警惕“受害者心态”:透过行业特殊性看管理本质
从业十年八载,我们往往深植于特定行业,积累了深厚的背景知识,却也容易陷入视野局限。这种局限常导致我们将行业问题特殊化,产生“我的行业最悲催、我的公司最艰难”的错觉。这种心态不仅削弱了解决问题的意愿,更成为了逃避责任的借口。
周期性波动是商业常态,而非特例
以一家季节性明显的快消品公司为例,其旺季销量是平均月份的4倍,淡季则不足四分之一。供应链因此面临严峻挑战:旺季短缺,淡季过剩。然而,这种大起大落并非孤例。
零售业受节日驱动,如美国圣诞季占全年营收近20%,中国的双十一、春节亦然;文具业高峰在开学季;医疗行业受季节性疾病影响;就连钢铁、化肥等基础行业也受宏观经济周期制约。在大型设备行业,如半导体设备领域,四年一个周期、订单大幅波动更是常态。处于供应链上游的供应商,受“牛鞭效应”放大影响,处境往往更为艰难。因此,将困境归咎于行业特殊性,实则是忽视了问题的普遍性。
案例解析:快消品企业的真正痛点
上述快消品公司的困境,表面源于季节性,实则源于需求预测与销售考核机制的失效。
1. 需求预测颗粒度错位
该公司让数百名销售针对各自经销商的数十种产品进行预测,导致预测颗粒度过细,准确度极低。汇总后的总预测质量更差,进而导致供应链执行困难。
解决方案:调整预测层级。由总部基于历史数据和整体趋势进行总体预测(如每月10万箱),仅针对占据主要份额的重点经销商(如前两大经销商占比35%),由对应销售进行局部调整。通过“推拉结合”,提高总体预测准确性,保障总库备货,允许分销商随用随订,从而理顺供应链运作。
2. 销售考核机制扭曲行为
月度考核迫使销售为达成当期目标,向渠道强行压货。这导致渠道库存高企,呆滞和过期风险增加,且库存无法在不同渠道间灵活调配,造成部分地区积压、部分地区短缺并存。
解决方案:优化考核周期。将月度考核调整为季度或半年度考核,给予销售补救机会。虽不能完全杜绝压货,但能显著降低频率,缓解渠道库存压力。这表明,许多看似由业务特性引起的问题,本质上是绩效考核导向的结果。
跨界启示:差异化需求与标准化供应的矛盾
企业长期受困于老问题,常以“行业特殊”为由拒绝改变。然而,太阳底下无新事,许多看似独特的问题具有高度共性。
例如,一家色纺纺织企业,因在纺纱阶段进行染色以满足个性化需求,导致产品料号激增至数万种,而生产线仍沿用大批量模式,造成成本高、速度慢。这与半导体设备行业面临的“无限定制化需求”与“有限供应链柔性”之间的矛盾如出一辙。
通用解决方案:复杂度控制。通过标准化、模块化降低内部复杂度;通过价格杠杆引导客户理性定制——对重点客户提供高复杂度服务,对非重点客户的小批量高复杂度需求收取溢价。此举既控制了需求复杂度,又提升了规模效益。
结语:透过现象看本质
不要将通用问题独特化,否则便是为不作为寻找借口。越是能力不足,越容易觉得问题独特。正如佛眼看众生皆同,管理者应具备透过现象看本质的能力,识别共性规律,运用通用方法论解决具体问题,而非沉溺于“受害者”角色中停滞不前。
本文摘自《供应链管理:实践者的专家之路》,刘宝红著。
1. 供应链的三道防线:需求预测、库存计划、供应链执行(3天)
( 上海 27年1月14-16日)
计划是供应链的引擎,需求预测是计划的龙头。需求预测怎么做,才能避免大错特错,力争精益求精,提高首发命中率?需求预测由谁做,才能更加有效地对接销售和运营,提高预测准确度?需求预测做错了,如何快速反应,尽快纠偏和补救?
我们会重点介绍三类6种最常用,也是最重要的预测模型,来预测随机变动、趋势和季节性需求。我们也会详细介绍数据清洗,极端值处理,模型参数优化,准确度统计,模型优劣的判断和选择。所有应用都在Excel中实现。
我们还会分享系统的库存控制,包括库存的“七分管理”和“三分技术”:其一,库存是天使也是魔鬼,究竟多少算合适?其二,库存计划是个技术活,究竟怎么做?其三,如何改变组织行为、降低不确定性、缩短周转周期来控制整体库存?
2. 采购和供应链管理:一个实践者的角度(2天)
(上海 27年1月12-13日)
经济增速放缓,销售挣不来更多的钱,采购就得省更多的钱。加强“大采购”的职能建设,选好、管好供应商,是整合供应商、集中采购额是获取规模效益,增加议价权,取得成本优势的关键。
这要求对供应商“有选择、有管理,谁选择、谁负责”,形成跨职能、跨阶层合力,有效管控“有能力,但也有脾气”的战略供应商;整合“没脾气,但也没能力”的一般供应商,打破劣质低价、低价劣质的恶性循环。
这也要求采购从订单操作层面的“小采购”,上升到战略寻源、供应商管理和早期介入新品开发的“大采购”。本培训会详细探讨“大采购”的职责定位、组织建设和绩效考核,兼顾采购的集中与分散,帮助实现采购职能的战略转型。
https://www.statista.com/statistics/243452/holiday-sales-as-a-percentage-of-industry-sales-in-the-us/
[2]预测的颗粒度是指在哪个层面预测。比如预测全国需求(颗粒度大),要比预测一个具体的地区、城市更准确(颗粒度小),因为不同的地区、城市的需求变化可能相互抵消。再比如预测产品线的需求(颗粒度大),要比预测一个具体的型号更准确(颗粒度小),也是同样的原因。

