大数跨境

主计划要的数据,和你想的不一样— 某大型快消品企业上主计划的技术复盘(三)

主计划要的数据,和你想的不一样— 某大型快消品企业上主计划的技术复盘(三) 数字化供应链管理
2026-11-16
0
导读:运筹学做MPS,把例外解和最优解都纳入模型考量,把人放在决策选择和策略维护的位置。规则法则排除了这两者,把自己定位为决策辅助:我完成大部分简单直接的分配,例外、特殊的部分交给人来比较;至于最优解,只要

 前 言 

前两篇先定了“要做主计划”有细颗粒度执行计划,主计划还要不要做?— 某大型快消品企业上主计划的技术复盘(一),又从策略、需求两个维度看了规则法和运筹法的差异用规则法做主计划,这家企业付出什么代价?— 某大型快消品企业上主计划的技术复盘(二)。这一篇看第三个维度——数据。


一、数据准备:先想清楚,还是边做边调?

1. 理论上没差别,执行上差别大

首先是数据需求范围。正常来说,如果项目要求主计划模块承担的范围一致,那么运筹学和规则法对于数据的要求,逻辑上是没有差别的。但是在实际执行上,还是有很大差别。

2. 一个现实例子:工厂保底产能怎么定

举一个现实的例子:客户提出“我排出来的主计划,不能让某个工厂一笔需求都捞不到,或者只有一点点需求”,但是又说不清楚需要这个工厂至少保持多少产能利用率。这很现实——因为平时这个是争吵出来的,60%、80%都可以。

3. 规则法跳开陷阱,运筹法要一个明确的数

这时候,规则法跳开了这个陷阱:我不定规则,算出来给客户看,客户调整后,如果想定规则,我再写进去。而运筹学需要有明确的数——也可以调整,但需要有明确的输入之后再调整。比如你要先定60%的保底产能利用率,还得梳理清楚几个问题:什么情况下用这个保底?需求非常低时保底还在不在?保底和其他要求谁优先?需求满足率受挑战时又怎么办?

 

规则法

运筹法

处理方式

数据要求→人机互动→实施后调整

前置规则,实施后只调参数值

优点

初始数据要求低;可将供应策略转移为系统规则;客户操控感强,看着具体场景定制规则

问题一开始暴露,甲方一开始就要想清楚优先级与适用场景

缺点

配置后调整非常多;感性调整未必成套;规则缺漏可能性大,责任更多在甲方

客户操控感弱;抽象梳理令人畏难;多因素约束难理解、难定义、难调试

操控感的代价,与“想清楚”的畏难

规则法缺点的另一面:客户看着具体数据边调规则,操控感确实更强,但因为是感性调整,未必能调出一套真正适用的规则——当然,这时候责任更多在甲方。

运筹法的缺点也有深层原因。一方面,初始约束关系是对现状业务的抽象梳理,甲方往往不敢轻易下定论。这和甲方计划员的日常工作有关:大多数计划员习惯看着具体需求做具体决策,不敢做抽象决策(比如“波动低的可以少备货”)。另一方面,运筹法因为先天优势、以及对主计划的定义,往往会考虑多因素约束,这部分会让客户很难理解、很难定义、也很难调试。

所以,从数据范围需求角度看:规则法一开始把数据范围需求降低了,但完整项目实施下来,数据范围需求本身并没有变少——只是将数据要求变成了规则要求,写到了系统后续的IF条件中。而运筹法一开始抛出的数据需求体系,反而让用户畏难。

01_两种调优逻辑

图1:两种调优逻辑:一开始就拉清楚vs 先干再调


二、数据完备:现状数据真的够用吗?

1. 运筹法要的不是现状数据,是可行域

以供需路径为例:现状数据,是“现在实际在走的那几条路线”的数据:哪个工厂供哪个区域,历史上怎么走的,就维护哪几条。而可行域,是“所有可能走通的路线”的集合:除了现在走的,还包括那些现在没走、但一旦需要就可以走的路线。规则法只拿现状数据,按现状规则做匹配;运筹法则要求把整个可行域都纳入模型,再在可行域里求最优解。

图2:供需路径数据对比:可行域数据vs 现状数据

2. 先纠正一个误解

一般认为,运筹学对于数据完备性的要求更高。准确的说法是——数据完备性越高,运筹学可以获得更优的结果;在同等完备性下,运筹学的计算精度还是高于规则法;而运算效率则和算法工程师的水平有关系。完备性与两种方法之间,没有必然的高低逻辑关系。

3. 为什么要可行域:例外解与最优解

那么,为什么运筹学更希望获取完整的可行域,而规则法只拿现状数据?这里有两个原因:例外解与最优解。

  • 例外解:现状数据兜不住的时候

我们知道,工厂生产能力是变动的(生产日历、维修时间、产线投产都会影响),需求数据也是变动的(促销、需求自然波动、业绩要求等),总会有现状数据兜不住的特殊情况。比如某地需求突然上升,附近工厂供不了,而这个需求又是关键客户的——企业往往要远距离调拨过去,这就是例外解。规则法遇到兜不住的情况,就爆出缺口,由人干涉:手工指定哪个工厂来调拨,直接改结果。运筹法则有完整的可行解,会爆出特殊路线:能供应,但走人工审批,或调整优先级,一般是改规则。前者是辅助决策,对系统的信任度低;后者是选择决策,要求对系统的规则理解程度高。

  • 最优解:局部最优,全局反而不优

这里稍微有点违背常识:双次优解是有可能达成全局最优的。换句话说,局部都追求最优解,最终全局不会最优。假如存在1000条路线,每条都按照最便宜路线做,最终的结果并不是最优解。运筹学就是来啃下这一部分利润差异的。如果单独看物流成本,两者差异不会非常明显;如果把物流、生产、采购,再把多种资源约束都考虑进来(例如渠道特殊要求、工厂产能保底、库容上限等),这里的差异就非常明显。

03_局部最优与全局最优

图3:双次优达成全局最优:统筹总成本vs 逐个就近

4. 两种方法的自我定位

由此,两种方法的定位也清楚了。运筹学做MPS,把例外解和最优解都纳入模型考量,把人放在决策选择和策略维护的位置。规则法则排除了这两者,把自己定位为决策辅助:我完成大部分简单直接的分配,例外、特殊的部分交给人来比较;至于最优解,只要比人做得稳定、做得好就行,规则法并不追求。

这么做,运筹学就会对数据完备性有更高的需求。

 

规则法

运筹法

数据哲学

现状数据够用,例外交给人

要完整可行域,例外解与最优解都进模型

例外处理

爆缺口→人工干涉→直接改结果(辅助决策)

爆特殊路线→人工审批/调优先级→改规则(选择决策)

最优解

不追求,比人稳定即可

啃局部最优与全局最优的利润差

优点

数据门槛低,上手快

实实在在的规则沉淀与全局最优,对库存、成本、交付有颠覆性影响

缺点

拿不到例外解与最优解的红利

解释成本变高:市场A不关心市场B,只问“就近的厂1为何不给我”;计划员也要重新理解模型结果

下一篇:方法选好了,还要看“人”——选乙方和甲方,两种方法要的人不一样


近期培训

12月10日-12日 上海开课|第六期《AI+OR双擎驱动最优决策,让产销协同真正发生》

12月17-19日 上海开课|总第三十五期《CDMP需求预测管理规划师认证培训》


作者简介



【赵玲老师新书《供应链计划管理与产销协同实践方法论》持续热卖中】



关于驭策供应链

驭策供应链致力于为复杂制造业产销协同管理提供定制化解决方案,不仅帮助你发现问题,更帮助你解决问题,不仅以PPT晓之以“理”,更以算法动之以“利”。驭策供应链不仅以流程和经验来优化协同,更是以算法和模型来精算协同。以流程和经验协同,则粗放低效,因人而异。以数据和算法协同,则精准高效,持续优化。驭策供应链掌握产销协同核心技术,基于算法和策略构建决策引擎,是一家能真正让数字化产销协同从PPT中落地到日常实践中的公司,驭策供应链已经帮助多家业界标杆企业实现决策领域数字化转型。驭策供应链帮助你构建协同之“神”而非强化协同之“形”。

邮箱:info@demand-driven.cn

电话(微信):13681867311 梁老师

【声明】内容源于网络
0
0
数字化供应链管理
专业的供应链整合优化服务供应商,致力于帮助客户实现从订单到交付的整个过程的优化和提效,提升订单交付能力,并降低交付总成本。
内容 1268
粉丝 0
数字化供应链管理 专业的供应链整合优化服务供应商,致力于帮助客户实现从订单到交付的整个过程的优化和提效,提升订单交付能力,并降低交付总成本。
总阅读17.3k
粉丝0
内容1.3k