2011年，宝洁在INFORMS发表了一篇论文，标题是：Inventory Optimization at Procter & Gamble: Achieving Real Benefits Through User Adoption of Inventory Tools。
论文讲述了一件很少有企业真正做到的事情：宝洁把多级库存优化模型嵌入自己的计划流程、ERP系统、组织分工和日常决策中。论文中清楚的表述，宝洁全部700亿美元业务中已经有30%的业务采用多级库存优化。
一个原本存在于运筹学论文中的思想，成为一家全球企业管理库存的基础设施。
它是怎么做到的？这其中的答案远比“买了一套优化软件”要复杂。
提出一个新问题，
新的算法才真正有价值
宝洁在论文中应用新算法的北美化妆品业务，并不是一个库存管理落后的业务。
1999年至2004年间，通过提升制造响应能力、改善配送、建设实时信息与计划系统，以及推动从供应商到零售商的端到端协同，再配合不断优化的单级库存工具，这个业务的库存已经减少了大约一半。
但企业对资金效率的要求没有停止，库存过时和贬值的风险也没有消失。
如果继续沿着原来的思路，只问“这个节点还能不能再少放两天安全库存”，能够挖出的空间已经越来越有限。
宝洁需要找到新的供应链问题。
单级库存模型回答：“这个节点需要多少库存？”
多级库存优化开始回答：“同样为了保证客户服务，库存为什么一定要放在这个节点？”
论文中的液体彩妆案例可以说明：多级库存优化上线以后，原材料安全库存下降了，美国和加拿大配送中心的成品安全库存也下降了，但在制品安全库存却上升了。
如果把“库存优化”理解成每个地方都少放一点，这个结果似乎有些反常。
站到整条供应链看，它却非常合理。成品已经完成了大量差异化。颜色确定了，包装确定了，SKU确定了，服务哪个市场也越来越明确。需求一旦发生变化，这部分库存很难再重新变成另一种商品。
把库存保留在制品上，相当于把最终产品差异化的决定向后推迟了一段时间。不同层级的库存价值并不相同。包装完成后的成品通常明显比半成品昂贵，半成品又比原材料昂贵；与此同时，需求越向供应链上游汇聚，相对波动往往越小。
这才是获得项目成果的真正原因：液体彩妆这部分供应链的安全库存投资因此减少了17%以上，折算到总库存，大约下降5%。
当漂亮的模型撞上真实供应链
模型里的供应链只有四层：供应商、工厂、配送中心、客户。
宝洁面对的却是真实的世界。
一个典型的美容与个护供应链网络中，可能同时存在原材料、不同阶段的在制品、包装材料、中间组件、最终成品和多层配送网络。
这个业务需要管理超过1,300个常规SKU，每年还会增加400到500个促销SKU。背后连接着4,000多种物料和100多家供应商。
当然复杂性并不只是“库存节点很多”。
不同SKU的补货节奏不同，生产可能每天发生，但很多SKU只按周甚至按月检查和补充库存。上游需求也不是一个简单的终端预测，而是多个下游需求不断汇聚、转换之后形成的结果。
补货检查周期、需求汇聚、成本累积和网络复杂度，都会直接影响多级库存问题。
论文中的精确算法，可以处理具有“共享组件簇”的供应链，但要求整张网络能够被拆分成若干互不重叠的二部子网络。宝洁的真实网络不满足这个条件。另一类方法可以通过线性规划放松问题，但它要求每个节点的库存成本函数具有特定的凹性。宝洁的实际业务同样打破了这个假设。
简单说，就是那些“保证能够找到最优解”的数学条件已经被现实业务破坏了。
如果只是算出一些可行解呢？宝洁的计划员不答应。他们已经在使用成熟的单级库存模型。如果新系统只是给出一个“可能更好”的答案，却无法证明优于现有方法，他们没有理由承担迁移的风险。
最终，研究人员构造出一种能够从生成树放松解高效推进到整个网络最优解的算法。这个算法保留了一个企业计划人员非常在意的性质，最优性可以被证明。
所以并不是学术界先完成一个完美模型，再把它交给企业应用。一定是企业在实践中，不断根据真实需求，找到最合适企业的算法。
从数学模型到管理基础设施，
隔着一整个企业
数学模型和算法只有进入企业管理的数据、流程、组织和系统，才会从一种分析能力变成一种管理能力，可是这件事极难。
研究人员可以在自己的电脑里定义一套供应链世界。但是企业已经有一个正在运行的世界。它存在于物料编码里，存在于物料清单里，存在于工厂和仓库里，也存在于SAP这样的ERP主数据中。
宝洁要求模型的颗粒度必须与ERP系统保持一致。模型中的一个节点，要能够对应到具体SKU、具体地点和具体流程活动；SAP中的原材料、半成品和成品，也必须能够与优化模型中的节点对应；物料清单和物料流转关系，则要与模型中的连接关系保持一致。
否则就会出现一个非常典型的问题：优化系统里的“SKU A”、SAP里的“SKU A”和工厂真正生产的“SKU A”，表面上名字相同，实际上可能不是同一个决策对象。数学上的最优解，只有能够找到现实世界中的执行对象，才具有管理意义。
解决了模型与业务对象的映射，宝洁又把一次性的求解变成了一套固定工作流程。
SAP中的物料清单、计划参数、财务数据和需求数据被提取出来，进入宝洁内部的数据处理数据库，完成格式转换和数据整理，再传入Logility的多级库存优化软件。
模型计算出建议安全库存。
计划员对结果进行复核。
确认后的库存目标，再被上传回SAP和相关计划系统。
当优化结果不再停留在报告里，而是成为SAP下一轮计划要使用的参数时，模型的性质已经发生了变化。
企业系统里还有一个比数据更难解决的问题：谁对这个模型的结果负责？
系统上线后，原来的顾问已经离场，算法工程师不了解业务，业务人员又不敢碰模型。慢慢地，模型中的供应链和真实供应链开始分离。
为了避免这个情况发生，宝洁围绕多级库存优化模型建立的全球支持体系。
每个业务站点都有关键用户，他们拥有当地供应链模型，并与工厂计划、市场计划和物料计划人员共同使用和维护模型。
区域层面的供应链负责人负责培训、支持新的实施、识别区域特殊需求，也推动工作流程持续改进。
全球层面的供应链负责人负责维持全球标准、推动模型扩展，并确定长期方向。
IT组织则负责底层硬件、软件和系统接口。
到了这里，我们看到的已经不再是一套算法架构。它已经成为了一套运营机制。模型的所有权，从运筹学专家手里真正转移到了业务组织手里。
宝洁也没有试图把计划员彻底移出决策过程。多级库存优化输出的是“建议安全库存”，模型给出建议，计划员进行复核，再决定是否进入执行系统。真实供应链永远存在模型还没有完全掌握的信息。
完成了以上这些以后，宝洁才把一个复杂运筹模型真正送进了企业。
AI时代，宝洁案例的启示
宝洁当年面对的是运筹优化模型，今天企业面对的是AI大模型和AI智能体。
技术变了，但模型从“实验室正确”走向“企业持续创造价值”所必须跨过的几道门槛，几乎没有变。
现在看到的AI项目都是，因为有了AI大模型，然后找业务场景。而真正有效的逻辑应该是，找到一个旧决策机制已经遇到能力边界的问题，再判断AI究竟增加了哪一种新的决策能力。
AI最值得承担的，也许不是替代运筹优化，而是站在算法与真实运营之间，持续判断：环境变了吗？参数还有效吗？人工频繁干预意味着什么？什么时候该调参，什么时候该修改约束，什么时候甚至应该重新定义问题？
上一代企业的挑战，是把算法写进组织；AI时代更大的挑战，是让组织具备持续管理、质疑和调整算法的能力。
END
e-works
近期活动预告长按下方二维码
即可快速在线报名↓
