这篇文章介绍了供应链管理中的三道防线：需求预测、库存计划和供应链执行。通过对这三个方面的有效管理，企业可以实现准确的生产计划、库存控制和及时交付，从而提高效率和降低成本。同时，文章还提到了供应链数字化转型的重要性，通过数字化技术的应用实现更加智能化和高效的供应链管理。
供应链的三道防线：需求预测、库存计划、供应链执行读后感(一)
为什么这本书的评分这么高？刷的吗？ 此作者从不提及自己的工作背景，文中也是各种某某企业，完全就是自己随便捏造的一些所谓大公司，没有一点点专业的学术精神，不去做研究，就出书给别人科普，但是作为科普，这本书又毫无趣味可言。逻辑混乱，十分差劲，好在大观念没有什么问题，都是从各种教科书上拿来的专业名字，然后用自己的话复述一下，不建议想了解供应链或者供应链从业者读这种书。给个差评吧。
供应链的三道防线：需求预测、库存计划、供应链执行读后感(二)
一口气看了3本刘宝红的书，作为一个门外汉，抱着好奇的心态涉猎了这个系列的书，第一本红本看起来有着眼前一亮的感觉，如果重来没有接触过供应链的话，红本确实是很好的入门书籍，让人了解很多这个行业的知识，红本里面也包含了很多做事情的方法论，给一个行业门外汉或者职场新人实实在在的提升。但当你多看几本作者的书的时候，你就会发现里面很多内容都是重复的，有点赚稿费的嫌疑，虽然里面有一些新的观点，但那些观点其实用个几篇文章就能讲明白，作者硬是凑字数般的给写成了一本书，确实有点让人失望。
本书说的3个点需求预测、库存计划、供应链执行。但最后讲的供应链的执行要点却是毫不相关，明明说的是供应链执行，最好又讲回了需求预测和库存计划，其实作者通篇都在讲需求预测和库存计划的重要性，并没有怎么讲供应链执行，而是把供应链的执行归属于前两部分。文中作者用了一些统计学的方法来教导我们如何规划库存，看到这里时确实让我眼前一亮，作为一个文科生，确实拓展了我的知识面，但总得来说，这本书的亮点不多。
作者在开篇的序言也提及，每年写一本书或者修订原来的版本，在我看来，我给作者的建议是写好一本书好过泛写，作者在文中也强调过聚焦的优势，作者如果大量重复的泛写，就有点不爱惜自己的羽毛了，最后就会像供应链的库存那样，看上去销量很好，实际却是利润很低，没挣到什么钱，钱都到库存上了。
供应链的三道防线：需求预测、库存计划、供应链执行读后感(三)
是本很有实用性的书，可以给读者提供一些新的视角重新去审视自己所在的公司。
比如：
1.需求预测基本的方法论是“从数据开始，由判断结束”。你的公司是如何做需求的？有专职的需求计划员吗？有将公司的产品按照需求频次、客户集中度等进行分类从而能够区分哪些产品适合计划去根据历史数据做预测、哪些产品更适合销售做判断。
2.从客户实际的订单情况也能看出不同客户的供应链管理能力和公司相对客户的地位：客户给的订单预测，量和频次都很稳定、实际出入小的客户其需求预测能力往往也更为精细；客户给的订单周期越短则公司相对客户的地位也越低。
3.公司的安全库存是如何设定的？是不是拍脑袋一刀切？有没有具体产品具体分析？有些高频的物料即便价值很低也必须匹配很高的有货率，而有些价值很高但需求频次极低的则又需要足够的理性去降低安全库存。需求预测和安全库存相辅相成，前者对付的是平均需求，后者对付的是不确定性，这是两个不同的概念，有没有分开处理？
4.四分法来识别和管控库存风险：周转库存、安全库存、过剩库存、风险库存。
5.VMI是供应商管理库存的缩写，其根据库存的最低水位、最高水位和需求预测，由供应商自主安排补货，包括补货数量和补货时间，目标是把库存维持在最低水位和最高水位之间，达到一定的有货率。而寄售的本质只是单纯地延长给供应商的付款账期，与提升整体供应链效率、降低供应链整体库存的VMI截然不同，后者需要十分强大的信息系统作为支撑。
6.供应链协同是围绕同一套需求预测，在信息系统平台的帮助下，不同职能、不同公司的人的一致运作。
供应链的三道防线：需求预测、库存计划、供应链执行读后感(四)
第一次读刘老师的书，总体上而言开卷有益吧，尤其是这本书的总纲：三道防线，需求预测、库存计划和供应链执行，对于电商零售领域更进一步说就是销量预测、安全库存和补货逻辑。销量预测作为输入，结合采购周期、库存、库存周转、EOM模型形成采购需求，通过仓网、在途、在库库存数量、供应商绩效拆分成采购订单，然后通过安全库存监控，及时完成缺货、补货。
整本书更多的还是在进行基本概念梳理，没有谈太多的高级理论，也可能是因为国内制造业中的供应链管理水平大多处在“系统能力不足，组织能力来弥补”的阶段吧。电商的供应链比制造业的供应链在采购需求、供应商管控上应该更简洁一些，但在铺货、补货、缺断货、滞销处理控制逻辑应该更复杂。
理论上电商的销量预测应该能发挥更大的作用，用户多、商品多，周期长，数据量是足够了，但是。。。国内的电商无论是线上还是线下促销太多，人为干预多。线上可能稍微好点吧，通过广告、投放渠道，促销资源基本都能够进行数据量化。线下促销方法就太多了，不同的前端销售能够带来不同的效果，而且这中间和佣金返利又直接相关。实在是不同容易得到个准确的预测结果，但有预测肯定比拍脑门强，结合安全库存，多采了，补货周期延长，下次少采购点；少采购了，赶紧让供应商及时补货。总体上供应商还是能够满足快速补货的要求。
BP/VLT的曲线模型应该再仔细讲讲，这是电商供应链的核心模型了。
电商中的安全库存数量和销量预测、供应商备货周期、缺断货指标、配送时长（服务质量）直接相关，这中间“服务质量”是经常被忘记的一个指标。
SAP应该是顶级的ERP系统，价格和维护费用太高只能适用于大企业。但大企业的采购、库存、生产、销售流程都有自己的特点，SAP更多是一个执行系统，所以需要在外围再搭建能够适配SAP的信息系统，然后再数据落库到SAP上面进行执行。说白了就是进行SAP的二次定制，如果能够进行SAP的二次定制了，为什么不能跳过SAP直接开发采购、库存系统呢？SAP是个专门的开发领域，相关的研发人员少、专业技能要求高，系统还不容易scale。SAP作为财务管理倒是可以考虑。
电商供应链能吹牛的是不是就是CPFR了，这比VMI应该更进一步，从生产到销售的联动，不仅仅是库存共管、共享。JD的宣传上是和美的以前整过，但是否能有真实的效果很难说啊，作为美的应该是有生于无，准不准再说。
供应链的目标是：整合能力提升，总体成本优化！
供应链的三道防线：需求预测、库存计划、供应链执行读后感(五)
更推荐阅读过本书的人来阅读这篇文章，希望可以帮你理清结构，明晰思路，消化书中的知识。可惜脑图的话实在太大，就不发上来了，虽然个人更喜欢用脑图做阅读笔记。
这是一本供应链领域文集类型的书，总的来说聚焦于“供应数量”，如果是西方人写，书名也许会是《需求驱动的库存优化》。
文集类的书会产生的问题就是知识结构不够清晰，也就是递进关系的逻辑不明，看的时候觉得挺热闹，但过了一周再问问有什么收获么，就说不出来了（供应链领域常见的模块化教科书，尤其是各个认证考试教材也有其问题，所以谈不上哪种更好）。于是初级中级水平的读者看不清门道只看得到热闹；高水平的能读懂书，把书中的内容分门别类地放在自己的知识框架中，可这本书并不是太过精深的书籍（但好处就是没有什么统计学、运筹学的计算，读起来轻松），高水平的读者也就不太需要看这本书了，结果就是看得懂的不需要，需要的人看不懂。
为了解决这个问题，我来简单捋一捋这本书中的知识，当作简单的阅读指南。因为最近两年刚好在写供应链的书，刚好可以串一下这部分的知识，无论是书上说了的还是没说的在下面都会提及一些。
这本书谈的是供应，尤其是供应的数量问题，其内容从需求计划、库存建立及采购执行三个方面来递进展开。
在这三部分之前首先是引言，从简化了的SCOR模型引入了计划，进而抛出观点：想做好计划及计划执行间的联动，就需要从需求预测、库存计划和供应链执行三方面进行。这里的计划一词一笔带过，显得稍有不明，或许是因为还有一本即将出版的关于需求计划管理体系的书，所以才没有多说吧。本书之后在其后多次说了销售和供应之间信息交互的重要性。但在SCOR模型中，采购和交付并不是直接联系的，这并不符合本书的思想。或许S&OP更适合本书的情况，也就是说先形成S&OP（很多参加过S&OP会议的人觉得其只是聚焦于下一个月，然而S&OP的计划周期是3~6个月，只是以1个月为节点。隐藏在月度会议下的是大量的计划预测工作），进而再到主生产计划，最后才是材料需求计划，而本书聚焦的便是这个1~6个月的材料需求。所以如果你接触过S&OP的知识或者实际操作过，那么对于本书的观点应该很容易接受。
一、需求预测
1.1 你没法回避需求预测。这其实说的是需求预测的必然性。
于是这里有了小问题。开篇这部分说了供需双方力量对比问题，其实也是国外一些书上所说的“采购力”，但其实个人认为这个概念更适于用来说，因为采购力的强弱不同，所需行为就会不同，比如0采购力，完全是供应商说的算，那么就老老实实做大量的库存吧，如果是100采购力，那就和供应商谈一旦我要货就必须马上送到。也就是说这部分内容更适合体现出不同采购力下对计划的影响，而不是需求预测的必然性。所以如果是放到本章后续的如何进行预测部分，或者说放到本书最后的采购执行部分更合适（放到如何进行预测部分是为了说明不同的采购力情况下对计划数量的影响，进而说明面对不同供应商时分析采购力可以对需求预测进行优化；放到最后是用来说明根据不同采购品挑选不同体量供应商的必然性，属于供应商管理及优化的内容）。
1.1.1【小贴士】推拉结合也离不开预测。这个是很多书上说的结合点的问题（生产管理的书，精益的书都会有这个概念，当然供应链的书就不用说了），因为结合点所处的位置不同，则需求预测对象就会不同，且预测的精度要求也会不同。这里更适宜理解为：哪怕不同的行业，不同的商业模式，影响的只是预测内容，而不影响预测本身的存在。
1.1.2【小贴士】要预测，是因为供应链响应能力有限。这里是妥妥的预测必然性，只要在市场经济下，那么资源就不是无限的，而资金也是有时间价值的，所以就不能无限地做库存，进而也说明你只能根据实际情况去打造供应链，而你的供应链必然有其限制，其响应能力就不可能无穷大。
1.1.3【小贴士】没有预测，意味着有多个预测。这个其实说的仍然是预测的必然存在，只是更适合换个题目来理解，比如说“人无预不立”，也就说没有预测无法工作，哪怕管理者不设立统一预测的流程，员工仍然会通过自己预估来工作。
在说了需求预测的必然性之后，后面几个小节开始进入正题，来详细说怎么做需求预测。
1.2 需求预测是“从数据开始，由判断结束”。这里是整体上来说，需求预测其进行的方式。也就是说，如果你要进行需求预测，那么必须这么做，所不同的只是不同行业，不同产品或者同产品的不同时期，数据分析和经验判断各占的比重不同而已。
【小贴士】存量来自数据，增量来自判断。
这部分说的并不详细，或者说并不太科学。举个例子来说，用时间序列分析做需求预测，选择winter三元素模型，其三个元素/系数是趋势性、周期性、季节性。那么计划人员在数据理想的情况下，应该可以自行算出季节性的影响量，很多时候也应该能够算出周期性的影响量，只有趋势性—这个直接贴近市场的因素，需要销售/市场人员来进行判断。而要是因果分析法，根据不同的模型，可能有变动但却可以推算出的数据因素就会更多，计划人员可以有更多的自主，而无需他人提供判断。 另外理解“增量”时，更应该把它理解为“变量”（我在自己书里是这么写的）。因为到底是增加还是减少，这是未知的，你所知道的只是它会变动，可能增加也可能减少。另外“存量”这个词我用的是“定量”，意思就是由过去数据/计划个人经验可确定的数量。 这部分在这个小贴士之后，又有一些篇幅，说的是“从数据开始，由判断结束”其必然性，其实我觉得此书中很多类似说明跨职能行为的部分，都可以通过在最开始引入S&OP介绍来解决。
1.3 从数据开始：谁的数据。仍然是在说如何做需求预测，讲的是数据选择的问题。我对这个问题的观点是：“越靠近最终客户的数据越有价值”。
1.4 从数据里面学什么：以发货记录为例。这是以发货记录这类数据为例，来具体的说说数据选择或者说数据提取。比如数据单位的选择问题(周)、客户期望与供应链交付能力问题（进而引出了可能的订单损失问题）、频次、集中度、变动性等等。可以说这里算是大数据分析的一部分内容:数据加工与处理，也就是从原始的看起来毫无意义的数据变成可供分析决策的数据。不同于很多数据加工与处理的技术性，比如给你讲讲Power Query，这里更多的是在讲商业智商方面的问题。
【小贴士】数据远比我们想象的要多。用一个案例讲了如何通过数据来得出结论，当然没有明确说明的是：想出这个过程，需要的是商业智商（也是很多所谓的大数据分析师培训所根本不会讲到的东西）。 【小贴士】光有数据，没有判断会怎么样。这部分内容我觉得可以通过一些扩展阅读来解决，比如著名的《统计数字会撒谎》。
1.5 由判断结束：谁的判断，判断什么。前面讲了重点句“从数据开始，由判断结束”的前半句，这里开始讲后半句。
这小节只是告诉你，判断要放到合适的level、交给合适的人，不然你设计的需求预测流程哪怕是以判断结束的，如果最后人员选择错误，也没用。但同时也要明白，判断工作总是销售人员的“兼职工作”，所以必须用合适的方法来抓重点，让判断有可行性，而不是应付差事。
于是引入了下面3个大石头环节，来详细讲如何做判断，而个人对其的总结就是：找准客户、找准产品、找准影响因素。
1.6 寻找和管理“大石头”（一）：聚焦重点，好钢用在刀刃上。这里讲的是自身的产品分析，意思是从对客户的需求识别，进而反推到主计划及材料需求计划。作者在这引入26周频率图（个人觉得更适合叫频次图），如果在更聚焦的书里，这里可能还会有平均数分析、中位数/四位数分析等等，中心意思就是在需求识别端使用统计方法来贯彻“80/20原则”。
这里还有个思想特别值得注意：处于特殊产品生命周期时段的物料，或者独特设计/要求的物料，必须进行特殊的标识，以保证其“特殊”能够被所有人获知。
1.7 寻找和管理“大石头”（二）：尽早发现，尽快纠错。这一小节讲的是变动必然存在，但哪些项目的变化影响更大，而所谓影响大肯定是要么变动幅度大，要么变动金额大，或者干脆两者都大。这节的讲解有点难理解，这里选个我在写的书中的一个小案例来说明（只是初稿，并没有精修）：
Bluesky集团有多个事业部，产品类别繁多，其中工业事业部的Kinring产品广泛用于制造业，因高质量水平也在燃油汽车发动机上大量使用并得到广泛美誉，但近两年来Bluesky的供应链管理人员发现这个拳头产品经常大幅度变化进而影响了公司的市场表现，他们决定详细分析以了解如何优化对其的管理。经过一番调查研究，他们发现：
A. 制造Kinring的材料可以广泛获得，并且很长时间内不会有政策限制，其价格也没有大幅度波动；
B. Kinring制造过程中的表面处理环节，会产生大量的温室气体，而随着环境保护意识的提高，这部分处理费用在增加；
C. Kinring制造过程中的其它环节高度自动化，人工费用不会太幅度变动，其自动化设备及其维护都很稳定；
D. Kinring虽然大范围用于制造业，但因为汽车行业的体量特征，燃油发动机厂商是其最重要的客户；
E. Kinring属于高密度金属产品，物流费用较高。
由此Bluesky的供应链人员得出结论：对汽车行业客户对Kinring需求变化的分析最有意义，且其变动与原油价格存在较强的相关性（回归分析过程略去）
通过这个小案例我们可以得到的提示：
A. 公司很多产品都可能处在变化之中，但是“金牛”产品的大幅度变动最值得关注，因其对公司利润的贡献更明显。而在此之后的顺位则是变动量大的项目，因为其对公司运营的影响会非常明显；（本书中所使用的指标为销量的变化幅度百分比及销货成本COGS，书里也提到了建立综合优先级来追踪的思想，如果更展开的话可以说建立加权系统，比如对金额的影响权重设计权重是50%，新产品或者金牛产品的变动也都可以设计额外的加权，而最普通的销量变化可能权重最低，因为可能是体量大金额小）
B. 单个产品很可能应用在很多领域，必须针对不同客户分析，找出其中的共性，如例中的发动机厂商；（也就是本书中所强调的探知变化根源一定要落实到具体的客户上）
C. 对变化进行分析，建立预警机制必须要落实到可测量可追踪的指标上，可以是期货价格，也可以是股指、利率、CPI指数、PMI指数，也可以是公司内或者与客户交易中产生的具体指标上。借用财务里的术语cost driven成本动因，这里我对其用fluctuation driven来定义，也就是变化动因。（这方面内容在本书中没有提及，或是因为这个实操起来根据不同行业不同公司有太大差异，没办法形成一个通则，只能说是根据经验判断或者使用回归分析来进行管理）
1.8 寻找和管理“大石头”（三）：他没说，你问了没有。这里讲的是落实的问题，要有具体的流程、落实到具体的人、指明具体的责任、落实到具体的问题。个人觉得具体的问题其实是最难问的，因为这需要供应链人员层层分析，最后找到真正关键的影响因素，看起来是一个简单的问题“XX产品中的XX型在XX客户那里，会不会XX的变动”，其实背后是大量的分析工作。 【小贴士】聚焦重点客户的重点变化。这里讲的是我在前面说的“找准客户”的问题，其实这也是个80/20原则问题，可以理解为80%的变动由20%的客户制造，所以需要找出来才能进行针对性管理。
1.9 谁在做需求预测：兼谈计划的进化史。 【小贴士】让听到炮声的人做计划是个误区。 【小贴士】为什么没法建立独立的计划职能。
1.10 计划与执行的分离：某快消品公司的组织设计案例
1.11 需求计划做什么：快消品行业为例
1.12 什么样的人适合做需求计划 【小贴士】分析能力是可以评估的 【小贴士】如何提高需求计划人员的影响力
从1.9-1.12，个人认为是从雇主及员工两端来讲做计划预测人员本身这个职位，~可以说是从专业化分工及流程角度说的的，雇主端讲了分工的必然性，员工端讲了其专业化。当然我认为作者对计划人员的专业要求还是低了，Vlookup、数据透视表、正态分布(我觉得这里要是问泊松分布可能更好，因为钟形曲线太容易见到了)这样的要求随着(大)数据分析的进一步发展很可能变成需要问Power Query、PowerBI、ARIMA之类的了。当然这也和目前国内的整体水平相关，供应链人员有多少大学时手算过线性规划、回归分析呢？也就更不用提一些更专业的需求预测软件了，更少人知道或者用过。
1.13 需求预测汇报给哪个部门 【小贴士】计划与执行的二度分离 【小贴士】需求预测汇报给销售vs. 一线销售提需求
这个讲的是需求预测后续的流程衔接与设计问题，个人觉得就好像之前一样，是在给S&OP补课，如果有了S&OP流程概念，这部分没必要看。
1.14 如何做准预测：选择合适的预测颗粒度 【小贴士】自来水模式的预测机制 【小贴士】SKU和SKU泛滥
这三块讲的是预测的“单位”选择，也就是细粒度的问题。其实讲了也等于没讲，因为不同的行业不同的公司是决然不同的，只能记住通则：越粗越大越准确，越细越小越失准，所以取个中间层的细粒度来预测，之后尽可能增加细小层面的灵活性。另外我觉得从逻辑上说这部分内容放到1.9之前更好，毕竟前面都是聚焦于如何做预测的问题。
1.15 案例：谁的预测更准，销售还是计划
1.16 为什么一线销售做不好需求预测 【小贴士】一线销售做预测vs. 主教练兼任总经理 【小贴士】如何应对向渠道压货行为 【小贴士】销售目标10万，年中调为8万，现在能做6万，怎么办
1.17 既然做不好，为什么一线销售还在做预测 【小贴士】即便考核，也没法让一线销售“做准”需求预测
1.18 销售提需求，计划做判断，如何
这部分内容放在这其实递进逻辑有点混乱，因为其又回到了说明需求计划的专业性和流程上去了，也就是1.9~1.12的那部分，
1.19 需求计划的绩效考核 。说实话我觉得这是一个很大的课题，但供应链量化管理方面得研究及书籍仍然太少，相应的手段也不多，采购总成本测算、库存成本测算、流程成本测算等等很多方面其实现在都是流于概念，即使是时间作业成本法这一个小小的进步都处在仍然需要继续努力的理论阶段。而在客户服务水平、运营成本、资产周转率这三大指标，或者更应该说指标体系，因为这三方面代表着市场、资本与运营这三大类别，比如市场方面的指标还可能会有完美订单率、订单损失率及各种增长率等等，总的来说，建立一个多指标相辅相成且相互矛盾的体系是根据不同公司不同商业模式需要仔细研究的大问题（之所以相互矛盾是避免过度病态地追求或者人为干涉，形象点的例子就是奶粉检测的多指标体系不完美，于是加入三聚氰胺就可以满足了蛋白质含量要求，还符合合格标准）
【小贴士】要不要考核预测准确度。这里讲了一个结果管理问题，从PDCA或者DAMIC来说，肯定分析纠正更重要。 【小贴士】销售老总要对需求预测的最终结果负责。这里讲的还是有道理的，只是目前来看经常都做不到。另外我认为这里还是要有一个前提：需求预测要相对合理，不然一个烂摊子换什么样的金牌销售也卖不出去，也就是说计划避免问题80%的产生，销售解决剩下的20% 【小贴士】按哪个预测评估准确度，非限制性预测还是限制性预测。其实我觉得这里讲的仍然是细粒度的问题，说的是时间上的细粒度：以足够长的时间来看，所有的预测都应该是非限制预测。所以放到这里来说我觉得并不太合适，和1.14放到一起可能更好。
1.20 预测不是衡量准确性，而是偏差率。仍然再说一个需求结果的衡量问题，主要说的是时间及正负值的影响。
【专题一】长周期物料的预测：需求预测的一大难点 【专题二】计划体系改进：你不能忽视现状的合理性 【专题三】改善计划以改善供应链：一个本土企业的变革之路
最后三个专题属于更综合性的讲解，而不是知识的灌输，建议结合自身经历来阅读。
总得来说我觉得这第一大部分是本书的重点，需要记住的就是：
1. “从数据开始，由判断结束”，。找准数据、处理好数据是计划人员的能力，找到合适的人做判断是流程设计，是管理人员的能力；
2. 计划人员要从分析开始，找准客户、找准产品（既涉及到类别又涉及到层级-细粒度）、找准影响因素（最后这个是我自己加的）
当然这里并没有展开讲到底如何做需求预测，各种预测方法及软件也没有介绍。毕竟这本书还是属于轻阅读的，如果加入了具体如何做的话，很多统计概念、运筹学概念会让更多的供应链人员望而却步的（但是我个人真的觉得这些知识对供应链人员来说很重要）。
二、供应链的第二道防线：库存计划
2.1预测之不足，安全库存来应对
开始谈库存，既将库存分类，又在其中说明了安全库存的必然性，也就是说这一部分相当于设置安全库存的导论。
本书这里不够统一，先是这里将库存分为:周转库存、安全库存、多余库存，而在后面的2.11中又分为了周转库存、安全库存、剩余库存、风险库存。
不过个人觉得这么分类还不够，我的分类方法是：周转库存、受限库存、安全库存、投资库存、风险库存、呆滞库存。
周转库存是与公司本身相关的，本书中并没有多说，这部分的计算及优化当然也属于供应链范畴，建议阅读精益生产相关内容，里面的生产节拍、单件流等等概念对这部分的实操是有益的。
受限库存是指受限于市场、供应商强势、实际物流条件、客户处流程等等，使得每次采购时必然会产生的数量冗余，但是逻辑上不应该放到安全库存中，因为假设市场没有变化，那么就不存在安全库存，而此时库存中还是存在周转库存和受限库存。尤其客户流程的影响其实远比我们想的要大，假设你的生产周期就是一周，物流是一周，客户从你把货送进门到他产生入库单变成应付账款也是一周，那么再加上你仓库里可能存在的供下一个生产周期的原材料（也就是一周的量），这就意味着你有25%的库存是处在客户端流程，那为改善这点就应由销售推动以提高本公司的资金利用率。
安全库存这个不用说了，这就是应对波动所产生的库存，本书的逻辑也说明这一点：安全库存针对已测定需求的波动。也就是说你完成了本书第一部分需求计划之后得到了需求预测值，但是由于这个值与实际有偏差，因此还需要安全库存。说白了安全库存的大小看预测的水平和供应链的水平，如果每次需求预测(书上第一步做的事)就充分实现，那么安全库存可以为0.
投资库存，这个其实在需要采购重金属的行业很常见，逢低买进嘛，这种库存是为了投资，期望就是原料价格涨幅大于库存成本。另一方面也有使用期货交易手段做对冲的公司，这里虽然算是金融投资，其实个人认为也可以把他当投资性库存来理解（降低风险也是一种投资）。
风险库存是因为某些风险因素使得公司不得不承担的库存，比如顾客订单推迟，但是这段时间如果发生任何意外情况，比如地震、火灾等等使得货物损失，这种风险必然是由卖方来承担。如果是预测错误产生也属于风险库存，因为员工能力不足或者流程体系不佳这些都算是企业经营风险，是企业必然要承担的，解决方案就是想办法销售掉。
呆滞库存，最麻烦的一种，各种历史积累、客户定制产品却取消订单等等造成的库存。
这部分内容总的来说，就是安全库存必然存在，需求预测永远不会100%准，那么就需要安全库存帮忙应对市场波动，其数量由需求波动大小，供应变化大小，有货率要求的大小来决定。 【小贴士】你是怎么设定库存水位的。这部分内容我觉得没什么说的，与安全库存并不大相关。
2.2安全库存的设置：库存计划的看家本领。
这里开始正式介入到如何设置安全库存的第一步：安全库存量应该是多大。于是步骤如下：
1. 量化需求的不确定性
2. 量化供应的不确定性
3. 用服务水平来确定“面积”（钟形曲线）
4. 公式计算
其实如果大学统计知识还没忘记（好像现在高中也学这个了），或者培训过6sigma管理的，这部分内容非常容易理解。书里一直都是在拿标准正态分布举例，已经非常简单了，不外乎是平均值、方差值而已。
另外服务水平量化与确定这其实也是个大问题，涉及到损失订单的确定（未发生的就不是那么好测量）、库存成本测量（这方面就算是很多权威机构给出的数据其实也包含了很多估计因素） 【小贴士】当需求陡变时，如何量化需求的不确定性。这里放这部分内容个人认为不佳，因为历史同期比较、季节性因素等等，这些说的都是如何做预测（都是属于预测模型问题，时间序列分析种最简单的winter三元素），而不是在说如果已有需求预测，如何针对其不确定性。 【小贴士】供应周期如何确定。这一小节也有问题，因为这里既说了供应周期是什么，又说了供应周期有波动，还说了信息化因素的影响。但做安全库存时，只应考虑供应周期的波动，无关乎其长短（节拍测定问题）与流程效率（执行问题）。 【小贴士】你知道缺货的代价，但不缺货呢。这部分内容简单，只需要理解投资回报率、库存周转天数、库存成本这三个概念即可。 【小贴士】服务水平不能是一笔糊涂账。大体讲了下服务水平，算是补充阅读吧。 【小贴士】承诺的是服务水平，还是库存水平。和安全库存设定并没有什么关系，更属于执行层面的知识。 【小贴士】适当拔高预测，不就替代安全库存了吗。这里又讲了安全库存到底是什么的问题，太多人还是搞不清需求预测的意义与安全库存的意义。两者其实一个为了应对“不可知”，一个为了应对“不准确”，不可一概而论。
下面开始从安全库存方面跳到库存计划这个更大的范围上，然后书中这部分承上启下做的并不大好，逻辑上有点唐突，而后续也缺少逻辑线。 2.3会设安全库存，再订货点就很容易。这部分内容和我的个人认知不太相同。个人认为再订货点与安全库存是完全不相关的。如果一切完美，那么安全库存短期来看是定值:不可变不可消耗。也就是说如果没有波动产生的话，那么安全库存就应该像保证金一样压在那里，再订货点考虑的只应该是周期问题，订货量等于周期库存加受限库存。 【小贴士】再订货点法的几个变种 【小贴士】设再订货点，还是安全库存+预测
2.4为什么不能一刀切地设置库存水位。这部分内容其实属于SKU分析、采购策略制定、库存政策等等方面的内容，或者是因为里面有“不同的需求变异系数需要不同安全库存水平”这个概念的原因才放到和安全库存相邻的位置？其实这里还是说整体供应链系统需要以合适的预测“单位”选择，其实又回到了上一部分的细粒度问题上。
2.5库存计划要学赌场，而不是赌徒。这部分内容应不完全针对库存这个话题，或者放在第一部分来说更合适吧。
2.6【专题一】VMI是好东西，对供应商也是 【小贴士】VMI和寄售没关系 【小贴士】VMI的库存水位如何设置 【小贴士】VMI是对供应链三道防线的终极挑战
VMI是随着信息技术和物流成本降低所逐渐兴起的，个人在这方面的经验不足，只把其当作库存管理方面扩展阅读内容。
2.7【专题二】“长尾”产品：库存计划的终极挑战。这部分算是所有供应链管理人员的痛吧，低流动低需求还很可能每次需要时都很急迫。本书这里讲了两种方法，分别是泊松分布和成本频率法。泊松分布还是很简单的，但是个人没用过泊松分布实际进行过这方面的操作，不知道效果到底如何，但是觉得如果需求软件能做这个就最好了。而成本频率法是最常见的方法吧，但个人觉得本书这种命名不好。而且我过去用过的是“频率-重要性-成本”，先看频率，频率高的无论重要性与成本，都需要库存；再看重要性，比如新产品件、比如对方老总提过的件、比如一旦出问题可能造成重大损失的件，这些都是要做库存的，甚至有时候会向下选取（也就是说没选相对高频的，反而选了重要却低频的），这也算是数据和判断的结合吧；最后才是看金额，以期用有限的资源达成最大的服务水平。
2.8库存计划的优化：组织和系统的博弈。讲了在制定库存计划时，计划软件及计划人员各自的优劣势，以目前实际情况来看，随着大数据技术的发展，各个公司的数值质量及数据分析处理能力会得到很大的提高，计划人员因素应该会逐渐呈下降趋势，但是国内很多企业比较难说。 2.9高库存、高服务水平是怎么来的。这里讨论了下现状，但是没有太多的指导性可实践内容。 2.10库存究竟多少才算合理。这部分内容涉及了标杆设定、积分卡设计、KPI设定的内容，属于供应链量化管理方面的内容。 【小贴士】库存的边际周转率。一个常见指标的延申化探讨，但个人认为其中的结论值得推敲，因为这里的讨论太简化，容易让人有错误的印象。 【小贴士】优化能力来优化库存。这个又回到人员能力的话题上，个人认为不适合放在这里，可以放到第一部分说明计划系统整体人员素质，也可以放到第三部分来从执行人员的能力对整个计划流程的影响。
2.11四分法来识别、管控库存风险。这里又讲了库存识别问题，回到了2.1上，个人认为放到开篇会更好，另外这里的库存分类与之前并不统一。总的来说这部分的内容其实就是一句话：没有分析清楚库存类别，就谈不上优化库存。 【小贴士】所有的短缺，最后总是以过剩收尾。讲了库存计划方面的现状，其实从根本上说这也是由库存不分类，眉毛胡子一把抓引起的。 2.12库存控制：应对“打不死的妖怪”。从讲库存优化多以失败告终的现象又结合库存分类，个人仍然推荐放到前面来说。另外这里并没有说库存高启的人为因素：库存花的是公司的钱，省的是员工的事。 【案例】三管齐下缩短周转周期，降低周转库存。一个库存优化方面的案例，步骤是：
1. 推拉结合点优化
2. 模块化设计
3. 流程优化 【小贴士】聚焦成本vs.聚焦库存。一个很好的拓展知识点，有财务基础的可以看看估时作业成本法。 2.13降库存要避免互扣人质的死循环。讲了解决库存问题的tips，不是为了对知识架构和实操引领，而是为了指导实际操作人员在这方面进行注意。
2.14降库存是推动意志力极限。讲了库存优化方面的挑战，虽然短小但却算是很好的收尾。 三、供应链的第三道防线：供应链执行 3.1催货是有学问的 【小贴士】虽然抱怨，但其实最喜欢的还是催货
3.2把自己做成大客户，驱动供应商快速响应 3.3要不要给供应商预测 3.4【案例】日本供应商供不了货
3.5计划能随意变动吗：你得尊重供应链的刚性 3.6人都在忙什么？在做信息系统的事 3.7ERP：信息系统的核心应用 【小贴士】为什么MRP跑不起来 3.8电子商务：供应商的电子连接 【小贴士】采购自动化带来的更快、更多、更便宜
第三部分来说，整体的明晰度不够，我用自己的理解来重新架构建下，其实本章就是讲了三方面的事：信息系统、供应商选择与管理、催货流程设计。
A. 信息系统。内容包括：
3.3要不要给供应商预测 3.4【案例】日本供应商供不了货
3.5计划能随意变动吗：你得尊重供应链的刚性 3.6人都在忙什么？在做信息系统的事 3.7ERP：信息系统的核心应用 【小贴士】为什么MRP跑不起来 3.8电子商务：供应商的电子连接 【小贴士】采购自动化带来的更快、更多、更便宜
B. 供应商选择与管理
3.2把自己做成大客户，驱动供应商快速响应
C. 催货流程设计
3.1催货是有学问的 【小贴士】虽然抱怨，但其实最喜欢的还是催货。
信息系统无论是组织内还是组织间，都是需要最早进行考虑的，上不上ERP、与供应商及客户有怎么样的EDI、引入什么样的电子商务技术或行为、各种生成的计划的重要度及修改权限等等都属于这方面的内容。
在这之后就是供应商选择与管理，属于战略采购及SQE/SDE方面的知识，当然也涉及到执行性采购(operational purchasing)的交易管理及供应商季度会议的问题，
最后才是催货流程设计，这个其实原则上很简单：越紧急的情况介入的人员级别越高。但是需要注意的是大量公司根本没有这种流程，最后就是会哭的娃有奶吃，谁喊缺货、在多高级别的会议上喊缺货，决定了最终怎么催货。
供应链的三道防线：需求预测、库存计划、供应链执行读后感(六)
供应链的三道防线：需求预测、库存计划和供应链执行。
1、需求预测怎么做？基本的方法论是“从数据开始，由判断结束”。
误区1：销售提需求，计划做判断
销售是最糟糕的预测者，却是最佳的调整者，你可以依赖他们的判断来优化预测，而不是由他们来做预测。
误区2：胡子眉毛一把抓，无法突出重点做判断
需求预测是三分技术、七分管理：企业最大的挑战不是选择什么样的预测模型，而是建立销售与运营对接的流程，有数据的出数据（计划），有判断的出判断（销售），把公司前后端最佳的智慧凝聚到一起，做出准确度最高的判断，尽量提高首发命中的概率。
2、安全库存取决于需求和供应的不确定性，以及有货率目标（服务水平）
误区1：库存水位一刀切，短缺与过剩并存
在供应链领域，库存计划可以说是最具技术含量的分支，它需要数理统计的思维。
误区2：服务水平没有清晰的定义
服务水平直接决定了供应链的速度、成本和库存水平。
库存计划的本质是数据驱动，但实际上成了经验主义的试验田，是导致库存高，有货率低，短缺与过剩并存的根本原因之一。科学管理，就是基于数据的管理。加强数据分析，计划就能做得更好，减轻短缺和过剩的问题。
3、计划的先天不足，需要执行来弥补。
第一篇 供应链的第一道防线：需求预测
所有的预测都是错的，但错多错少不一样。
供应链要么是预测驱动，要么是订单驱动。预测驱动也叫推式供应链，订单驱动也叫拉式供应链。
订单是供应链双方力量博弈的结果，由弱势一方来承担预测的风险。当供需双方的力量比较均衡的时候，预测的风险就由双方分担。在库存风险可控时，推式供应链是个好东西：能推的就不用拉，就如躺着比站着舒服，能躺着就不用站着一样。
先根据需求预测推到一定地步，以获取规模效益，降低成本，提高响应速度；再由客户订单拉动，以满足差异化的需求，并降低库存风险。
供应链成本和速度的根本决定性因素是推拉结合。
根据推拉结合点的位置，我们把供应链细分为四类：按库存生产，按订单组装，按订单生产，按订单设计。
按库存生产模式下，推拉结合点设在成品层面，即按照预测来生产成品，客户需求一来就可立即满足。按订单组装模式下，推拉结合点设在半成品层面，按照预测在组件、模块等半成品层面建库存，客户订单一到，就按照客户需求来组装。按订单生产、按订单设计，推拉结合点更加后移，设在零部件、原材料层面，先按照预测来准备原材料、零部件，再按照客户订单要求来生产、设计。每个推拉结合点都有库存。凡是建库存，不管是成品、半成品还是原材料，都离不开需求预测。所以，不管是哪种供应链方式，我们都没法回避需求预测，就如美国人眼里的死亡与税收一样。需求预测是供应链的第一推动力。
要预测，是因为供应链响应能力有限。或者说，在响应成本一定的情况下，供应链的响应速度有限。
响应周期越长，响应能力越有限，对需求预测的依赖就越高，这也意味着需求预测要做得越早；而需求预测越早，准确度就越低。
供应链的三道防线：尽量提高预测的准确度，提高首发命准率；首发命不准，就得借助安全库存；安全库存不够，就得靠供应链执行来弥补了。
没有预测，意味着有多个预测
预测是跟不确定性打交道。当不确定性很高时，比如新产品、新项目、新客户，往往很难确定预测。这并不意味着没有预测；相反，这意味着每个职能都在自己做预测，结果是有很多预测。生产需要预测来准备产能，采购需要预测来备料，财务需要预测来做预算——为了把工作做好，各职能就不得不自己整出个预测来。这N个预测注定不同，给跨职能、跨公司的沟通造成诸多问题。要知道，最终的需求只有一个，这意味着，在这N个预测中，至少有N-1个是错的；而错的结果呢，就是库存。
同一个数字是供应链协同的关键，而多重预测是供应链协同的大敌。
人们总是习惯性地高估营销在预测中的重要性。其实在整个生命周期里，计划在大部分时间处于主导地位。
需求预测可以分解成两部分：存量和增量。存量来自数据，增量来自判断。“从数据开始”指的是存量，“由判断结束”指的是增量。
需求预测是个跨职能行为。但凡跨职能的任务，如果由任何单一职能来完成，得到的注定是次优化的解决方案。而企业的挑战呢，就是在需求预测上没法有效跨职能协作，结果要么是计划，要么是销售单一职能做预测。这里的原因并不是难，而是复杂。
协同计划、预测和补货（CPFR）就是打通制造商和零售商的通道，提高信息的透明度，及时、准确地把终端销售数据传递给制造商，以安排后续的库存计划、补货和需求预测。这一般是在大型制造商和大型零售商之间进行，就像宝洁与沃尔玛、三星与百思买。比如沃尔玛每卖掉一瓶洗发水，销售终端POS一扫描，数据就传递给宝洁，供宝洁制订计划、预测、安排补货。但是，CPFR自问世几十年来，因为诸多商务问题、技术问题，一直没法大规模应用，长期达不到预期。
有数据的（门店）没分析能力，有分析能力的（制造商）没数据。
统计学上的「选择偏见」——你看到了你看到的，你没看到你没看到的，或者说，你不知道你不知道的。打个简单的比方：敌人新近投入了秘密武器，后方医院接到的伤兵突然少了。如果你据此认为这秘密武器没什么，那就大错特错，因为这武器一击致命，根本没有受伤这回事了。一线的指挥官不会犯这种错误，因为他看到了那些没能回来的士兵——清点士兵的数量就知道了。
订货频率越高，需求相对越稳定，需求预测的准确度越高，库存风险越低。
上帝只给你一张嘴，但却给你两只手。我们要做的就是在动嘴之前，一定先动手分析数据。 寻找和管理「大石头」
所有的预测都是错的，我们要做的是两点。第一，尽量少错；第二，尽快纠错。
不变的不需要管理；小的变化可以通过现有的系统、流程来对付；而显著的变化呢，系统和流程没法有效应对，必须有人的介入（组织措施），不但包括计划团队，还有销售人员。
聚焦重点客户的重点变化。对于需求计划和供应链来说，谁给你制造的麻烦最多，谁就可能是最重要的客户，需要定期、不定期地沟通，理解和管理需求。
让听到炮声的人做计划是个误区。
优秀的人往往被调到听不到炮声的地方了。——陈春花
不是让听见炮火的人直接指挥；他们要求听见炮火的人必须及时、详细地分享炮火信息。
这个世界上没有免费的午餐，你要么计划复杂，执行简单；要么计划简单，执行复杂。
计划天生是个集中行为，优秀的计划需要拥有全局视角和极强的责任心。所谓的计划下沉，结果不仅是全局视角的缺失，而且是责任下放而导致责任机制缺失。
企业为什么没法建立独立的计划职能？我们得探究背后深刻的组织、系统和流程原因。 计划与执行分离后，就得依赖系统和流程来对接。组织是找到合适的人，以合适的方式组织起来，并给他们合适的激励机制；流程是告诉这帮人活儿怎么干，由谁干，谁先干谁后干；系统指的是信息系统，它一方面固化流程，一方面给组织提供工具，一方面提供反馈数据，评估组织和流程是否达到既定目标。组织、流程和系统相辅相成，当一方面的能力不够时，就得由另一方面的能力来弥补。也就是说，一方面的短板，一定得由另一方面的「长板」来弥补。
企业的系统、流程的能力越是不足，就越得依赖有能力的人；越是管理粗放的企业，就越容易患上能人依赖症。
供应链管理是以专业分工为基础，先分后合——分是专业化，合是集成化。表面上看，供应链管不好，是因为没法集成不同的职能；实际上，却是专业化分工不够，事情就做不到位。
需求预测的“从数据开始”，指的是可重复的基准需求历史，这是个关键假定，一定要遵守。
在供应链管理领域，需求计划对人的综合素质要求最高。理想的需求计划人员需要具备三方面的条件：分析能力、协作沟通、业务知识。
协作能力当属首位：需求计划是三分技术、七分管理，其本质是个跨职能行为，需要跟不同职能的人协作。
在面试需求计划人员时，我们一般会问下述三个问题，以便客观、准确地评估应聘者的分析能力。第一，你会不会用vlookup函数？第二，你会不会用数据透视表？第三，什么是正态分布？如果说前两个问题是评估基本的分析能力，第三个问题则是把优秀者与平均者区分开来。
需求预测是个跨职能协同过程。在很多需求计划比较优秀的公司，它们并没有使用什么特殊的技术手段，而是靠规范的流程和强大的沟通规则，将预测准确性提到相当高的程度，而这恰恰是最难被模仿的管理能力。需求预测离不开数据，但我们看到的不应该只是数据，而应是数据背后的各种假设和动因。数据只是跨职能沟通的载体。对于需求计划来说，真正的挑战是挖掘数据背后的故事，以解读和修正数据（判断）。这是需求计划的最大挑战，没有之一。而要获得销售、市场、财务和管理层的信任，让他们告诉你背后的真实故事，做出相关的判断，计划需要很强的协作沟通能力。
与数理统计和分析能力不同的是，协作与沟通能力很难在短期内培养起来。要知道，经验、天赋都不可替代。优秀的需求计划经理一将难求。
选择合适的预测颗粒度。颗粒度越大，预测的准确度越高，反之亦然。
预测的颗粒度是个三维概念：组织、产品和时间，每个维度都有多个层次。就组织维度来说，我们有全国、大区、分公司等；产品维度有大类、小类、SKU（存货单元）等；时间维度有季度、月度和星期等。三大维度在不同层次形成多种组合，比如按照产品大类和大区层次预测，跟按照SKU和分公司层面预测，操作难度大不相同，预测的准确度也是。预测的偏差分析是基于哪个层次组合计算的，其意义也是完全不同的。
很多人的误解是，在做短期计划时，我们更加接近需求，理应做得更准确。其实不是这样。比如预测明天的订单是早晨10点到，还是下午3点到，这比预测6个月的总体产能要困难得多。让你预测3个月后需要多少产线工人，你可以预测得相当准；但要你计划产线上的那5个人明天下午3点具体加工哪件产品，你的准确度会很低。
企业常见的挑战是，销售按照产品、产品线做了“预测”，但没有深入到型号、规格，没法有效指导供应链运营。除了提高供应链的柔性，用执行来弥补计划的不足外，这个问题的解决方案有二：
其一，驱动需求预测向更小的颗粒度迈进，但要冒颗粒度越小，预测准确度越低的风险。其实是条不归路，比如有些企业在SKU层面的预测准确度只有20%，聊胜于无。
其二，推动产品设计的标准化、模块化和通用化（“三化”），降低零部件、模组的库存风险，在零部件、模组层面预测，提前建好库存。“三化”降低了产品的复杂度，从产品设计角度解决销售和供应链的大问题，显然是更好的也是根本的解决方案，不过对产品开发和需求管理提出了更高的要求。
需求越不频繁，判断的成分越多，越得依赖销售、市场、产品管理等接近客户的职能；需求越频繁，需求历史数据的作用越大，越可以依赖计划职能基于数据来预测。
一线销售做不好需求预测。销售计划是感性的，需求计划是理性的。
父子不能教，医生不自医。教孩子和治病是个理性过程，如果夹杂太多的情感因素，就会影响到决策的客观性。君不见，父亲教孩子，没多久就在父亲的打骂、孩子的哭声中结束，不但教不好，而且成了仇人。那怎么办？《孟子》中说得好，易子而教——你教我的孩子，我教你的孩子。医生自己病了也是这样：找别的医生给自己开药方。
同理，销售人员自己给自己做需求预测，同样夹杂太多的情感因素，导致决策不客观。比如过于注重有货率，最后以牺牲库存为代价。那怎么办？需求预测交给专职的计划人员。
在一个成熟环境中，我们不是通过把不同责任整合到同一职位来提高决策质量，而是通过专业化，以及专业化后的跨职能协作来做出更好的决策。
企业常犯的错误：以考核代替管理。
管理是解决“怎么做”，考核是解决“愿不愿做”。考核可以改善结果，但最终真正解决问题的，还是得靠“怎么做”。 供应链管理有三大指标：客户服务水平、运营成本和资产周转率。三者必须兼顾，不得取舍。
需求计划一定要由表面上相互矛盾，但实质上相辅相成的指标来驱动，这样才有可能做好。
单一指标驱动下，跨职能协作注定困难重重，聪明人就会做傻事。比如在那些销售提需求的公司，销售由服务水平指标驱动，供应链由效率指标驱动（库存周转率和运营成本），双方都是单一指标，表面上互相制衡，实质上互相博弈，提高了协作难度，增加了不确定性，最终会转化为更高的成本和库存。
预测准确度：统计但不一定考核。
非限制性预测是基于市场视角，不考虑任何供应限制的预测。而限制性预测呢，就是基于供应能力的限制下，销售和供应链达成的预测。短期看限制性预测，在产能不足的情况下，可以平衡考核压力；长期则看非限制性预测，否则这个限制要永远存在了。短期以产定销、长期以销定产。
预测不是衡量准确性，而是偏差率。
需求预测虽说是“预测”，但其实大部分时间都在纠偏：发现差异，分析差异，理解差异，采取纠偏措施，比如更换统计模型，与销售、市场、产品管理会面讨论，和关联职能协商等。
长周期物料是产销协同痛点。
长周期物料的预测关键是端到端的思维，即贯通客户端与供应端，再回到客户端，并不断修正。这是产销协同能力的绝对体现，或者说是制造型企业运营管理水平的一个标志。
所有的预测都是错的，但有一个预测总比没有预测要好。
企业行为是理性的：它们做什么或者不做什么，怎么做，其实都是对现有能力的最佳反照，或者说是基于现有能力的理性应对。这也是说，在企业里，尽管有些做法不是你希望看到的，但你不能忽视现状的合理性。这种合理性是基于现有的能力。不改变能力，光改变做法，往往行不通。“空降兵”和第三方咨询往往死得很惨，就是因为没有认清这点，一开始就质疑企业的组织架构、文化、绩效管理等现行做法，而不是试着去理解企业为什么这么做。
专职计划职能的运作是基于信息的，而信息来自两个方面：结构化的信息来自信息系统，非结构化的信息来自兄弟职能。
小结
需求预测是三分技术，七分管理：三分技术是“从数字出发”，即基于需求历史制定基准预测；七分管理是“由判断结束”，即由销售、市场、产品管理等熟悉需求的职能调整预测。
第二篇 供应链的第二道防线：库存计划
库存可分为三类：第一类是周转库存，这是由周转周期决定的；第二类是安全库存，用来应对需求的不确定性、供应的不确定性，以达到既定的客户服务水平（有货率）；第三类是多余库存，比如预测失败、订单取消、最小起订量等造成的库存。
安全库存的高低取决于三个因素：1）需求的不确定性——需求变动越大，需要的安全库存就越多；2）供应的不确定性——供应越不确定，需要的安全库存就越多；3）有货率的要求（服务水平）。
服务水平不是越高越好，企业要在服务水平与库存成本之间取得平衡。
服务水平就是短缺成本等于过剩成本的那个点——缺货带来营收损失，以及对应的净利润损失；过剩意味着库存成本，比如资金积压，以及打折损失等。当两者相等时，理论上我们最大化了收益，那就是我们的服务水平。 安全库存公式
安全库存的简化公式为：
σF：需求历史的标准差
L：平均补货周期，换算成天
FP：需求预测的时间单位，换算成天
上面的公式后面有相当多的假设，比如需求得有一定的连续性，需求和补货周期都服从正态分布。
我们常犯的错误，就是「从判断开始，由判断结束」，凭经验、拍脑袋设置一定天数的用量作为安全库存。一刀切，结果就是安全库存高的高，低的低，短缺与过剩共存，整体库存高，整体齐套率低。EasyFit软件可以帮助我们：把需求历史的数据系列输入软件，软件就能判断是否符合某种特定的概率分布。
需求预测和安全库存相辅相成，前者对付的是平均需求，后者对付的是不确定性。这是两个不同的概念，应该分开处理。
在库存计划领域，除了安全库存，经常打交道的还有再订货点（或者就直接叫订货点）。其逻辑是一旦库存降到预设的水位（再订货点，ROP），就启动订货机制，驱动供应链补充一定数量的货（订货量，ROQ）。在货来到之前（补货周期，也叫提前期），库存继续下降，直到订的货到达，然后开始下一个循环。再订货点法在企业里使用很广，它直接影响总体库存水平、客户服务水平和运营成本。
先看再订货点ROP。ROP由两部分构成：①补货周期内的平均需求——平均需求预测×补货周期；②安全库存——这是为了应对需求和供应的不确定性。这概念其实你在做单身汉的时候就烂熟于胸：你每周买一次菜（这意味着补货周期是7天），每天平均吃1斤小白菜，那你要把小白菜库存至少建到7斤；有时候斜对门的另一个单身汉来蹭饭，那你就得多备点，得了，再加2斤。这样，你的「再订货点」就是9斤。
再看订货量ROQ。这是说每当订货时，需要订多少。这方面你天生就是专家：订货成本越高，订货量ROQ就越大（为了几根葱，就让我跑趟菜市场，这还要不要人活啊）；需求量越大，ROQ就越大（你一次买50斤米，但不会买50斤盐）；库存持有成本越高，ROQ就越小（这也是为什么你不会买半年喝的水，因为占地方没处放；你也不会买一个月吃的小青菜，因为小青菜会坏掉，两种情况下的库存持有成本都很高）。但总的来说，ROQ至少要能够覆盖补货周期内的平均需求。比如补货周期是10天，每天的平均需求是5个，那ROQ最低也得是50个。如果还低于最小经济订货量，比如供应商说最小起订量是100，那就把ROQ设为最小起订量100。
订货成本就是订一次货的相关成本，比如提采购申请、下订单、跟单、运输、收货、验货、摆放到货架、付款等整个订单生命周期的成本，都属于订货成本。
库存持有成本就是维持库存的成本，比如资金积压、仓储费用、保险费用、物料损耗、物料贬值、呆滞等费用。
再订货点法的特点是定量不定期。也就是说，每次订货的时候，订货量都一样；随时都能订货，但什么时候订货，却不知道。这要求持续监控实际库存水位，一旦达到或低于再订货点，就触动补货机制。这对库存的及时管理要求较高。
再订货点包括“补货周期内的平均需求”和“应对不确定性的安全库存”。前者叫周转库存，是基于需求预测的，跟供应链的第一道防线相关；后者是安全库存，是供应链的第二道防线。需求预测的准确度太低，直接造成周转库存的过剩或短缺；安全库存计算不合理，也会造成同样的库存问题。
作为供应链的第三道防线，执行效果也直接影响再订货点法。
对于库存计划，最基本三个概念：安全库存、再订货点、订货量。熟悉这三点，库存计划就入门了。
共同的需求预测是供应链协作的关键，再订货点下，没有系统的方法来维护、共享需求预测，导致供应链上的不确定性更高，为“牛鞭效应”肆虐、短缺和过剩交替埋下了伏笔。 VMI（Vendor Managed Inventory）是供应商管理库存的缩写，最早在零售行业出现，由沃尔玛和宝洁于20世纪80年代率先导入。VMI就是根据库存的最低水位、最高水位和需求预测，由供应商自主安排补货，包括补货数量和补货时间，目标是把库存维持在最低水位和最高水位之间，达到一定的服务水平（有货率）。操作得当，VMI简化了客户与供应商之间的产品流、信息流和资金流，降低了双方的交易成本，降低了供应链的总库存，因而被广泛应用于各个行业。
VMI就是根据库存的最低水位、最高水位和需求预测，由供应商自主安排补货，包括补货数量和补货时间，目标是把库存维持在最低水位和最高水位之间，达到一定的服务水平（有货率）。
最低库存Min就是安全库存。设计良好的VMI系统，一旦手头库存低于最低库存，客户的信息系统会自动给供应商催货指令，比如黄色警报；而一旦库存为零或接近零，那就非常严重，黄色警报变成红色警报。
最高库存Max=最低库存Min+周转库存+补货量。
VMI情况下，究竟谁应该制定需求预测、设定最低和最高库存目标？简单的答案是：谁处于最合适的位置，谁就做这些。
VMI和寄售没关系：VMI说的是库存的管理责任，寄售说的是库存的所有权。
供应链上的库存节点越少，供应链的总库存就越低。库存低，成本就低；库存少，导入新产品就更快，因为要消化老库存更少，可以更有效地响应市场需求变动。
VMI既给客户带来好处，也给供应商带来好处。 长尾商品：库存计划的终极挑战
因为需求很低，需求的连续性差，所以“长尾”需求不符合正态分布。我们熟悉的库存计划公式是基于正态分布的，所以不再适用于“长尾”产品。
可用两种方式来应对，尽可能地做好“长尾”需求的库存计划，兼顾服务水平和库存周转率。
第一，找到更合适的概率分布，比如泊松分布，来模拟“长尾”需求并计算库存水位。
第二，采用简单法则，比如成本、生命周期、需求频率等，帮助决定备什么、不备什么。库
存计划的优化：组织和系统的博弈
库存优化是跟人性打交道，用数据分析的理性来平衡计划人员的感性，也是人性的弱点。所以，作为支持的数据分析就非常重要。 库存水平和服务水平的三个层次
库存是结果，是公司综合能力的体现。讨论库存多少合理是个伪命题，至少走不到哪里去。但是，从相对数量出发，讨论库存的增量却有很大价值，即截取某个时间点的库存作为基准，然后根据业务量的变化，判断库存量的增减是否合理。
库存的边际周转率，是对业务的单位新增量，新增库存要达到的周转率，这是考核库存控制的一个更有效指标。
能力不改变，结果即使改变，也没法持久；要持久地改变结果，就得改变能力。而能力呢，则是组织、系统和流程的有机结合。
四分法来识别、管控库存风险：周转库存、安全库存、过剩库存、风险库存。
库存取决于企业和供应链的整体运营水平，是结果，而不是根源；不触及根源，库存大都会反弹，到降库存运动最终以失败告终。于是，库存问题就成了打不死的妖怪。
周转库存的根源是周转周期。只有缩短周转周期，才能从根本上降低周转库存。安全库存是供应链对不确定因素的自然应对，其根源是不确定性。只有降低不确定性，才能从根本上降低安全库存。多余库存的根源是人的行为，比如计划失败、无序导入设计变更、大批量采购以获取价格优惠等。所以，控制多余库存必须从组织行为上着手。
在供应链管理上，人们习惯于聚焦成本，但成本就如库存，是结果，不是根源；根源是时间，比如周转周期。如果能系统地把周转周期缩短，库存会降下来，成本也是。竞争是基于时间的，而不是成本。
降库存要避免互扣人质的死循环。 只有加了该加的，才能降下该降的；不解决短缺问题，就没法解决过剩问题。要解决过剩问题，首先要解决短缺问题。要降低库存，首先要增加库存。或者说，要省钱，首先要花钱。
少打总库的主意：总库多备，子库少备，降库存的重点在子库。
降库存的焦点是高值慢动品。
库存控制有两个主要目标：①降低资金占用；②降低呆滞库存。
真正对成本影响大却容易被忽视的，是呆滞库存造成的注销成本：那些高值慢动的产品长时间不用，就变成呆滞库存；而呆滞库存注销时，就形成成本，降低企业的利润率和投资回报率，影响企业的股价和市值。
在控制呆滞库存上，计划必须承担主要角色。
服务水平跟库存水平互相背反。也就是说，要提高服务水平，就得增加库存；要降低库存，就得牺牲点服务水平。
降库存是推动意志力极限。需要的不是技巧，需要的是决心，即承担心理上的压力，敢作敢为。
当你想拿掉某个“长尾”产品的时候，内外客户都会说，万一有需求而没料，生产线停下来，你该怎么办？ 第三篇 供应链的第三道防线：供应链执行
结构清晰、职责清楚、流程严谨的供应商管理体系
按照对物料采购和生产的影响，我们可以把计划的调整分为自由区、半冻结区和冻结区。长期从以销定产开始，短期由以产定销结束，是兼顾销售和供应链的诉求，执行总成本最低的方案。
供应链的能力体现在三个方面：组织、流程和系统。组织是找到合适的人，并且给他们合适的激励机制；流程是告诉这些人事儿怎么做，谁先做，谁后做；系统就是信息系统，常见的就是ERP和电子商务系统，其一给组织提供了工具，其二固化流程，其三提供反馈信息，以判断组织和流程是否执行到位。
物料需求计划（Material Requirement Planning，MRP）是ERP信息系统的最基本功能。
ERP实施成功有两大标志：第一，配置合理，主数据准确，能够跑MRP；第二，库存数据准确，能够汇总成财务报表。
在实施了ERP的企业，能真正跑物料需求计划MRP的凤毛麟角。也就是说，生产和采购计划还在Excel上做。MRP跑不起来，表面上是个系统功能问题，背后有深刻的数据、流程和管理问题。
问题之一：物料清单BOM不准
问题之二：主数据不准
问题之三：订单数据不准
本土企业，特别是民企，不喜欢谈规则，其管理方式是基于关系的；而作为西方概念，MRP的运作是基于契约的。
有个中国企业去观摩欧洲企业是如何运作ERP的：为何欧洲企业能把MRP跑起来，而有些中国企业却一直难以推动？在实施ERP时，欧洲企业也是问题一堆，但每次有了问题，他们就去调整系统；而中国企业就马上系统外直接处理了——中国人太灵活了。
如果说物料需求计划MRP主要是处理需求的话，可承诺逻辑ATP（available to promise）则是聚焦供应。
ATP是一个企业ERP系统里最为复杂的逻辑之一（并不是难，是复杂），在主数据和订单层面有很多维护工作。比如一个新的客户添加到ERP里了，我们就得在ATP逻辑里定义默认的发货点（仓库），以及第一备份、第二备份发货点等；一个新的仓储或生产设施产生了，我们也要定义它们与现有设施的支持关系，从一个设施到另一个设施需要多长时间等；一个新的料号产生了，我们要定义在哪些仓库采购，主要供应商、次要供应商是谁等。这都是主数据的维护，以一次性输入为主，然后定期维护。订单层面的数据就更多了：成千上万的订单，遍布整个供应网络的各个节点，数量、日期的维护工作量惊人，没有信息系统和电子商务的支持，没有人能够对付得了。
所谓的供应链协同，其实就是围绕同一套需求预测，在信息系统平台的帮助下，不同职能、不同公司的人的一致运作。
所谓的供应链协同，其实就是围绕同一套需求预测，在信息系统平台的帮助下，不同职能、不同公司的人的一致运作。
在订单层面，供应商管理本质上就是两个承诺的管理：拿到一个承诺，兑现一个承诺。
企业是否有能力提供预测，以及预测的时间跨度，是其供应链管理能力的一大标志。
供应链协同是围绕同一组数字的协同。
