成试飞,于2022年交付,成功实现了从0到1,从技术上经住了考验,但商业化从1到N的诸多挑战还在后面:大飞机C919的目标不只是把几百万个零件整到一起,飞到天上不掉下来;真正的挑战是质量好,成本低,安全性能高,在商业上具备全球竞争性,更多是个供应链管理的挑战。
是的,中国商飞没有能力造第五代发动机,但波音和空客也没有----它们也得依靠GE、罗罗、普惠等三大引擎巨头。航电系统、动力系统、燃油系统、电源系统、起落架等关键领域,也是同理。相对波音和空客,中国商飞要补的课还是管理,即对全球供应链的有效管控和整合,这是控制成本、提高质量、确保安全,让技术能够商业化的关键。即使关键技术的国产化,也要靠本土的顶尖供应商,而作为链主和集成者的中国商飞呢,主要扮演的是引导、督促和帮助的角色。
其一,预测颗粒度太小,预测准确度注定不高。假定公司有100个一线销售,那就意味着每个一线销售只预测总需求的百分之一。颗粒度这么小,打死也预测不准。这在那些项目型企业尤其如此:如果是招投标的话,到了每个一线销售层面,就变成了0和1,要么拿到,要么拿不到这个项目,可预见性其实很差。
其二,缺乏有效的责任机制。让我们问一个很基本的问题:一线销售是干什么的?一线销售是找客户、拿订单、做生意的,需求预测是他们的兼职。在你们公司的历史上,有几个销售是因为预测准确度低而被开掉的?销售丢了工作,大都是销售业绩不达标。没有责任机制的事是做不好的,这决定了预测准确度不高。
其三,一线销售是个有判断,没数据的职能。有几个一线销售熟悉基本的预测模型,能做基本的数据分析?他们每天在路上,忙着敲门做生意,有几个是整天挂在ERP上,做数据分析?让他们提需求,他们的数据从哪里来?八成是从客户的采购那里来(注意采购也是个没数据的职能),或者凭经验拍脑袋出来的。
一线销售做预测,还有个问题,就是法不责众的从众心理。有个公司有40个销售,对应几百个客户的一万多个料号,每个销售负责预测自己客户的需求。人人都知道自己只预测整体需求的一小部分,自己做不好预测没关系,只要其余39个销售做好就行了;殊不知那39个销售呢,每个人都在打着同样的小算盘,难怪"三个和尚没水吃"。有的销售甚至根本就不提预测,老总屡屡强调,以至于采取惩罚措施,还是没法根治。
那会不会出现这样的情况,有些销售的预测偏低,有的偏高,东边不亮西边亮,互相抵消?有可能,但可能性并不大:一线销售经常受同样的外界因素影响,其偏差因而是同向的。比如总部短缺了,每个销售都在拔高预测;老总在追究过剩问题,每个人都在拉低预测。就这样,一些预测准确度很低的数字,加到一起,预测准确度只能更低。
此外,一线销售做需求预测,不管是哪个行业、哪个公司,总是习惯性地虚高。为什么?
人们给出各种各样的答案,比如销售担心需求过旺啦,销售对库存不负责啦。这都没错,但没有触及根本的原因,那就是对销售的考核机制。为了驱动销售卖力干活,老总习惯于给他们高于实际能力的目标,比如年销量定为1000万元,尽管老总和销售各自私下都认为,能做到800万就不错了。这时候供应链找销售要需求预测,销售会给个什么数字?800万?那他肯定会被敲得满头是包----老总发话了:你从开始就计划失败?这预测就只能是1000万或更高。
至于在"使用者偏见"的作用下,一线销售操纵预测,就更是常见。比如有个公司的销售提需求,前三个季度都是虚高,第四季度毫无例外都是虚低,原因也是绩效考核:第四季度是下一年销售目标的基准,定得低,下一年的销售业绩就好完成,销售提成也更多。这又一次印证了,聪明人干傻事,背后八成能看到绩效考核的影子。
最后,让一线的销售提需求,他们给你的,往往是销售计划,或者直接就是销售目标。而你知道,无论是销售目标,还是销售计划,都不是需求计划。
【案例】为什么短尾产品也预测不好
案例公司是个代理商,客户虽然遍布多个行业,但有个共性,就是脉动很快,产品生命周期越来越短,需求变化也很频繁,导致需求预测准确度低,紧急需求频发。更为挑战的是,客户的定制化需求多,有三分之一的产品是独家客户。独特需求多,需求变化快,系统地增加了该企业的管理难度。
作为应对,该企业就采取一线销售提需求的做法,让每个销售每月预测未来三个月的需求,通过信息系统提交,驱动供应链采购、补货。其初衷呢,是把决策权下放给一线最熟悉的情况的人,就像"让一线呼唤炮火,让听得见炮声的人决策"一样(赵玲女士语)。
图 1: "长尾"难预测,为什么"短尾"也计划不好?
这三类产品中,最难预测的当属"长尾"产品,因为需求不频繁,而且很不稳定,很难找到合适的需求预测与库存计划方法;可以预测的"短尾"应该最好对付,造成的库存问题应该最少。就案例公司来说,情况完全不是这样:如图 1,"短尾"需求占总料号的10%,却造成40%的风险库存,反倒造成最多的预测问题。这后面的根本原因呢,就是一线销售提需求。
一线销售提需求,本来是应对长尾产品,也是最难预测的产品。但问题是,这种围绕最难问题设计的解决方案,一旦不加区分地用在所有产品上,结果是连可预测的短尾产品都预测不好了。天下难事,必作于易。我们首先要着力解决好最简单的问题----很多企业默认复杂问题解决了,简单问题就会自动解决,从上面的案例即可看出,其实不是这样的。
这一问题如何解决?那就是区别对待:长尾产品主要依赖职业判断,比如销售提需求,或者客户订单驱动;短尾产品主要靠数据分析;而中尾产品则由计划驱动,但需要更多需求端的判断来配合,"从数据开始,由判断结束"。
另外,这个案例中的13周频次,只是示意,并不是说凡是13周频次大于等于9,就一定是短尾等。这要根据企业所在的行业,产品的特点,需求的变动性等来定。
老板做预测,自然有老板做预测的原因:他是最有经验、最有权威的那个人,而且最能承担预测失败的后果。但是,随着业务连续翻番,新产品越来越多,事情越来越多,老板越来越忙,离消费者和一线运营越来越远,能花在需求预测上的时间越来越少,很多时候就只能拍脑袋做预测,其弊端也就越来越明显。"希望大boss理解科学的办法和拍脑袋的差别,特别是一个或者是二个人的拍脑袋",案例企业的一位同事如是说。
老板当然理解科学决策和拍脑袋的差别。天底下没有一个老板会说,科学决策很糟糕,让我来拍脑袋。但问题是,当我们缺乏有效的机制,没法有效整合跨职能的智慧和信息,一帮人没法有效决策的时候,老板不靠自己拍脑袋,还能靠什么?所以,这里的问题不是改变老板的行为,而是找到更好的方法论来整理数据,整合跨职能的判断,做出更准确的预测来。当集体的决策能力提高了,老板自然就不用拍脑袋了。
这方法论就是德尔菲专家判断法。当数据非常有限,未知因素非常多,决策的不确定性非常高的时候,德尔菲法是一种相当不错的选择。
新品预测试点项目准备
对于案例企业,我们确定一个具体的产品来做试点,以导入德尔菲专家判断法。该产品正好处于开发后期,需要确定首批订货量。该产品也是案例企业重点开发对象,能够得到专家们(跨职能团队)的重视。
找好了产品,我们围绕这个产品,进一步确定了该新品预测的的专家团队,包括以下岗位:
确定了产品和专家团队后,组织者把专家团队召集到一起,培训德尔菲专家判断法,展示产品的样品,启动专家团队"从数据开始,由判断结束"的新品预测流程。首先,我们究竟要专家团队预测什么?在一个微信群看到这幅漫画,医生们在上街罢工游行,但举起的牌子上,却歪歪扭扭地写着处方一样的字,谁也看不清楚他们的诉求是什么(如图 1)。你知道,这是在戏谑那些开处方如同天书的医生们。放在新品导入的专家决策中,我们究竟要这些专家预测什么?案例企业说,产品上新,不就是要预测首批订单量,也就是说,首批向供应商的进货量呗。这不清楚,有两个问题:
图1:诉求不清,是另一种的垃圾进,垃圾出
其一,预测有数量和时间两个维度,两者缺一不可。首批订单量只有数量,没有时间----这首批制造的产品,究竟预计在多少时间售完?如果我们把时间的口子开着,每个专家成员就得做出自己的假定;对时间的假定不同,专家成员的预测肯定不同;缺乏一致性,就没有可比性,专家判断就成了垃圾进,垃圾出。
其二,"首批订单量"问的是供应,即给供应商下多少订单。虽说供应主要是由需求决定,但两者并不是一回事。作为供应,首批订单究竟生产多少,还受产能、采购周期、规模效益等影响。比如最小起订量越高,首批订单量可能越大;补货周期越长,订单量就越大;产能有限,可能得降低订单量。专家团队中,大部分人最熟悉的是需求,没法针对供应做出很好的判断。
跟案例企业讨论以后,我们决定问专家团队两个问题:(1)上新30天内,您认为可能销售多少?( 2)除此之外,您认为还可备多少产品的原材料(长周期物料),这样一旦需要补单的话,我们可以快速反单?我们特别提醒,希望这些原材料备货能在3到6个月内消耗完毕,以期控制原材料的呆滞风险(这也是给专家团队界定预测的"时间"维度)。
问题1其实问的是上新30天的需求预测,有时间、有数量,限定地很清楚。在上新阶段,专家团队里的销售、设计、产品管理等职能深度介入,对过去的新品有一定的经验,对下一个新品能够做出一定的预判。
问题2的目的是确定第二、第三个月的预测。案例公司的整个供应链周期大致是3个月:原材料采购1个月,加工成半成品1个月,加工成成品1个月。由于上新的不确定性非常高,案例企业通常采取长周期原材料统一采购,以获取一定的规模效益,但只把部分加工成半成品、成品,以控制成品的库存风险。上新一开始,第一天的销量就很有参考价值,决定是否要赶快把剩余的材料加工成半成品或者成品(这点后文还会讲到)。
我们理解,第一个问题相对更直观,应该能得到不错的判断;第二个问题相对更难做判断,专家团队需要更好地理解整个供应周期,以期提高对长周期物料的预测、管理(在具体案例中发现,专家们对第二个问题判断的确不是很好)。
确定了要问的具体问题,下一步是确定哪些信息是已知的,可以统一提供给专家团队,以缩短学习曲线和提高决策质量?要知道,专家决策并不是拍脑袋;他们是在以往经验的基础上做判断。而以往的经验呢,其实很多已经凝聚在数据里,比如销量,我们可以汇总这样的数据,统一给专家团队。这对那些不经常跟数据打交道的职能,比如设计和产品管理,特别有帮助。否则,他们就会纯粹拍脑袋。即便那些跟数据打交道的人,也可能嫌麻烦,不会去找历史数据而拍脑袋了事。
在案例中,我们决定提供两类的信息:(1)类似产品的信息,比如不同时段的销量;(2)该产品的特定信息,比如产品的定位,原材料的最小起订量,供应商的阶梯报价等,如图 2。
类似产品信息:去年有6个类似产品,分别是什么时候上市(这影响季节性产品的销量),首批生产了多少,上架30天卖掉多少,首月售罄率是多少,3个月、6个月累计卖掉多少,是不是断码过(断码的话表明销量比实际要低),这让专家团队有了更多的横向比较的信息。组织者原来还提供前年的类似产品,但有两个问题:(1)时间较久了,上新期间的销售数据不全;(2)两年的产品太多了,容易造成信息过载,反倒影响专家成员的有效判断。组织者也想提供每个产品的四象限分类(产量的高低与销量的高低),以及退货率等,同样有信息过载的问题,就一并拿掉。
图2:可参照产品的历史销量(案例企业的机密信息遮盖掉了)
该产品的信息:产品定位是高价位、中价位还是基础款(走量的)?跟已有产品的关系是互补,蚕食,还是独立?这些都会影响产品的需求。此外,我们还提供了采购相关的数据,比如主要材料的最小起订量,供应商的阶梯报价,有无特殊工艺,比如染色、表面处理等,以及相应的附加费用(跟最低起订量有关)。
项目结束后反思,采购相关的信息,比如供应商的阶梯报价、主要材料的最小起订量等,对于需求预测其实并不相干----这些因素会影响供应,但不会影响需求(当然你也可以说,这影响成本,成本影响价格,价格影响需求。但是,这么复杂的关系,有几个专家能够量化?)。给专家团队太多的信息,反倒容易引起混淆----比如这里的最小起订量3000,就在后面多次出现,成了好几个专家的"预测"。
组织者把关键的背景信息准备好,编辑成一页A4纸文件,就召集专家会议,再一次介绍了德尔菲专家判断法的方法论,展示了产品样品,把基本的背景信息分发给大家,开始新品的转件判断法。
第一轮,每一位专家回到自己的办公间,分析已有的数据,搜集更多的信息,独立、背靠背地做出判断,扫描二维码,通过问卷星(http://www.wjx.com)在线填写以下信息:
(1)新品预测:上新30天内,销量预测是多少?还应该备多少原材料的库存;(2)所依据的理由;(3)进一步完善该方法论的建议,比如还需要提供哪些有用的信息,邀请哪些合适的人加入到专家团队等。
在问卷最后,我们要求每位专家填写自己的姓名等信息。这一方面为督促专家们认真完成任务,另一方面也帮助组织者跟踪各个专家的判断结果,以期循环改进。在这里,组织者明确说明,填写的结果会以匿名的方式反馈给专家团队,以便让专家们没有后顾之忧,做出最好的判断。
组织者汇总第一轮的结果,比如8个跨职能专家中,每个人做的预测分别是多少,其理由是什么,统一分发给专家团队。召集专家团队开个简单的会议,确保大家理解第一轮的结果。注意:会议不是让大家判断谁对谁错,应该怎么办。否则,强势职能可能影响弱势职能,强势人物可能影响弱势人物,从而影响了第二轮预测的客观性。
第二轮的方法论与第一轮一样,由每个专家成员独立、背靠背地决定,是否修改自己在上一轮的预测结果,并写明理由----任何人都可以填写一个数字,真正重要的是数字背后的原因。组织者汇总第二轮的结果。如果第二轮的结果分歧还比较大,就进入第三轮。希望最多三轮,专家团队在该新品的预测上,能够达成相当的共识,组织者最终以取平均值的方法,决定该产品的新品预测(结果两轮就结束了)。
专家判断的结果分析
对于上新30天的销量预测,两轮预测后,7位专家的结果明显趋同(原来有8位专家,其中一位专家度假,只做了第一轮,就剔除了)。表现在标准差和离散度上,就是这两个数值明显降低----离散系数从第一轮的0.75降为0.22,标准差从837降为182,如图 3所示。
图3:两轮预测后,专家预测值的离散系数大幅下降,预测值更加趋同
但是,对于额外备料的预测,两轮专家判断后,预测的离散度却依旧很大。
如图 4,虽然左边的图片看上去更加"趋同"了,但这有误导:第一轮的预测是从0到3000的很多值,第二轮则主要集中在1000和3000上----3位专家预测1000,另3位预测3000(还记得3000是什么吗?主要原材料的最小起订量!)。
这不应该是巧合,看上去更像相当一部分人心里没底,就"扎堆",看第一轮预测中哪个人的理由充分,就随那个人了:首轮预测3000的那位说,基于成本和此产品的差异化设计,该产品的目标应该是基础款、高销量(注意,3000就是图 2中主要原材料的最小起订量);而首轮预测1000的那位则说,该款式设计上与别的"撞色","在夏天不讨喜,预计只能在春秋两季去推",而且3到5月有多款类似产品上线----该款明显是低销量,没后劲。这两个理由看上去都很充分,大家就跟风变成了两派。不过1000跟3000的差距可太大了,所以说专家们在这个问题上并没有达成一致。
图4:两轮预测后,额外备料的预测还是差异很大
当然,这也反映了在该产品的定位上,案例企业还没有达成共识。在预测反馈中,好几位专家也提出这点。这是产品开发的任务,产品经理在开发初就该清晰定位。
作为案例设计者,我认为我们问了错误的问题:对于专家成员中的产品经理、设计师、研发负责人等,他们的主要经验在上新前后----那个阶段的产品他们最关注;至于上新结束后,补单该补多少,他们一不在乎,二没经验,自然就做不出高质量的判断。
我的建议呢,就是以后不让专家组预测后续备料,而直接由供应链根据30天销量的预测,来预估后续两个月的需求----我们后面会讲到,上新期间的需求和后续正常销量关联度很高,可以相当靠谱地推导出后者。
30天很快过去了,实际销量出来了,该产品卖掉858个。如果与第二轮预测的简单平均值921个相比,误差为7%;如果把第二轮预测剔除最大值、最小值后取平均,误差为6%,如图 5。不管用哪种统计方法,预测准确度是非常高的,远超我们的期望。
图5:上新30天,专家团队预测的准确度分析
老总也参加了专家团队,原先就是由他拍脑袋做预测的。让我们看看老总的预测准确度如何。图6总结了他个人的30天销量预测:第一轮预测为700,比实际低18%;第二轮修正后为1050,比实际高22%。对于新品来说,这样的预测准确度是相当高的----老总受过很多苦,吃过很多亏,交过很多学费,还是有很多经验的。不过问题是企业越来越大,产品越来越多,他分身乏术,对付不了这么多产品。但是,两轮的准确度还是明显不如专家判断法。看来,专家团队一出手,就"小赢"老总一把,可谓旗开得胜。
图6:上新30天,老总的两轮预测准确度
老总的预测第一轮偏低,第二轮就偏高,看样子也是受了专家团队的影响(老总是专家团队成员,看到了专家团队的首轮预测结果)。专家组的两轮预测调整幅度都不超过10%,而老总的调整幅度则高达40%。从第一轮的显著偏低,到第二轮的显著偏高,表明作为长期的兼职预测者,老总本身也没有一套科学的方法论:他的第一轮预测比较保守,因为花的是他的钱,估计被以前的过剩整怕了;一旦发现别人的预测都较高,老板也就随大流,相信真理是掌握在大多数人手中,于是就拔高自己的预测。
《超预测:预测未来的艺术和科学》一书说道,在预测准确度上,一个人要打败多个人,需要有很强的能力和相当的训练;一群人要打败一个人,则不需要多少专业知识和训练[1]。这放在这个案例中也适用:没多少训练的专家团队,相当容易地打败了吃过很多苦、试过很多错的老总。
综合两轮预测,我们发现,对于多位专家的预测,如果拿掉最高值、拿掉最低值,预测的准确度就相对更高。这估计是因为刚开始应用德尔菲法,有些成员还不熟悉这一方法论,也不熟悉需求预测本身。比如新的产品经理以前主要负责设计,不参与预测,对需求预测本身不熟悉。反映在其个人预测准确度上,两个产品都是7人中的最低。掐头去尾,剔除两个极端值,有助于提高预测准确度。
另外,如果有些成员在部门利益驱动下,比如销售希望不断货,采购希望能满足最小起订量等,有意虚高或者虚低(这些都可以在事后总结时发现),我们也要考虑剔除最大、最小值。但是,在专家团队比较小的情况下,这样做会导致样本更小,降低了数理统计的可靠性。所以,当大家都熟悉了德尔菲法,也熟悉了需求预测,可以考虑采用简单的平均法。
]]>像很多公司一样,高乐氏的销售希望做每一个地方、每一个人的生意,把每一个产品放到每一个货架上,这意味着产品线长,产品的规格、型号、库存点多。比如同样的洗洁精,针对不同的渠道、地域、客户群体,会有多种不同的包装、容量、标识等。这都导致库存单元(SKU)大增,规模效益下降,单位成本上升。
高乐氏就开发了一套决策流程,制定一些简单法则,来精简SKU,控制产品复杂度(如图1)。
首先,我们得问一个根本性问题:企业为什么要存在?答案只有一个:股东回报。这并不是说客户、员工、社区不重要,但离开了回报,股东就不愿意投资,这企业就不会存在;皮之不存毛将焉附,所有别的目标也就成了空话。
一个SKU,如何才能给股东更好回报?要么能够盈利(利润),要么能够冲量(销量),两者都不满足的话就要精简。利润很直观,不用解释。有些产品赚钱少,甚至不赚钱,但可以冲量,以维持市场份额,分摊渠道和供应链的固定成本,给其他业务带来客流量,淡季的时候养活工厂和员工等,所以也有存在的理由。
图1:SKU要么得能冲量,要么得能盈利
来源:Operations Executive Board
当然产品有大品牌、小品牌之分,相应的利润、销量门槛也应该不同。
对于大品牌,如果一个SKU的年度销量少于15万箱,而且盈利低于30万美金,那么就是坏SKU,要么采取措施改进绩效,要么下架。对于小品牌,年销量的门槛为7.5万箱,盈利的门槛为15万美金。这样,对于每个产品的众多SKU,就可以计算出其好坏的比例来,并作为一个绩效指标来管理。比如产品A有100个SKU,其中有76个能达到销量或利润门槛,所以好SKU的比例为76%,坏SKU的比例为24%。
作为一个公司,高乐氏定期评估好坏SKU的比例,及时做出整改措施。比如在图2中,产品A的坏SKU比例先是下降,然后上升,随后又下降。这或许是个新产品,先是第一季度小范围上市,销售情况不错(表现为坏SKU比例下跌),然后决定大面积上市(二、三季度),导入更多的SKU。或许是面铺得太广,或许是促销工作不到位,总体销售不佳,表现为坏SKU的比例上升。于是采取措施,比如加大宣传力度,或者是下架一些SKU,促成坏SKU的比例在第四季度大幅下落,表现逐渐向产品B靠拢----产品B的坏SKU一直呈下降趋势。
图2:坏SKU的比例趋势
来源:Operations Executive Board
在产品的复杂度控制上,高乐氏的案例有几点值得借鉴。
1.清楚、易懂的复杂度门槛。一个产品存在,要么能盈利,要么能冲量,就这么简单,相应的门槛值根据大品牌、小品牌适当调整。产品的复杂度控制涉及营销、设计、产品管理、财务和供应链等多个职能,再加上产品线、事业部、总部等不同层次,清楚、简单的门槛指标对跨职能沟通至关重要。
2.清晰的责任体系。在业务方面实行事业部负责制,责任人是事业部的老总;在流程方面实行供应链负责制,责任人是供应链计划经理。具体地讲,供应链计划经理对过程负责,定期计算好SKU、坏SKU的比例,引导事业部和各职能采取行动;事业部的领导对结果负责,通过提供足够的资源和支持来贯彻执行,实现降本和盈利目标。
3.有清晰的年度目标。每类产品的"坏SKU"有年度指标,由SKU指导委员会批准设立。该委员会由CFO任主席,供应链计划总监领导日常工作。清晰的年度目标从根本上解决了"愿不愿意"的问题,并把产品的复杂度控制纳入运营指标体系。
在产品的复杂度上,营销、产品、设计等需求端职能只管生,不管养;真正养的人是供应链----他们得一遍又一遍地计划、采购、生产、配送,以及售后服务,最熟悉相应的成本和其他不良影响,因而更有动力来精简产品。这就是为什么在高乐氏案例中,供应链(确切地讲,是供应链的计划)扮演关键角色,比如量化指标,负责日常工作,跟进执行等。
在一个本土电商,情况也类似:产品的上线主要由销售定,销售在上新品时面面俱到,SKU泛滥;下线则主要是供应链驱动,比如每隔一个季度,供应链就梳理在售的产品,对销量不好的做调整等,在复杂度控制上扮演主导角色。
企业在预测需求时,会加一定的安全库存或富裕系数,以应对变化莫测的需求和可能的供应中断。预测和安全库存一道,形成给下一环的订单,成其预测的基础。下一环在做预测时,也会加上一定的安全库存或富裕系数。依次类推,多个环节的偏差累计下来,就是十分可观;越是远离需求,业务变动也越大。
有些预测方法也会系统地扭曲需求。比如前三个月的趋势是每月递增10%,那么第四个月的预测也将递增10%。但需求增长不是无限的,总有一天实际需求会降低,这差额就成了多余库存。如果供应链的各个环节都采用同样的预测方法,这种系统性的放大就会非常明显,累计误差就会很大。
应对措施呢,就是避免各个环节独立做预测,从而避免多重预测。在公司内部,就是销售与运营计划(S&OP);在公司之间,就是协同计划、预测和补货(CPFR),变多重预测为一重预测,在我的《供应链的三道防线:需求预测、库存计划、供应链执行》一书中会详细谈到。
成因2:批量生产、采购。
为了达到生产、运输上的规模效应,厂家往往批量生产或采购,以积压一定库存为代价,换取较高的生产效率和较低的生产、物流成本。比如需求是10个,最小起订量是100个,那就订100个。但供应商不知道我们的真实需求是10个,而是按照订单的100个准备未来的产能、库存。
以前我管过的一家钣金供应商,都关门停业几个月了,还没用掉生产积压的数种机箱,主要原因就是大批量生产。这背后其实也是因为供应链的刚性。丰田体系提倡的精益生产、柔性制造中,一大根本目就是降低对批量的依赖,提高供应链的灵活性的同时,也有助于减小牛鞭效应。
精益制造之外,另一应对措施就是用多少买多少,这对小批量行业尤其重要。或许有人会说,低于最小起订量的话供应商不愿意卖给我们。这是瞎说:只要你愿意付钱,供应商半个半个都愿意卖给我们。之所以讲这些,是因为我们要么花明钱,用多少买多少,单价高但库存呆滞少;要么花暗钱,批量采购,单价虽然低,但最后形成呆滞浪费。
这后面也有绩效考核的影子。在更低采购价的单一指标驱动下,采购倾向于大批量买进;在产能利用率的单一指标驱动下,生产倾向于大批量生产。两者的共性呢,都是在牺牲库存。这可通过更加均衡的考核来应对,比如有些企业让采购背原材料的库存指标。
成因3:价格促销。
厂家为短期效益,常常会推出各种促销措施,其结果是买方大批量买进而导致库存积压。促销使市场需求更加不规则,人为加剧了需求的变化,严重影响整个供应链的正常运作,在电商、零售业尤为显著。
当这样的促销没有通知供应链伙伴时,后果会更糟糕。
比如零售商在促销,给制造商几个大订单;制造商不知道这是一次性需求,还以为是产品的销量好,就拔高预测、增加产能、库存,并驱动供应商和供应商的供应商来同样响应;促销停止了,零售商的订单量就降下来了 ,但制造商、供应商的库存、产能已经加上去了,需要一段时间才能消化掉。
大量研究表明,价格促销只是"寅吃卯粮",把未来的需求提前,或者把现在的需求推后,到头来整个供应链很难从中获利,人为导入的波动反倒造成更高的成本。
当然,存在的都是有原因的,促销的助推器就是"活在当下"的企业绩效考核体系。月度指标、季度指标、年度指标的驱动下,促销就成了销售利器,渠道就成了压货的重灾区。
树欲静而风不止,即使你不促销,竞争对手会啊。猪队友可怕,猪同行更可怕----你不发狂他们发狂,然后就是互相伤害。结果呢,就是把原本比较平滑的供应链,人为整出一个又一个的波峰、波谷,而波峰跟波谷之间的沟壑呢,就得一堆堆的库存、产能来填平。
那怎么办?最简单的就是及早规划,让供应链伙伴及早知道,有充分的时间来准备,以平滑促销带来的影响。而最根本的解决方案呢,就是不促销。
比如在美国,我们很少看到苹果促销,连"黑色星期五"也不例外;有的只是给学生的常年折扣,以及返校季的礼品卡。再比如沃尔玛在美国也不促销,而是采取"天天低价",把花在促销上的钱以低价的方式直接给消费者。
当然,如果消费者已经在习惯了促销,你还不能简单地拷贝"天天低价",不然可能死得更惨,美国百货巨头杰西潘尼(JCPenney)就是活生生的例子。
2012年,杰西潘尼业务不佳,就把苹果的零售业务高级副总约翰逊给挖了过来,担任CEO。约翰逊一手打造了苹果的零售业务,头顶耀眼的光环,一到杰西潘尼,就开始导入苹果不促销的做法,结果一年下来,销售额下降29%,净亏损接近10亿美元,约翰逊就只好卷铺盖走人。
约翰逊失败的原因很多,其中不可忽视的是消费者的习惯:杰西潘尼的老顾客们都习惯于促销,即使已经给他们"天天低价"了,他们还是在等着继续打折呢。这也是"路径依赖",短期内要改变很困难。当然,消费者心理深似海,我不敢冒充内行,所以就此打住。
成因4:理性预期。
如果出现供不应求,且可能持续一段时间,厂家给供应商的订单可能大于其实际需求,以期供应商能多分配一些库存和产能,但同时也传递虚假需求信息,导致供应商错误地解读市场需求,从而过量生产。
比如这次你的需求是100个,给供应商100个的订单,供应商打6折,给你供货60个。下次你的需求还是100个,那就给供应商200个的订单,希望6折后能满足你的需求。可供应商已经没法6折了,只能3折。那下下次的订单呢,就变成300个,尽管实际需求还是100个。
这里的关键是供应商不知道你在博弈,或者知道博弈但不知道究竟博弈多少,就参考订单的数量来计划产能和分配库存,埋下了过度扩张、过度生产的种子。随着市场供需渐趋平衡,有些订单会被取消,导致供应商多余库存,也使供应商更难判断需求趋势。等搞清已经为时过晚,成为又一个"计划跟不上变化"。
短缺时的过激反应,为牛鞭效应推波助澜
分享一点我自己的经历。
2006年前后,全球金属短缺。当时我的老东家采购一种特种铝锭,正常交期是13周。短缺开始时,冶炼厂说交期得18周,我们的第一反应就是再加订一个铝锭。短缺的恐慌传播开来,人人都这么做时,冶炼厂说18周已经不够了,需要26周。我们的反应就是马上下发第三个铝锭的订单。
人人都这么干,冶炼厂虽然知道有博弈的成分,但不知道博弈究竟有多大;刚开始扛着不加产能,但架不住订单雪片般地飞来,销售、客户端的压力越来越大,于是就走上了产能扩张的路。重资产的扩张周期很长,意味着短缺要持续很长时间;短缺持续地越长,需求端越是动物本能地拔高预测、拔高订单来应对。
你知道,所有的行业性短缺,最后都会以过剩结束。就拿我的老东家来说,冶炼厂的产能最终总能加上去,那3个铝锭都送来了,发现手头的库存两三年都用不完了,于是就捂紧钱袋子,不再给冶炼厂订单。人人都这么做,冶炼厂一看,世界末日到了,先是减少班次,然后裁员,最后是关停并转,走上了"去产能"的艰难征程。
钢铁、煤炭、水泥、化肥、新能源,这些行业的共性是基础产业,远离最终消费者,在供应链的后端,而且是重资产运作,要加产能不容易,要消化产能也很难。此外,这些行业的从业公司大多以国营为主,或者是政策扶持的新兴企业(比如光伏、新能源),整体管理粗放,就成了接下来"去产能"的重灾区。
好不容易产能"减肥"成功,市场库存也消化得差不多了,却发现又进入了短缺状态:库存下降,订单交期就拉长;采购方过激反应,就开始拔高预测,多下订单;供应方伤疤刚好还记着痛,先是扛着不加产能,但架不住订单雪片般飞来,竞争对手可能先走一步的风险,最终就又走上产能扩张之路。
那怎么办?短缺时的分配,不能基于客户现在给的订单量,而要按照短缺前客户所占的需求份额。比如在短缺前,某个客户占总需求的比例为20%,那么不管客户现在给多少订单,手头的库存就分配20%给这个客户。这抑制了信息不对称下客户操纵订单的冲动。
这也是为什么在决定扩张产能时,那些有经验的企业不会简单地参考客户的在途订单量。或许有人会问,这经验从哪里来?以前吃的亏,受过的罪,交过的学费。
对于采购方来说,我们要避免"动物本能"做计划。也就是说,行业性的短缺下,供应商的整体产能不足,我们不是本能地拔高需求预测、拔高安全库存来应对。毕竟,供应商没法送货,不是因为我们给的订单不够,而是因为它们没产能、没库存。我们拔高了计划水位,供应商还是没货给我们,解决不了短缺,但注定会造成过剩。
第一, 核心竞争力要能助力开发多种产品,进入相应的市场。就我自己来说,我在供应链领域浸淫多年,让我写了6本书、几百篇文章,开发出一系列的培训,服务各行各业的企业。这是核心竞争力的延展性。延展性很重要,因为有时候企业根据特定客户的需求,投入大量资源,开发出特定的能力后,最终却发现没法复制,找不到第二个客户,成了一锤子买卖。
第二, 核心竞争力的价值要被客户认可,这是其有用性。我的文章有众多的职业人在读,我的书在很多部门是人手一本,我的培训也有很多公司来参加。这是有用性的一部分,但不是全部。真正的客户认可,要体现在愿意支付高于平均水平的价格。是的,我的培训、咨询从来都不是靠价格竞争,众多的客户也认可,因为在他们眼里,性价比更重要。
第三, 核心竞争力要难以模仿,这是其独特性。我这核心竞争力是二十多年来积累下来的:系统的商学院教育,深入的供应链实践,十几年的总结和思考。这战略本身没什么独特,用曾国藩的话说,就是"结硬寨,打呆仗",但很难模仿,因为很少有人愿意投入这么多的资源,特别是国内这些年经济发展这么快,大家赚钱都来不及,谁还愿意十年如一日地做研究,写书写文章?
我的核心竞争力探索经历了长期过程。
2005年,我开始了"供应链管理专栏"博客(www.scm-blog.com),写了几百篇文章,大概有几十万读者,所以我想建立个猎头业务,专门帮助跨国企业在国内招聘员工。但很快我发现,招聘能力太容易模仿了:光上海就有3000多家猎头公司,从前台到CEO,都有很多猎头能招聘。没有独特性,就很难获取高于市场平均水平的回报:猎头不是个好生意,招聘不是核心竞争力。
2009年,金融危机后,需求放缓,重资产问题浮出水面,国内有个千亿级的制造企业,走在前沿,开始考虑轻资产,把制造业务外包。这是显著地改变整个供应链结构,在国内尚属首例。我就介绍一个美国的咨询公司过去,帮助他们制定供应链的转型战略。但问题是,这个项目做完后,我们再也没有能够获得第二个项目:这是在引领潮流,需要这种服务、能够支付相应费用的公司都很少。这不符合延展性的要求。
2011年,我进入培训领域。刚开始是内训,然后是公开课。最初的公开课每次只有十几个人,都是我多年的读者。这群核心的读者从2005年就开始培养----他们在读我的博客文章,逐渐成长,在公司的影响力也越来越大,参加了培训觉得不错,就推荐他们的同事来,让他们的部下来,这培训业务也就这样做起来了,多的时候每次有一百多人。
培训业务做起来了,咨询业务也就来了,时常有学员、读者邀请去做咨询;各种会议、讲座、活动的邀请也接二连三地来了;其他的合作机会也来了,比如开发软件,推销产品、服务等。核心竞争力的问题就摆上台面:我的资源(时间)有限,究竟该聚焦什么呢?
不是咨询。咨询需要很多现场服务,几周几个月地呆在一个企业里,我大部分时间在北美,这对我的日程是个大挑战。我也不想雇几十个MBA,然后整天忙着写建议书,给他们接项目,被客户叫去骂----我如果喜欢管理大团队,那在大公司继续打工就是了。况且,那么多的企业,没有我的咨询,不都成长到几十几百甚至几千亿的规模了嘛。
当然,我还是会有选择地做一些咨询,比如在供应链战略上,帮助企业的中高层、跨职能达成共识;在供应链计划上,帮助他们优化预测方法、改善交付、控制库存等。这都是配合我的研究,积累案例,验证方法论,算是"产学研"结合。在咨询客户的选择上,我非常挑剔,营收几个亿的企业是我的最爱:规模已经相当大,但还没有大到什么也做不了的地步。这个规模的企业执行能力也强,你也能很快看到咨询的效果。
不是培训。围绕我的6本畅销书,我开发了一系列的供应链精品培训,已经做了300余次,但我不认为我要做个培训师。对我来说,培训是兼职,一方面养家糊口,一方面更好地熟悉业界的问题,为研究、写作服务。我不想每天去赶场,那虽然可以赚更多的钱,但代价是没有时间做研究和写作----没有持续的研究做后盾,没多久你就只剩下张嘴。
所以,对于培训,这些年来,我每两个月回国一次,每次两周时间,在上海、深圳等地做几天公开课,期间再给两三家公司做内训,仅此而已。
更不是做个文化商人,出席各种活动,站台背书自己都不用的产品和服务。也不是跟着热点走,什么热就说什么、推什么。这些年,供应链金融、区块链这样的概念频频出现,时常有人拉我"入伙"。我不是说这些不重要,但从专业的角度,我们得从供应链的基本面去思考,去寻找解决方案,而不是哗众取宠,拿宏大空洞的名词博取眼球。
那剩下的,就是研究、总结和写作,填补学者与实践者之间的空白:学者往往没有实践经验,写的东西理论有余、实践不足;实践者则既欠缺理论基础,也没时间、没兴趣写文章。这就是我的核心竞争力。我大部分的时间在研究、写作,让众多的实践者以免费或一本书的代价获取知识、经验,然后他们中每1000个有一个来参加我的培训,我的养家糊口的问题就解决了----感谢广大读者的厚爱,这个目标早已实现。
宁静方能致远。当这么定位的时候,我发现众多的诱惑都消失了。我不会因为没有出席那些活动、做那么多的培训和咨询而后悔----钱是赚不完的,我选择的是有了基本生活保障后,做更多的原创性研究,帮助提升一个行业、领域的整体管理水平。
这就是核心竞争力的价值:它不但让你生存,而且让你心安神定地结硬寨,打呆仗,耐得住寂寞,走得更远。想必大家现在也明白,不断找"风口",哪儿热往哪儿凑的企业,不是因为时代的浮躁,而是因为缺乏核心竞争力以及相伴而来的定力。
牛鞭效应也叫长鞭效应,是指需求的微小变化,在沿着供应链从需求端传到供应端的时候,会层层放大。越是处于供应链的后端,需求的变动会越大。就像西部牛仔挥舞的牛鞭,手腕轻轻一抖,鞭梢便会大幅度抖动,这也是"牛鞭效应"名称的来历。
举个例子。假定全球的计算机需求轻微增长2%,传递到联想(制造商)时就可能成了5%,传递到英特尔(一级供应商)时则可能是10%,到了英特尔的设备商(次级供应商)时可能变为20%,而到了设备商的供应商则可能成为30%。
公司之间如此,部门之间也是这样。比如经济景气时,客户说预测是100个,销售不信任计划,万一供应不足怎么办,那就告诉计划是120;计划不信任采购,就让采购按140来准备;采购不信任供应商,告诉供应商是160。经济不景气时,层层加码就变成层层打折,一切都倒过来了。
即便在同一个职能内,也存在牛鞭效应。比如很多企业采取层层提需求的方式----提需求就是做预测,其实也是做承诺。一线销售报100,销售经理想,经济看上去不景气,万一达不到怎么办?就给总监报80。总监担心做不到,报给老总的就成了60。再比如总库短缺的时候,各前置库位层层拔高要货计划,争取分到更多的库存,都是类似的问题。
不管是公司与公司,职能与职能,还是上下级之间的博弈,牛鞭效应的结果都一样:多重需求预测,让供应链上的各个环节失去了协同基础。各个环节的预测不一样,就如销售念的是佛经,计划念的是圣经,采购念的是道德经,大家都念不同的经,怎么能协同呢?
多个预测中,最多只能有一个是对的,那其余的都是错的,而错的结果呢,就是短缺与过剩,以及相应的库存周转、产能利用和各种成本问题。
牛鞭效应加剧了需求的不确定性,供应链的自然反应是要么增加库存,要么增加产能。需求变动越大,供应链上各环节的产能、库存变动就越大。这表现在短缺时建库存、建产能得加急赶工,运营成本高昂;过剩时消化过剩库存和产能,意味着库存积压,产能利用率低。上坡下坡,都给供应链带来很大的挑战。
让我们看个例子。图1展示了北美半导体行业的整体库存变化。这是个两级供应链:客户是芯片制造行业,比如英特尔、美光;供应商是设备制造行业,比如应用材料、泛林集团等。半导体行业是几年一个周期,行业景气时,芯片商的需求上升,就需要更多的库存来支持,库存可增加40%左右;同样的需求变动,一旦传递到设备商时,增幅就更大,库存增幅可达80%。一旦行业不景气了,一切都倒着来。
放到具体的企业身上,由于没有聚合效应,需求和库存的变化幅度就更大。图1中的那个特定设备企业是我的老东家,当时每年的营收大致是一二十亿美元,后来成长为170亿美元的巨无霸(2023年)。在业务的周期性变动中,老东家的库存动辄翻倍,紧接着跌下来70%。上坡下坡,忙的时候忙死,闲的时候闲死,都是成本。
图1:半导体行业的"牛鞭效应"(以整体库存水平为例)
资料来源:Electronics Supply Chain Inventory Study, Merrill Lynch In-depth Report, 10 December 2001, Jerry H. Labowitz, Vice President。芯片制造业数据包括26个美国的主要芯片制造商,例如英特尔、德州仪器等。设备制造业数据包括17个美国的主要设备制造商,如应用材料、泛林集团、KLA等。
这后面反映的是,在牛鞭效应的作用下,供应链上各个环节对需求变化过激反应。当市场需求增加时,整个供应链的产能增幅超过市场需求增幅,超出部分则以库存或产能的形式积压在各个节点;一旦需求增长放缓或负增长,库存积压、产能过剩就成了大问题,大量资金将被库存和固定资产占用,导致整个供应链资金周转不良、产能利用不足,企业就得裁员、关厂,甚至倒闭,尤其是处于供应链末端的中小企业。
在牛鞭效应作用下,越是处于供应链后端,需求变动越大,企业的响应速度就越慢。多年后,一个供应链末端的小供应商讲起这些时,两眼仍旧满是恐惧:高峰期来临时,一班变成两班,很快就是三班倒,员工从十几人一路增加到50多,雇人都雇不及。每天电话不断,都在催货,还是赶不上客户的需求增长。总算人员、设备配齐了,还没来得及喘口气,突然间订单都消失了,催货电话一个也没有了,车间里空空荡荡,太阳照进门来,只见空气中的灰尘一缕缕往下掉。接着就是裁员,一路裁到只剩9个技术骨干,保留火种,苦苦挣扎,等待下一个高峰期的到来。
对大多数人来说,这听上去太恐怖了。我敢打赌,99.999%的人都没有经历过。我拿半导体设备行业做例子,因为这是个牛鞭效应非常明显的行业,如果说不是最明显的话。其实,凡是个行业,都逃不脱牛鞭效应的折磨,无非是影响大小不同罢了。企业的业务变动,大都跟牛鞭效应脱不开干系。不变化的不需要管理----如果没有牛鞭效应,一半的人或许就不用上班了。
讲到这里,顺便讲个笑话。我刚进半导体设备行业时,同事们说如果这个季度发奖金了,你千万不要太高兴,因为下个季度就可能裁人;如果这个季度裁员了,你也不要太悲观,因为没多久就要发奖金了。行业变动大,组织就一直在变,人员一直在换;闲的时候闲死,忙的时候忙死,没有一天消停日子。
老东家初创之时,对这样的周期性显然认识不足,生意好的时候三天两头在庆祝,大楼前面集体吃烤肉,发皮夹克;没几天生意没了,钱也花光了,就裁员。吃了几轮苦,就变聪明了,把钱看得紧紧的,手头随时放着一堆现金,时刻准备"过冬"。就拿2016年来说,营收是59亿美元,现金最多时竟有72亿美元。
我呢则是生不逢时,既没有赶上三天两头吃烤肉的日子,也错过了后来股价一路飙升到700多美元的时光。虽说在这行业十多年,却是经历了两个多周期,大部分时间在受苦。不过好处是,在这么动荡的半导体设备行业十多年,所见所闻所经历的,放在风平浪静的行业大概得二三十年吧。
放到宏观经济上,我们经常说帝国主义的"经济危机",几年过剩,牛奶都倒到河里了;几年又是短缺,拼命扩产建厂;然后又是过剩、短缺,短缺、过剩,循环往复,其实都是牛鞭效应在宏观经济上的体现。美国俗语云,死亡与税收不可避免,其实没法避免的还有牛鞭效应。
在国内,牛鞭效应,或者说行业的周期性也是存在的,而且由于政府宏观政策的不确定性而更加难以预料,光伏、风电、新能源车等行业就是例子。不过得益于经济的高速增长,牛鞭效应往往被掩盖或者弱化。比如牛鞭效应来了,企业无非是少增长几个点,而整体还是在增长,一俊遮百丑。但是,随着经济增速的放缓,牛鞭效应会越来越明显,对企业的影响也会更大。
特别值得警惕的是,很多企业习惯了多年的高速增长,在宏观经济的放缓和行业的周期性变化上,普遍心理准备不足,甚至根本就没有准备。作为企业,一个重要的举措就是避免过度扩张。特别是对于远离消费者、处于供应链末端的设备行业,牛鞭效应猛如虎,阳光灿烂的时候,一定要想着下雨天。这就如投资,你首先想到的不应该是回报(Return on Investment),而是保本(Return of Investment),而要保本,关键就是不要太激进。
保守,有时候并不是什么坏事情:发展的前提是要活着,太冒进,死得快,不是好事情。想必现在你能理解了,为什么那些欧美日的名企,在产能扩张上是那么保守了:这些企业都是身经百战,经历过多轮的起伏动荡,吃了多少苦头后才变聪明的;而那些激进的公司呢,则大都因为冒进而死在路上,早成了关停并转的对象。
要知道,我们的很多产品跟自来水很相似:需求相对分散,每个渠道、客户的占比都不高,需求计划部门在公司层面制定基准预测,结合市场、销售的整体预判,即可做出相当不错的预测,各分公司、大区、渠道要多少就领多少得了。对于这种模式,我们就姑且称之"自来水模式"。
自然运作的供应链系统就如自来水系统,细枝末节是不用做预测的
消费品、零售、电商等众多行业都能看到"自来水模式"的影子。对于总库、子库等构成的多阶段库存模式,"自来水模式"也经常适用。工业品企业的备件库存网络就是例子:备件在总库做好预测,让工厂和供应商生产好足够的库存,然后各地子库的库存一旦低于再订货点,就启动补货机制,而不用提前预测几个月的需求。
"自来水模式"下,各分支机构不需要做预测,汇总成总体预测来驱动生产和采购,因而也消除了协同的必要。要知道,最好的预测是不需要预测,最好的协同是不需要协同(赵玲女士语)。
要注意的是,"自来水模式"下,不用做预测的是"细枝末节",或者说"小沙子",并不是说所有的分支都不用做预测。打个比方。作为万千居民的一分子,你搬到一个新的城市,是不用向城市供电局预测自己用电量的;但是,如果你是个电解铝厂,这就不适用:电解铝需要消耗大量的电,他们是"大石头",能够显著改变一个地区的用电量,如果要在某地设立新厂,就得跟供电局合作,确保当地供电局能够供应;如果产能利用率有显著变化,实质性地影响到用电量,也需要提前通知供电局。
但是,这并不是说"大石头"就一定要做预测:如果"大石头"的需求稳定,没有显著改变需求的事情发生,需求历史有代表性的话,就不需要把"大石头"单列出来做预测。
在快时尚公司ZARA,我们就能看到"自来水模式"的痕迹。如图,ZARA在供应链上设置两个推拉结合点:第一个是半成品,针对标准化的半成品做预测,用自动化程度高的生产线大批量生产(推),然后根据市场需求的偏好对颜色、配件等进一步定制(拉);第二个是成品,ZARA在总的配送中心层面预测需求,驱动整个供应链,而各地门店要多少,就下单补货多少,几天内到货----门店要做的只是提货计划,只覆盖补货周期这几天,而不是整个生产和采购周期。
ZARA的两级推拉和"自来水模式"
通过设立这两个推拉结合点,ZARA得以避免在颗粒度小,准确度低的地方做预测,从而减少了随之而来的库存问题。这两个推拉结合点也解决了快时尚、快消品等行业的两个根本性问题:(1)SKU层面的预测准确度低;(2)库存进入渠道、门店后的"货到地头死"。
要知道,快时尚、快消品行业的颜色等流行元素很难预测,所以SKU的预测准确度低。ZARA在半成品层面不预测颜色,而是等到市场流行元素更清楚时再染色,降低了提前在SKU层面做预测造成的成品库存风险。渠道、门店的颗粒度小,预测准确度低,如果采取服装行业常见的订货方式,库存一旦压到渠道、门店,就容易出现积压的积压,短缺的短缺问题,降低库存的效率。
当然,ZARA之所以能避免"货到地头死",是因为ZARA的门店是自有的,对门店的垂直整合增加了管控力度,能够更好地约束门店的博弈,避免他们在畅销时恶意抢货,滞销时又不愿进货等问题。很多行业的渠道压货行为,都跟对渠道的管控力度不够有关,因为渠道非自有(而自建渠道的话又有重资产的问题)。
]]>这说明,虽然有外界的不可控因素,我们在复杂度上还是能够有所作为,不能光把责任往客户头上推。要知道,客户需求就如发到我们手上的一把烂牌,但我们怎么打,还是大有区别的。一旦你听到业务端拿客户需求做借口,说他们也是"被迫"的,你知道,他们在找借口,以不可控为自己的不作为找说辞。
我们不能傲慢到对客户的需求视而不见,因为傲慢会要了我们的命;但也不能对客户的需求言听计从,不加分析地照搬,因为随之而来的复杂度也会要了我们的命。前文的汉王案例中,那37种电纸书就是活生生的例子:用汉王自己的话,用户是汉王的老师,而这些产品呢,每一款都是给某些"老师"开发的呗。
客户之所以是客户,是因为他们钱多、人傻----如果既有钱,又聪明,他们自己就能满足自己的需求,哪有我们的生意做?正因为傻,所以客户往往不知道自己的真正需求。就如亨利·福特说得好,(在汽车发明之前)如果你问大众想要什么,答案会是一驾跑得更快的马车。
作为供应商,我们钱少,但人聪明(你现在知道,这世界是多么公平),要做的就是发挥我们的聪明才智,以及对产品的丰富知识和经验,来探究、管理和引导客户的需求,尽量标准化、通用化那些需求, 以有限的供应来满足无限的需求,产生更大的规模效益。
在产品设计定型后,库存风险主要来自两个方面。其一,需求预测的准确度。预测做得越早,信息越不完善,预测的准确度越低,相应的库存风险也越高。其二,生产工艺的质量风险。虽说产品设计定型了,生产工艺也经过了初步验证,但从小批量的验证,转入大批量的生产,变动还是相当大,带来相应的风险。比如小批量验证期间,主要工艺是手工;大批量生产时,开发了模具,而模具本身还没有得到充分验证----生产得越多,库存风险就越高。
为了避免这样的风险,有些公司就推迟补单,比如研发人员规定,在第一批产品出来之前,不能开始生产第二批。这在一定程度上控制了库存风险,但可能增加了断货风险和运营成本。
在新品导入阶段,短缺风险也主要体现在两方面。其一,补货不及时,上新促销期间顾客的订单接到了,但到时候没法供货,也因为这样,不得不延长促销期,造成营收损失。其二,补货不及时,不均匀,虽然整体需求跟供应匹配,库存没有均匀分布在供应链的各个节点,产品转入正常销售后不久,就出现阶段性短缺,影响业务。
运营成本要么来自订单太多,要么来自订单太少。订单太多,意味着小而频繁地下单,会降低规模效应,增加供应链的单位运营成本。订单太少,意味着一旦下单,批量就相当大,规模效益是有了,却容易造成闲的时候闲死,忙的时候忙死----赶工加急,也增加了运营成本。
新品的滚动计划呢,就是基于预测的准确度和供应链的执行能力,来平衡上述三者。
简单地说,新品导入后,越早预测和录入后续需求,短缺风险越小,但越早预测,准确度越低,库存风险越高;越晚录入后续需求,预测准确度越高,库存的风险越小,但是短缺的风险越大。我们要在预测的时效性和准确度上平衡。具体地说,就是在新品上市开始验证后,多长时间开始录入后续需求?
再比如说预测的调整频率和调整幅度,预测调整频率越高,预测调整幅度越小,供应链看到的订单会越频繁,但订单量会越小,规模效益也越小;预测调整越不频繁,一旦调整,调整的幅度就越大,供应链的规模效益会更大,但又面临产能安排不均匀的问题。每天更新预测,那意味着每天都可能给供应链下单,显然是太频繁了;那每月更新预测,一个月下一次单,一次下一个月的量,看上去却有点太不频繁。这里的折中点,也是新品计划滚动频率要考虑的。
但是,客户订单来了,我们什么时候交付,现在产品在哪里,加工、运输到哪个地步,早到还是迟到,一切却如黑洞。让我们看一个熟悉的场景:
分公司在支持客户,想知道总部的货什么时候才能到本地。总部在向供应商催货,供应商在向下一级供应商催货。一个接一个的邮件,微信,电话,每个环节都花了大量的人力。往往一个料催下来,几十个Email,抄送几十个人,大多在ERP外操作,而且Email里的信息与ERP里的经常对不上。公司内部如此,公司与公司之间的系统就更难对接。结果呢,整个公司,上至总部,下至当地客服中心,都没法给客户个确切的交货时间。
这问题不是理论上有多难:不管是库存、生产还是运输,单个问题都好解决。问题是这么多环节掺杂在一起,离开了信息系统的支持,就很难准确地知道外购件什么时候到、到多少,产品什么时候出、出多少,以及发送给哪个配送中心、发多少、什么时候发。没法围绕客户的订单,有效集成生产、采购、供应商、配送等多个环节,给客户一个可靠的承诺,并且大概率地兑现,是集成供应链的一大挑战,而信息化是解决方案的关键构成。
供应链相关的信息系统大致可分为三类:其一,客户关系管理系统(CRM),也就是通过层层漏斗,筛选和管理需求,以订单或预测的方式形成需求,驱动供应链;其二,ERP,这是企业信息系统的内核,承上启下,对接需求和供应;其三,供应商关系管理系统(SRM),实现跟供应商的电子连接。
需求由CRM到ERP,再通过SRM传递给供应商;交付承诺从供应商经由SRM传递到ERP,再通过CRM承诺给客户,都是建立在信息化的"高速公路"上的。
信息化,实现闭环的交付体系
图片来源:Vectorstock
而这条"高速公路"呢,要么是某些环节根本缺失,比如没有SRM;要么是功能不健全,比如ERP里的MRP没法自动跑;要么是"铁路警察各管一段",三大环节没法有效集成。不管什么原因,结果都一样,那就是信息高速公路支离破碎,没法承担闭环交付的载体。
首当其冲的是ERP。作为企业信息系统的内核,没法跑物料需求计划(MRP)是ERP的普遍挑战。简单地说,MRP是需求录入了,系统自动层层打开物料清单(BOM),计算净需求,驱动生产和采购。BOM不准确,主数据不准确,库存账实不符,都是粗放管理下企业的普遍问题,也是MRP没法自动运行的几大根源。这后面的细节非常多,可以说凡是能出问题的,都会出问题,在我的《供应链的三道防线》一书中有详细的阐述。
MRP没法运行,供应承诺逻辑就运行不了,这是ERP的另一个常见问题。ERP中有一个术语,叫ATP,翻译过来就是供应承诺,是闭环交付的关键。其运作机制让我们举个简单的例子来说明----我理解这有点太技术,或者说太细节,但这是闭环系统的关键,不解剖"麻雀",是不能得知全貌的。
假定需求是100个,现货有30个,那么就可以承诺30个马上发货。其余70个呢,假定50个的原材料库存齐全,生产周期是10天,那么承诺就是10天后可发货。最后的20个呢,需要加上采购原材料的两周时间,承诺交期就是24天。这些承诺默认的是系统里的标准交期,如果供方要调整的话,就会层层调整,计算出新的交付承诺。这就是简单的供应承诺ATP逻辑。
MRP没法自动跑,需求就没法自动传递下去;ATP逻辑不健全,供应也是没法层层承诺上来,昂贵的ERP就成了摆设。缺了承上启下的ERP系统,企业信息"高速公路"的腰就断了。再加上CRM、SRM缺失,或者功能不健全,"软件不行小二上",用阿里的一位供应链职业人的话,那就得人工干预。那么多的产品、零部件,那么多的环节,需求日期在变,供应日期也在变,不管有多少"小二",也是不可能精准维护的。
结果呢,客户需求进来了,供应链很难及时承诺交货日期。即便承诺了,兑现率也很低。供应端充满了不确定,需求端就投入大量的精力来管理,导致陷入恶性循环:(1)销售投入需求管理的时间就更少,导致需求理不顺,供应的问题就更多;(2)供应链花太多的时间来确认交期,更新进度,而不是在改善计划、选好管好供应商。
这些问题大都体现在订单层面。订单层面的事,上层不介入,所以不了解详情(虽然知道运营层面的人整天在忙,对着计算机干很多活,但不知道在干什么,也没兴趣知道);基层知道情况,但人微言轻,而且容易陷入细节,迷失在现象里,没法有效表述问题。于是,订单层面的问题就成了必要之恶,而基层不得不花费大量的精力来应对,机会成本惊人。
在我熟悉的有些公司中,规模动辄都是几十亿、几百亿,有些连基本的ERP都没有,计划是在Excel上做;跟供应商的SRM就别提了,几亿、几十亿的采购额,几千、几万个料号,都在手工下订单。需求一录入系统,就如进了无底洞,得不到具体的交期;即便经过N个电话、邮件,拿到一个交期,能否兑现还是另一个问题。供应承诺不闭环,供应的口子开着;供应不确定性大,客户服务水平低;从前到后,太多的资源用于管理供应,一地鸡毛。
谈到这些真是让人绝望。那么大的公司,要把这些做到位可不容易。
上世纪90年代后期,华为导入IBM的集成供应链流程,以及围绕集成供应链流程实施信息化,就是把各个职能更好地整合到一起。这为华为的进一步发展打下坚实基础,帮助公司从百亿级跨入千亿级。华为推进的数字化转型,其核心是解决协同和闭环交付问题。比如实时、多点、线上协同,交付全程在线可视,一键看进展,风险主动预警等(参见《华为数据之道》一书)。
但是,真正的闭环交付体系的形成,却是多年以后的事了。在2017年的新年致辞中,华为轮值CEO徐直军说,"经过多年的努力,(华为)交付流程基本贯通",也足以体现交付流程闭环的挑战之艰巨,除了业务流程之外,信息化本身就是一大挑战。
这些年,工业4.0引起了广泛的兴趣,其实企业的最大挑战呢,仍旧在工业2.0的水平,即基本的MRP能否运转,库存数据是否准确,端对端的承诺逻辑是否建立了,这都是集成供应链的基础。当然,重复性的问题是没法在产生问题的层面解决,而是要在高出一两个层次的层面解决----希望工业4.0能够引起企业足够的重视,从而真正解决2.0的问题。
我讲这些,并不是想提供一个解决方案----信息化是个非常大的领域,不是我的专长。我想说的是,信息化任重道远,跟组织、流程一道,是供应链能力的关键构成,也是把供应链跟销售集成起来不可或缺的。信息化建设周期长,问题更难对付,所以一拖再拖,成了集成供应链的短板。这是个管理问题,因为能力建设是管理层,特别是中高层的主要职责之一,却由执行层买单。
放在计划上,如果说"从数据开始"是教条主义,是"数据派"的话,那么"由判断结束"就是经验主义,是"实战派"。"实战派"的经验是独特的,只能把你带到经验主义的高度,那就是你现在所处的位置;到了一定地步,光靠经验,你只能是原地踏步,不进则退。"数据派"的教条有普适性,是我们更上层楼的基础,但光靠教条,你也会死得很惨。企业到了一定规模,教条主义为本,经验主义为辅,两者结合才是更好的解决方案。
为什么企业大了就要更"教条"?这是因为企业小的时候,业务相对简单,经验主义就能够对付;小企业数据不健全,也只能更依赖经验主义。但是到了一定规模,企业的复杂度大增,就没有人能够知道真相;真相在数据里,我们就得更重视教条主义。我理解,教条主义的"教条"二字的形象并不好,但这里强调的是基于数据分析的教条,而不是食古不化的教条。
经验主义是小公司的做法。当企业增长到一定地步,就没法在经验主义的基础上快速复制,因为经验不可替代。随着公司规模的增大,经验其实一直在稀释:招了越来越多的新人,有经验员工的比例在下降;最早是创始人们在做一线的决策,现在变成了一帮职场新人。对这些新人来说,经验的积累需要时间,而"积累"呢,其实是在试错,而快速增长期间的大规模试错,可能让我们到不了目的地就死在路上。
那怎么办?我们还是要回到教条。比如就需求计划来说,要回到数据,从数据开始,制定基准;由判断结束,加以调整。毕竟,我们以前吃过的苦,受过的罪,有相当一部分已经留存在需求历史里。只要我们"拷打"得足够长,还是能从历史数据中学到很多东西的(借用诺贝尔经济学奖得主科斯的话,就是"只要你拷问足够久,数据总会招供的")。
但是,数据分析能力太低,数据分析不到位,教条主义解决不了问题,人们就容易滑向经验主义,开始特殊化自己的问题,怀疑数据分析,对凡是基于数据分析的,比如预测模型,库存计划公式等,就产生天然的怀疑甚至反感:我们的情况特殊,我们都试过了,不起作用。于是就倒退为经验主义,一线提需求,销售做计划,继续深陷在粗放管理的泥淖里。
摘自《供应链的三道防线:需求预测、库存计划、供应链执行》第2版,刘宝红著。
在这里,我想把这三个小故事讲得更详细点,因为它们也是供应链管理在国内十几年来发展的缩影。
2000年4月的一个晚上,上海已经是初春乍暖。睡眼惺忪中,我接到一位美国教授的电话。那是亚利桑那州立大学的面试电话,我在申请他们的商学院。教授是美国人,不过地方口音很重,半懂不懂中,我隐约听到一个词:Supply Chain Management(供应链管理)。这是什么?我学管理专业都成十年了,还是第一次听到这个名词。到了美国,才搞明白教授有个供应链管理的研究项目,因为我以前的行业背景挺适合,就给我奖学金,招我来做研究助理。
还是不知道供应链管理是什么,就请教底特律的师兄。他说这可是美国的大热门。后来听人讲,当时供应链在美国的热度,大有跟互联网一拼的架势。也是在那个时候,美国一流的商学院开始单设供应链专业,与财务、营销、运营等传统的MBA专业并驾齐驱,供应链管理的MBA也正式成为MBA的一个分支。但在国内,供应链管理可以说是一片空白:当时国内刚开始做物流管理,我隐约感到供应链跟物流有一定关系,但除此之外,就一无所知了。不管怎么样,我就这样进入了供应链管理领域,鬼使神差地成为国内较早一批系统研究供应链管理的人。
一晃八九年过去了。我在美国求学,工作,定居下来。期间博客开始流行,我就开了个"供应链管理专栏"博客(www.scm-blog.com),断断续续写了几百篇文章,后来汇集成我的第一本畅销书《采购与供应链管理:一个实践者的角度》。2009年,突然有一天,一个千亿级企业的总监在我的博客上留言,说他们要做供应链转型,能不能帮忙?供应链转型?这不就是北美这一二十年来忙的嘛!北美企业在全球寻源、外包生产,彻底改变了供应链的结构,要求企业的系统、流程和组织架构、人员建制上作出实质性的改变。他们虽然不这么讲,但其实用一句话来说,就是供应链转型。
当时我还在硅谷一家公司全职工作,没法经常出差到国内,就介绍一个美国专家过去。这位专家先在霍尼韦尔等公司就职,经历了美国航空制造业的全球寻源、外包和供应链转型;后来到硅谷,进入半导体设备行业,推动一个半导体设备制造商的供应链转型。对国内的这个大公司,他在方法论上帮助外包生产、搭建新的供应链架构,我帮助做协调、沟通工作。就这样,离开中国成十年后,我又跟国内联系上了,介入了早期本土企业的供应链转型。
大致也是在这个时间段,供应链管理普遍上了大型本土企业的雷达。我想这跟08年金融危机不无关系:经济不景气,营业收入增速放缓,成本压力加大,逼得越来越多的企业向供应链管理要效益。可以说,供应链管理是典型的"生于忧患",是外在压力下企业的理性选择。类似的例子还很多。时光返回到1997年,作为最早重视供应链管理的本土企业之一,华为开始系统地导入IBM的集成供应链管理,与规模增大带来的低效,以及当时的亚洲金融危机不无关系。再往前到80年代,供应链管理在美国兴起,根本原因就是日本企业的竞争压力,迫使北美企业放弃单打独斗,推动供应链上各合作伙伴的通力协作。
五六年又一转眼过去了。期间我去国内二十余次,培训、咨询众多的本土企业。客户先是集中在千亿、百亿级的大企业,慢慢地数亿规模的中小企业也越来越多,包括一个年营收5亿人民币的玻璃幕墙公司。有一天,该公司的老总说,我们其实就是个供应链管理公司。我有点吃惊,心想这可是建筑行业,你们又是安装玻璃幕墙,跟生产没关系,怎么称得上供应链呢?不过转眼细想想,也对:供应链是匹配需求和供应的链条,客户有需求,这个公司有供应,这不是供应链是啥?后来,这家幕墙公司进入电商领域,建成门窗、幕墙行业的第一个B2B电子商务平台,供应链管理就成了他们的核心竞争力。
像这个幕墙公司的还很多。他们大多是民营企业,经历了一二十年的爆炸式成长,规模成长到几个亿、一二十亿,说大不大,但一点也不小。人工成本飙升、人民币坚挺,成本和库存问题日益严重,都促使这些中小企业向供应链管理要效益。就这样,十几年的时间,供应链管理从无人知晓,到后来被大公司采纳,再到广泛地进入中小企业,终于成为本土企业管理词典中的关键词汇。
我说这些,主要是给大家一个大致的轮廓,了解供应链在国内的发展历程,以及未来的发展前景。我很幸运,无意中成为国内第一批系统学习、实践和研究供应链管理的人,也见证了一二十年来,供应链管理在国内的蓬勃发展。各位读者也是同样幸运,因为你们都是本土的前几代供应链专业人士。供应链管理发展这么迅猛,对人才的需求这么大,我们每一个人的未来都是一片光明,机会可以说是遍地都是。
作为职业人,我们的挑战呢,就是成为供应链领域的专家:系统学过、系统做过、系统提高总结过,能够从形而下上升到形而上,不但能自己成功,也能让更多的人成功。这是个长期的过程,不但需要自己去学、自己去做、自己去总结,而且需要向别人学习,向别的公司、别的行业学习。人总是从经验中学习,要么是自己的经验,要么是别人的经验。作为"别人的经验",希望这本书,和我的别的书一起,给大家更好的学习、总结和提高的机会。
一件事做不好,只有两个原因:要么是没意愿,要么是没能力。让我们先来说意愿。
设计不优化,是不是符合设计人员的诉求?当然不。我是工科背景,相信读者中很多也是,我们在大学读书时,每个教授都教给我们,设计的目标是不但性能要好,而且成本要低。不管是什么工程师,成本和性能的优化意识都是其思维的一部分,就如狗生来就是要咬狼的一样。所以,你不能简单地说设计人员不愿意优化设计。
当然,如果成本不是工程师的考核指标,他们自然会倾向于牺牲成本,来优先保证开发速度和产品质量。这点可以通过绩效考核来解决:给研发人员成本指标,比如新产品的目标成本,量产产品的年度降本等。 问题是即便工程师们愿意优化设计,他们有没有能力来优化?答案往往是否定的。让我们看看产品设计是如何优化的,就知道是为什么了。
我们知道,产品设计与工艺设计互为反馈、互相优化:研发人员设计好了图纸(产品设计),需要拿到生产线上打样,产线做的是工艺设计,根据生产线的反馈进一步优化设计。在垂直整合的年代,工艺设计发生在自己的产线上,设计经常和生产一道解决问题,有些公司叫"产研结合";在外包盛行的今天,工艺设计发生在供应商处,设计优化的参与者就成了供应商。
这不,工程师画好了图纸,确定了规格,就隔墙扔给采购,让供应商打样。供应商就开始做工艺设计,打样时给设计人员反馈,比如说其中一种材料的硬度很高,加工难度大,良率低、速度慢、成本高。同时,供应商建议道,别的公司(很可能是你的竞争对手)用另一种材料,相对软多了,好加工,良率高、交期短、成本低,你们为什么不用呢?这就是工艺的反馈。
产品设计和工艺设计的交互优化
图片来源:vectorstock.com
设计人员得到这样的反馈后说,这么好的点子,我怎么就不知道呢?你当然不知道,因为你整天对着计算机画图,有多少时间跟供应商一样,生活在生产线上?产品工程师懂产品设计,但不擅长工艺设计,特别是那些学校出来没几年的工程师。等试错N多次,解决了无数的质量、工艺、良率问题,交了很多学费后,这工程师终于既懂产品设计,又懂工艺设计了,却发现他已经不做设计了----他成了经理,做管理了。
不管你愿不愿承认,不管什么公司,产品设计大多是由低于平均水平的那一半工程师做的。这没有半点儿冒犯设计人员的意思。要知道,在任何时候,在任何职能,总有一半的人是低于公司的平均水平的。
对供应链职能来说,设计人员多以权威的身份出现,如果不是神的话。但问题是,相当多的设计人员不是工艺方面的专家,他们制造的问题,很多时候让人啼笑皆非。而解决方案呢,还是离不开采购和供应商。
我最早意识到这些,跟在硅谷的那段经历有关。
二十多年前我刚到硅谷时,第一份工作是在半导体设备行业做采购。当时在开发一个看上去有点像个平底锅的零件,直径大概一米多。这还不简单,负责机械设计的工程师就找了块铝,把中间的部分挖掉,把外面多余部分也车掉,剩下的不就得了嘛。
思路挺简单,制造却困难:这铝块都快100磅重了,得两个壮汉抬着,不小心伤着人可就不得了;那么大一疙瘩的高品质铝,车到最后只剩下一层皮儿,该浪费多少材料和人工!不管怎么样,设计已经定型,供应商就只能这么给做出来。工期长,良率低,成本高,便是意料之中了。
后来访问供应商,供应商说还有更靠谱的加工方法,那就是旋压成型法:找一块铝板,夹在旋转轴上,快速旋转的过程中纵向施加压力,渐渐包在内模上。在灯具、餐具、珠宝等行业,旋压成型工艺挺成熟。这不,你家的灯罩、盘子很可能就是旋压成型的。但在半导体设备行业,那帮博士工程师显然不是这方面的行家。谁懂?整天干这活儿的供应商呗。但由于介入太晚,只好在下一次设计变更的时候改进了。
再举个例子。
硅谷有个高科技企业,提供一种很贵的易耗品,每个价值几千美元,在客户的产线上用一段时间后,就要清洗维修,最大的挑战是零件上有千百个小孔,粉尘进去总是洗不干净。该企业有一大帮博士工程师,提出的解决方案是用高压蒸馏水冲,但效果不稳定,总有些粉尘吹不掉。那就多花时间冲,用掉很多蒸馏水,花掉很多人工,还是有残余粉尘。
这是一帮业界顶尖的专家,理论都很好,实验室经验也很丰富,但对产线上具体怎么干活,还是欠缺经验。后来找到一家供应商,破破烂烂的设施,一个做了半辈子清洗工作的大胖子说,这有什么难的,给高压水龙中掺入某种气体不就行了嘛。高压气体和蒸馏水冲到小孔里,形成气泡,气泡爆裂的力量就把那些粉尘给冲掉了。
会者不难,简单的一招,解决了一两年的老问题。这老问题有多大?光在一个客户那里,据说每个月的罚金就以百万美元计。
这些都发生在硅谷,很多人心目中的技术圣地。几十亿美金的大企业都这样,专业的博士工程师都如此,一般的企业就不难想象了。你得承认专业分工。术业有专攻,供应链伙伴各有所长。而供应商早期介入设计呢,就是整合供应链伙伴的最佳实践,产生1+1>2的效果。
【案例】户外灯具的太阳能板
有个公司的主要产品是户外灯具,市场主要在欧美,供前庭后院的照明。
户外灯具以前主要用电,现在越来越多用太阳能。相对而言,太阳能板很贵,为了节省,研发人员就精确地计算每款灯具需要的面积,比如能用3.1 厘米x 3.1厘米,就不用4厘米x 4厘米,即便后者是标准件(谁说设计人员不重视成本!)。这表面上节省了太阳能板,却成了供应商的噩梦:不是标准尺寸,切割就很麻烦,花掉很多人力,良率也受影响,而且边角料也没法再用。
类似的情况也发生在建筑行业。
有的工程师为了节省钢材,就严格按照最佳配料来设计,能用8号钢筋的就不用10号。结果同一个混凝土梁,配料单上有8号、10号、12号钢筋,虽说最省料,但施工起来就麻烦了:这些钢筋的型号那么接近,工人难以辨认,经常放错;如果把高标号的错当做低标号的无非是多花了些钱,但把低标号的错当做高标号的则可能有质量隐患。放错了再换,来回折腾,成本挺高,倒不如都设计成高标号的钢筋,材料和人工的总成本反倒更低。
这些问题的根源呢,都是设计人员不熟悉生产工艺。
就拿太阳能灯具的案例来说,太阳能板看上去像玻璃,摸上去像玻璃,但并不是玻璃,不能像玻璃那样随意切割。设计人员不懂这些,出于省钱的善意,不但增加了供应商的生产成本,而且增加了产品的复杂度----他们的样品就在办公大楼周围的草地上展览,几百种灯具,每个灯具都配备不同尺寸的太阳能板,量就很分散,没有规模效益,供应商都不愿意给加工。
负责销售的二股东愤愤地抱怨,都多少年了,设计人员还不知道太阳能板不是玻璃。谁最懂太阳能板的切割?供应商。随便叫一个供应商来,不出5分钟,就能解释地清清楚楚,太阳能板不是玻璃,不能像玻璃那样设计和加工。这里的关键是采购----采购在对接设计与供应商,可以在拜访供应商的时候带几个工程师,或者邀请供应商来公司给工程师们讲解。能影响这么多的工程师,相信没有哪个供应商不愿意讲给工程师们听。
所以,案例中的设计优化看上去是工程师的事,其实采购和供应链也是关键构成。在这个灯具公司,设计不优化,产品复杂度高,供应商的价格就降不下来,采购一直以受害者的身份出现。但他们没有意识到的是,产品设计不优化,采购也是解决方案的一部分。
其一是使用者偏见。当预测的制定者也是预测的使用者时,容易产生偏见。比如销售提需求(做预测),作为销售业绩承诺时,他们会倾向于偏低;市场做预测,如果营销经费是基于预测的话,则容易倾向于偏高;为了能够"超额"完成任务,或者彰显营销措施的"有效性",营销部门就有意调低预测;供应链做预测,但也对库存负责的话,则容易倾向于虚低。作为产品经理的话,她当然不会预测她的产品失败,所以新品预测往往偏高,同样也是因为使用者偏见。
比如有个手机企业,千亿级的营收规模,在全球有业务。他们的需求预测自下而上,来自两条线,一条线跟着产品,一条线跟着战区。战区的是目标导向,需求预测和销售目标交织在一起,战区做预测,战区也用预测,在"使用者偏见"的影响下,预测的准确度低;产品管理更加中立,不会受需求预测的影响,因而更加客观,预测的准确度更高。
我妹妹小时候给大家做饭,她饿的时候就做得多,下顿吃剩饭;她饱的时候就做得少,大家吃不饱。现在我明白了,这是"使用者偏见"在作祟。"医生不自医"跟这有点像:医生不能给自己看病,因为私心杂念会影响对病情的客观评估。解决方案就是找别的医生看病。父子不能教,那就易子而教,也是同样的思路。
放在需求预测上,解决方案就是让预测的制定者和使用者分离。当然我们不可能完全跟使用者分离,因为我们还需要他们的判断。那好,让他们只辅助判断增量的部分,而把存量交给计划人员。这样即便是有使用者偏见,影响的也只是增量部分。而增量部分我们也可通过搜集多方信息来佐证,以尽可能客观。
此外,计划也是需求预测的使用者,如果他们对库存周转、按时交付两大指标负责的话。这可通过调整两个指标的权重,让它们权重差不多,成为一对强相关的矛盾指标来约束计划职能的行为:交付不好,你要挨板子;库存太多,你也要挨板子。或许有人会说,那会让计划里外不是人,还怎么做预测?不是的。人天生就会对付一对矛盾指标,这就如你家小孩一生下来,就有两个"老板":你和你太太的诉求往往不同,一个让往东,一个让往西,但你家小孩总会让你们两个都满意。
其二是近期偏见。人的记忆非常短,决策很容易受最近发生的事情影响。比如给房子买洪水险最多的,就是洪水刚过的那段时间;而买保险最少的呢,正好是发生洪水前的那段时间----连续几年不来洪水,大家好了伤疤忘了痛,都把洪水险取消了。每到发奖金、涨工资那几天,有些员工就非常卖力,他们是在利用你的"近期偏见"呢(那解决方案随手记账,把每个员工在过去半年、一年内做得好的、做得差的随手记下来,作为年终总结的依据)。
放在需求预测上,就是新近发生的事会显著影响销售的判断。比如最近几个电话打得顺利,销售就拔高预测;昨天丢了一个客户或订单,销售就对预测打折;一旦发现总部短缺,每个销售都竞相拔高预测。这都是微观感主导理性判断,让个例代替了普遍性,是近期偏见在作祟。关键元器件短缺期间,大家就疯狂拔高预测、拔高安全库存,给供应商下一年两年的订单,其实也是近期偏见下的非理性行为,解决不了眼下的短缺问题,反而造成最终的过剩问题。
近期偏见可通过长期的、历史的角度来纠正。比如要意识到时间长了,一定会有周期性,我们要慎始如终,不要被眼前发生的所左右。这些都是波浪式前进,螺旋式上升的一部分。这就如美国的股市:如果光看2020年3月的四次熔断,标普指数500下跌三分之一,你跳楼的心估计都有了;但如果看看过去30年、50年,保准你又吃得香睡得着了(如图 1)。我亲身经历了2001年、2008年和2020年的三次大幅崩盘,一次都比另一次严重,但每次都能很快恢复过来:这些崩盘更多的是由惶恐引起,而惶恐的根源正是近期偏见。一旦过了,人们的信心又会回来。
图 1:近期偏见需要长远视角来纠正
数据来源:Google Finance。
透过现象看本质,探究深层次的影响因子,也是纠正近期偏见的一大方式。这就如股票投资要看基本面一样,如果我们深究需求背后的驱动因素,就可能降低短期"杂音"的影响。有经验的计划人员熟知这点:他们跟需求端沟通的时候,更注重探听数字背后的故事;他们知道销售有活在当下的倾向(其实就是近期偏见),就把以前销售的判断记录在案,与实际对比,帮助销售更好地从过往历史中学习。
其三是可得性偏见。人们习惯于基于所知做决策,而我们的所知是有限的,信息不对称。这就如美国人的一个笑话:听说有人失业了,就觉得经济不景气;看到邻居失业了,就觉得经济衰退了;现在轮到自己失业了,经济就陷入了大萧条----经济还是那个经济,不过是现在自己失业了。说起吸烟有害健康,人们就想到自己的邻居张老头每天一包烟,都活了九十几岁;提起空难,人们总是充满恐惧,殊不知死于车祸的概率大多了,无非是新闻中不报道罢了。
2020年新冠疫情最严重期间,美国每天有近30万人感染,但在我所在的城市,9万居民中只有3人因为新冠住院。如果只看到这3个人的话,你八成会认为新冠没什么;正因为很多人持这种看法,美国的疫情才发展到不可收拾的地步,死亡人数远超二战。这背后,都能看到可得性偏见的影子。
放在需求预测上,我们经常征求需求端的判断,但销售、市场、产品等职能知道自己知道的,不知道自己不知道的,又没精力、没兴趣去探究自己不知道的,往往是基于片面信息,没法给出全面、可靠的判断。如果逼着销售要预测的话,或者滚动预测的截止期限马上要到了,销售就看到什么给什么,胡乱添个数字。你知道,你得面对可得性偏见了。
可得性偏见解决方案是让信息变对称,给大家完整的信息,比如一方面是把系统中已有的需求历史信息整合起来,分发给大家;另一方面就是多个专家的意见和依据整合起来,反馈给大家。计划处于更好的位置来做这些。在提供信息的时候,要保持中立,不要有倾向,促进发散思维。
有经验的管理者会征集多人的意见,也是在避免可得性偏差。组建不同背景的团队,持开放性心理,不先入为主等,佐以更长期、更全面的需求历史数据,都是应对可得性偏见的有效举措。
可得性偏见和近期偏见常常并肩出现:最近发生的往往就是最可得。比如,上次因为短缺被客户痛斥,没完成销售任务的经历,就都反映到下期的预测里了。这不,预测就这样虚高了。
除了上述三类偏见外,我们的决策还受很多别的偏见影响,比如目标影响判断,再比如有选择地吸收自己喜欢的信息("选择偏见"),先入为主的"锚定偏见",对自己的能力、判断过于乐观的"过度自信偏见"(专家尤其容易犯这错误,岂不闻"打死的拳棒手,淹死的会水的")。至于销售、市场人员整体上乐观,容易高估,却是不争的事实----这是职业病。
或许有人会问,个人偏见能否由团队决策来避免?答案是否定的:大家坐在一起讨论问题时,随大流的群体盲思是更糟糕的偏见;集体决策也容易让我们更冒险,因为责任更难落实到人。
摘自《供应链的三道防线:需求预测、库存计划、供应链执行》第2版,刘宝红著。