發文作者:Service Planning | 11/13/2009

統計學與庫存規劃?

在剛進這一行時, 就有前輩說, 這行需要一點統計基礎哦… 對我這種不是以OR或統計背景出身的, 實在嚇得一身冷汗. 做了幾年後,發現只要有點基本的觀念, 就差不多夠了. 實在沒有什麼必要去搞什麼太複雜的統計(有些專家一定不會認同的).
不過, 常有同事和顧客(尤其是還沒簽約的客戶)會說庫存規劃裏的統計搞不懂.
 
有別於預測裏的時間序(time serious)特色, 有時可以把統計用進去然後搞得天翻地覆.. 庫存規劃的基本, 只是在於如何去模擬在訂貨到交貨期間(leadtime)中, 可能接受到的需求分佈(distribution)而已. 在下來我就要著在這個需求分佈的模擬了… 至於為何要去模擬這個leadtme中的demand分佈? 這一點和統計完全無關..是由接下來配銷規劃所要求的.所以容我以後再述,
 
所以…在leadtime中的demand, 為何要去model它的分佈?…. 好吧.. 如果有一個物件. leadtime 是一個月.. 那這個月裏的可能的需求是多少? 30? 好吧.如果預計說一個月的需求量是30, 誰有多大的信心說它一定是30的? 想必沒人敢打包票.
 
如吧..大家都知道預測不準… 那就要大概知道有多不準, 然後才有辦法算庫存. 在此,可以先回去看預測的誤差(Error)和偏差(Deviation)及其測量這篇文章.
Normal-Sample
首先來看看最常見的分佈 – 常態的鐘型分佈(柱狀圖).
這是一個lead time demand (交貨期間需求,以下用LTD表示)30, deviation算低的例子. 每個x值的柱高代表這個值的可能性.
你可想像這是在說…對呀, LTD平均是在30(鐘型的正中間)所以他發生的可能性最高..但也有可能小於30或大於30呀… 是的..所以這些值也有一些可能性, 可是沒30那麼高就是了. 細看其分佈, 就這個物件來說. LTD可能低到5 ,也可能高到55, 只是可能性蠻低的了.
那庫存規劃在這裏其實就很簡單了..如果目前的模擬都對… 我們可以很容易的看出來LTD大概不可能超過55. 而在40的地方就差不多了有80%都不會超過. (對,聰明的讀者會發現藍線是幹嘛的).另一個方面想法是說..只有20%的機會..這個物件的LTD會超過40. 那就可以推導出如果這個物件想要確保80%不會缺貨.那很簡單.. 就是備40件貨在倉庫了., 或是放10件(40-LTD)當安全庫存就可以了.
 
哇..如果這麼簡單就好了.
麻煩就是在.不是每個物件的分佈都這麼漂亮. 現實一定和這個有差. 還有就是常態鐘型分佈並不能一体均用.
Normal-Neg
左邊這個常態鐘型分佈看來沒什麼不正常…可是仔細看可以發現.左側的bar已經跑到負的去了.
LTD有可能是負的嗎? 不可能. 最低也只有可能是零. 所在這些低於零的可能性應該會被往右邊擠一點..那這個分佈也就不會再是完美的對稱鐘型了.
這是一個LTD稍低的物件(LTD=10,有能是預測低,或lead time短).這時候我們就知道.常態分佈是不能用的. 而必須要使用不同的分佈法. 而比較常用的就是Poisson和Negative Binomial分佈.
NegBin Poisson
上面這兩個就是一樣的條件, Poisson和Negative Binomial的分佈.很神奇吧. 不一樣的分佈, 所模擬出來LTD可能發生的值有相當程度上的差異.
 
那現在再來說..如果要這個物件達到80%不缺貨, 那…. 對的, 因為不同的分佈, 這個庫存規劃的結果就會有相當的差異.
可是,誰對誰錯呢? 這是沒有定論的.因為選要用那個分佈的時候, 本來就是個很大的假設..惟一可行的驗証就是真的就這個物件過去的使用情形同樣畫一個分佈,然後看比較像Poisson還是Negative Binomial(在這個case像normal是不可能的!). 不過曠日癈時哦.
 
筆者碰過有解決方案是只有normal,或是只有Negative Binomial/Poisson的. 若是只用normal分佈,如同上所述normal並不能適用在低用量的物件. 所以對於其結果的正確性當然會起疑. 然而對只用Poisson的方案就比較情有可原.因為Poisson最容易(會把偏差忽略,在此我不詳述,有興趣任何一本統計入門都會提).所以很多學術界的研究都是以Poisson為基礎來發展..然後就原地打轉了. 但同樣的, 因Negative Binomial和Poisson分佈用在高用量的物件上時感覺也怪怪的,所以我也會有所保留
Normal-High NegBin-High
上面是LTD=80的normal和Negative Binomial分佈.所有的參數都一樣哦!.哇…我只能說我個人根本不敢用Negative Binomial. 所以業界通當都是在LTD高到一個值後, 就建議不用Poisson或Negative Binomial了.
 
.筆者認為, 這個分佈的選擇性在解決方案中真的只是多多益善. 只要選擇夠多(最少要有Normal和Poisson). 那就可以找到比較合適的分佈.那結果就不至太偏頗. 再細下去也就需要相當的資料分析了. 就曾碰過客戶在吵到底要用Poisson還是Negative Binomial. 真的有那個效益要花幾個月去研究嗎? 至此, 這些也就是"統計學"在"庫存規劃"的基本應用了. 只要有些基本概念,不要拿太扯的分佈來用就好了.
 
關於這個話題最好笑的事件是, 有位客戶因為供應鏈整體有太明顯的Bull whip效應..所以下游不是用急單訂小量,就是來個大單.所以這個實際的LTD分佈畫起來就像是個"雙峰"..這個,我就不知道要用什麼分佈法來模擬了.我想先做些BPR(Business Process Re-engineering)可能比較實際一點.
twin-peak 
廣告
發文作者:Service Planning | 11/01/2009

Connected/Disconnected Supply Model 整合或獨立之供應模式

其實, 筆者一直想不出來能夠切確表達這個topic的標題. Supply規劃就只是在計算在給定需求量(預測, 庫存備料和已confirm之定單)下的需求量. 在英文上通常只稱一個Supply的規劃是connected (連接的),integrated (整合的).或是 disconnected(無連結)或segregated(切割的).  但很有趣的是在SCP領域這些年, 也沒看出什麼一致的用語.  筆者在此就只用connected/disconnected來區分這兩種規劃模式
 
ReplNetwork Disconnected的模式是最容易瞭解的… 就是以單一location, 收集在這地點所有可能的需求, 然後計算出它對上游的需求量. 就這樣… 不管上游是否真的可行(feasibility)
 
Connected的方法就比較麻煩一點. locations之間是有母子關係的. 在子地點所算出來的需求, 必須立即傳送到母地點, 加上母地點的獨立需求(Independent Demand)後, 才能把母地點對其母地點淨需求算出來. 以此類推. 萬一母地點或母地點以上的任何母地點無法滿足子地點的需求, 就立即回饋給所有的子地點, 告知其不可行性(infeasibility)和問題. 此法也常稱為Integrated Model.
 
Disconnected的方法其實在60,70年代, 早在供應鍵規劃這個詞普及前就有了. 早期的規劃系統,如Inforem, 都是Disconnected模式而已, 然而到了現在, 大多的ERP系統.像Sx, Ox都還是Disconnected模式.
 
而早年筆者進到這個業界時, 就發現這些Disconnected的系統都宣稱它們有"整合的規應鏈規劃"之能力. 當時就覺得怎麼可以如此胡這亂語哩? 也覺得怎麼還會有人要用Disconnected的系統. 在engineering上, 當然Connected模式是比較先進的演算法. 在學術上,當然Connected模式也是一直被"建議"的方法. 像李豪先生的Bullwhip牛鞭效應就是著眼在disconnected模式中的問題. 所以所謂新一代的供應鏈規劃, 怎麼可以只做disconnected的規劃?
 
所謂不經一事, 不長一智. 筆者後來不幸(有幸?)拿著以connected模式為訴求的SCM解決方案到日本時, 還真的被這connected模式的"意識型態"整得灰頭土臉的.
 
在多國企業中(大部份筆者在日本碰到的客戶), 供應鏈要connected或disconnected其實是個"政治性"或"區域性"的問題.而不是個"學術性"或"技術性"問題. Disconnected和Connected其實有一個很大的差別,就是當有"狀況"時的責任歸屬.  讀者們只要稍微想想, 客戶來張單子,在connected模式裏, 上游可以馬上說:"做不到!!"而讓下游去自行謀生. 可是在disconnected模式裏, 則是將這單子pass到上游去, 讓母公司去傷腦筋. 下游可以老神在在的繼續去發展他的"地區業務". 所以.這種SCM方案推行時還沒談到connected/disconnected規劃的效果孰優孰劣, 和其真正的優缺得失. 區域經理們已經為了這些"誰的麻煩是誰處理"吵得面紅耳赤了.
 
一般來說.由於早期的供應鏈觀念是Disconnected的, 大多數的多國公司也是以區域來Segregate權責.要推展Connected模式是一場uphill battle. 相當吃力不討好. 一般區域主管不但覺得這是個"削蕃政策", 也覺得Connected是個複雜而深不可測的模式, 當發現他的單子被退了只因為別的區比他重要,那問題就更"情緒化"了. 所以在"與天下為敵"的狀況下, 除非總公司大力推動, 全力支持, 幾乎沒有成功的機會. 但很有趣的是, 也有公司蠻有想像力的, 想用"更新系統"的方法來逼使各地區就範. 那負責此任務的特使(事實上是個信差) – 系統顧問, 自然就是草船, 成了深入敵陣的人肉箭靶.(就是筆者以前的主要工作內容:D)
 tin-can
所以, connected或disconnected? 這真是個見仁見智的問題. 找套只有connected的方案去推地區導向的客戶,當然是自討苦吃. 而只有disconnected的系統, 大概也還可以打著羊頭的旗幟,繼續做生意. 必竟這實在是個理論正確,實施不易的領域.
發文作者:Service Planning | 10/23/2009

庫存最佳化(Inventory Optimization)

美國必竟是個以行銷導向的國家. 很多東西不管對不對,能不能用. 先找個燒燙燙的名字或順著熱呼呼的話題想辦法先賣出去再說. 所以, 一大堆有的沒有的Fancy詞就在市場上跑來跑去. 連學術界也都無法免俗, 甚至同聲合氣起來了. 從最佳化(Optimization)這個詞的濫用可見一些端倪
 
前一陣子看到一篇英文的網路文章, 是在講某顧問公司幫些客戶做最佳化, 而且是庫存管理的最佳化. 大體上講得有點玄. 可是竟然說可以把庫存的最佳化規劃範圍縮小到以一個庫存單位(SKU, 就是每一個物件+地點的組合)來做. 文中引述了某某客戶的"證言". 言之鑿鑿的說: 考量了諸多外在的商業參數和複雜的計算, 可以得到對每個SKU的最佳參數等等… 這些話一開始就讓我覺得很起疑. 詳讀之後也讓我幾乎斷定他們說的只是單純的單一物件的庫純規劃(Inventory Planning), 然後把它的吹成是最佳化!!!
 
其實這不是第一次了. 之前就有聽過大言不慚的Sales竟然在presentation中把一個簡單不過的EOQ(經濟訂購量)說成是"操作成本”和”庫存成本”之間的”最佳化”, 也是套了”考量諸多參數+複雜計算"等等冠冕堂皇之詞. 當時真是讓我們在台下這一堆工業工程的碩博士掙目結舌.
 
什麼是SKU的庫存規劃最佳化?
 
LinearProg先從”最佳化”的定義說起. 在此先表明我不是主修最佳化的, 所以這裏只是我對Optimization的個人認知. 最佳化應該是以所知和所能控制的參數和條件盡其所能將其"全部"model進去, 然後以heuristic或linear programming的algorithm去找出一個對所有參數皆符合的"最佳解". 最佳解不一定是惟一解. 可能會有很多組解, 也可能是無解. 當無解時, 由於是"現實"的問題 (例如結果是要丟到生產線上去的), 就必須要將某些比較不重要的參數予放寬. 然後希望有一個"可以接受的解"
 
但最重要觀念是如果參數定得很鬆散, 或將一些明顯易見, 且明知影響重大的參數卻徑行忽略它們. 那結果就是一個碩大的解空間(solution space), 然後隨便找一個解就可以稱為”有效解"..可是,這個解的可用性, 還有其是否真的是"最佳", 都很受質疑. 筆者也認為這實在不能算”最佳化”了.
 
那SKU的庫存規劃該怎麼做最佳化? 以筆者對最佳化的定義來說, 實在沒有所謂的“SKU的最佳化”. 如果以單一物品為範圍, 最多只對其所知的參數來model的話, 那只能進行局部的合理化(Rationalization)而已. 為何這樣說?
 
舉例來說, 像以比例庫存成本和固定作業成本考量算出的EOQ. 或是以static lead time和需求變數算出的安全庫存等等. 這些都只是些簡略掉一些明顯的參數, 而將計算簡化到可以用筆紙加對照表算出來的公式 (這些model的演化可能是相反的,先有簡單堪用的model然後再加以強化), 這些都不能算是"最佳化".
 
2-tiers庫存管理, 其實就類似於一個縮小的supply chain 供應鏈model. 上游的行動大大的決定了下游的反應. 而下游的一些反射動作, 也會造成上游的反動(例如bull whip). 最明顯的例子就是庫存規劃的重要參數之一 – Lead Time. 以右方的二階配銷系統, US Region DC 的lead time一般是指從US DC到region DC的時間而已, 而且幾乎是一個給定的定值(static lead time).
 
試問, 如果上游的US DC決定暫時不庫存這個零件了(如同如之前提到,移出ASL)… 那在考量lead time時就應該要去model這個明顯的變因. 可是這個變因卻不是Region DC所有的, 反而是個在US DC的參數. 若把這個變因省略,而以US DC正常庫存這個零件的假設來做規劃, 那這怎麼可能是個最佳解?
(要注意到筆者在的例子, 是已經非常極端, 若發生則局部合理化的結果是完全不能用的. 在現實中, 這例子並不常見,可是應體認到上游的參數的確是有很深沉的影響).
 
這個例子只是簡單的指出, 要以單一的一個點, 而不考慮上下游的互動和他們的參數來做合理的庫存規劃, 是一個非常自我局限的方式. 就如同在最佳化中, 明明有這些最重要最明顯的參可是都把它們刪掉, 那所跑出來的結果, 頂多只能說是局部的合理化.
 
由此, 筆者認為, 在多階層Multi-Echelon的配銷網絡中, 如果沒有model到包含到上下階層的參數和其互動而只以單點的參數來徑行規劃, 是遠遠不足以稱為最佳化的.
 
Optimization (n): : an act, process, or methodology of making something (as a design, system, or decision) as fully perfect, functional, or effective as possible –Merriam-Webster Dictionary
 
SimpleInvPlan下次, 當有銷售員在賣弄庫存最佳化方案, 或甚至供應鏈最佳化方案時, 希望你知道他在說啥, 和知道可以問什麼樣的問題.
發文作者:Service Planning | 10/17/2009

稀疏性(Sparsity)和核定庫存單(ASL)

在談到Multi-Echelon之前, 筆者想要先談談兩個在售後服務規劃中比較常碰到, 但在一般供應鍵規劃中幾乎不談的影響因素
 SparseCrowd
Sparse (adj): of few and scattered elements – Merriam-Webster Collegiate Dictionary
sparse audience -> 稀稀落落的觀眾. sparsity是sparse的名詞, 中文可以翻為稀疏性. 通常在預測或庫存規劃中,指的是由於客戶的需求零零散散, 稀稀疏疏的所導致的一些問題.
 
舉個比較簡單的例子:
某個零件平常不是很常壞. 所以客戶們難得會要求換新.平均年使用量是10好了. 可是因為分佈的點多. 例如北中南有二十個維修據點都用得到. 所以以簡單的數學一平均下來.每個點的使用量都不到0.5.  可是又不確定會在那兒發生. 這就是很標準的Sparsity. 低發生率加上廣大的地理幅員, 就很容易造成這個需求稀稀疏疏的情形
 
如果是顧客至上, 不想客人走進門來沒有零件可以修,那怎麼辦? 最簡單的方法就是每個點放一件. 那結果不就是不論何時, 手上一定會有20件備存??? 那以零件庫存週轉率(inventory turn)來說, 竟只有0.5(一般說的是2到3)!!??.這幾乎是個dead stock!! 這就是Spasity最明顯的併發症. 好像什麼特別的事都還沒做. 只為了每個點的客人到要維修的時候有零件, 就可以輕而易舉的將庫存費用拖垮, 倉庫擠爆.
 
那Sparsity最簡單的解決方法, 就是集中化(Centralize), 把備料集中在一兩個主要的維修中心備料嗎? 如果這樣做, 而從維修中心送個零件到下級維修站要二天, 那就等於是"保証"每個客人都要等上個兩天..不是所有的客人,所有的零件都是可以這樣等的. 事有先後順序, 緩急輕重的! 在這個時候, ASL的觀念就因應而生了
 
Authorized Stock List (ASL): The part numbers and quantities of field replaceable units that should be stocked at the specific locations which the ASL is created – Service Parts Handbook by J. Patton & H. Feldmann
中文可說是核定庫存單? 其實說簡單起來. 它只是一張表, 列出每個維修據點允許存備的零件.
 
Pareto主要由於庫存壓力, 沒有辦法把所有的零件都列上去. 因此, 就會有一張表告訴物料管理員那些是可以送給下級維修站,那些是不行的.
 
可是這個作法最早的主要目的, 只是要減少庫存. 所以早期ASL的產生很簡單. 以零件的價值x需存量做個柏拉圖分析(Pareto Analysis),然後在80%,85%的地方畫條線就好了. 前80/85%就是可以允許庫存的Parts, 剩下的15/20%就沒辦法了, 必須將其集中至庫存中心. 但之前提到, 庫存高是Sparsity的併發症, 而不是主因. 因此, 這個做法可說是漏洞百出. 怨聲載道.
 
如果以客戶至上, 且預算夠多, 倉庫夠大, 那可是會將所有的零件都在每個維修站備料. 但因為庫存預算永遠不夠(應該還是要越少越好哩), 所以才東砍西欠的. 但就算是要少要欠, 那也要視”緩急輕重”呀! 因此, 新一代的ASL觀念, 都已經開始把零件的關鍵性或必要性(Criticality/Essentiality, 筆者以後會會再詳述)列入考量來做較為明智的決擇.
 
Sparsity和ASL看來是相當的直接明瞭, 且它們沒什麼複雜的數學統計. 可是, 很多公司在管理他們的售後服務物料庫存時, 卻把它們忽略了. 筆者碰過最有趣的例子, 是一家美國本土的S航空公司. 這家航空公司很能賺錢, 本身以營運積效出名. 本來只是要去做一些備件預測系統方面的改善(因為他們實在太以營運積效著稱, 從沒想到他們的後勤營運會有什麼問題). 沒想到在專案的頭兩週看到他們各航點的庫存資料後, 發現他們Sparsity的問題非常嚴重.也幾乎沒有什麼ASL的觀念. 各航點維修站要什麼零件,物料中心就給什麼.
Sparsity
 
所以一開始就對屬於非關鍵性的零件加以評估(關鍵性零件的評估要比較複雜謹慎). ALO是所有航點維修站中常態維持的庫存總量. MAX是指在任何的時間點 所需要的最大零件量. 而維修站和維修站之間的零件運送時間只約四個鐘頭(自己是航空公司的最大好處). 那這些ALO>MAX的零件就不需要維持這麼多量在這些下層的航點維修站. 應該有很大部份可以刪減或集中化
 
結果出來是有將近88%的庫存是這個樣子的. 物料經理看了嚇了一跳. 高興的不得了, 因為之前還為了專案的預算傷腦筋. 現在光這份報告省下來的零件預算就是專案的好幾倍了. 真是專案還沒開始就已經幫他的年度積效大大的加了一筆.
 
在一般的SCP中, Sparsity算罕見的, 因為製造點通常都相當集中. 且需求也很少那種稀稀落落的. 至於ASL, 也幾乎不存在, 因為在製程中的WIP無時不在,任何一個點都可以臨時成為stocking location.
 
至於這和Multi-Echelon的關連, 其實就應該蠻明顯的.因為階層一旦多起來, 上層的ASL可對下層的營運有決定性的影響.
發文作者:Service Planning | 10/15/2009

妥善率(Availability)和拼修(Cannibalization)

前幾天看到這則英文的韓國新聞F-15K
奇怪的是這朝鮮日報也有簡體中文版, 可是就是沒這篇文章.是欺負看不懂英文的人嗎?還是不想給看中文的人看?? 🙂 反正文中提到兩個重要的詞. Availability 和 Cannibalization. Availability is 妥善率. 主要就是在說F-15K的妥善率只有16%.. 其它戰機大約在70~80%. 這還真是蠻低的. 這也讓我想起來前一陣子的新聞.

“妥善率低 IDF、幻象機無法立即作戰"

同時, 感謝鍾漢清先生, 我終於找到Cannibalization的中文 – “拼修". 這詞實在是精準. 也才發現人家是台灣戴明學會會長!. 能接觸到這種老字號前輩的一些"裏技", 實在也讓人興奮 (害我上班不專心, 只顧explore他的blog. 也才想到在研究所時,真的一點都沒把戴明的品管學唸通).
 
首先要提的,就是所謂的系統妥善率. 在航空國防上. 系統的定義通常指的就是一架飛機, 或一部戰車.. 在戰場上得以獨立運作之單位. 當以一個系統為單位, 而以系統妥善率之提昇為主要目的.進而提及維修備料的庫存管理時,就會因Multi-Echelon和Multi-Indenture的關係而變得相當複雜.
 
Multi-Echelon是一個非常常見的問題. 只是如果以系統妥善率來說. 一個系統,例如飛機, 不會在同一個地方保修. 它可以在駐地進行簡單的檢修. 然後移到二級三級廠做較大規模的檢測和翻修. 那駐地就是第一層 (最低層). 三級廠是第三層(最高層). 可是有時有的檢修是只在某一層做. 這在備料上就比較簡單 但有的則是所有各層都可以做.這時備料可能就會三層全都備.然後再互相調貨. 可是在實際面上, 就必須去仔細衡量要在那一層備, 備多少, 調來調去是否合理等. 這都是Multi-Echelon的主要課題.  筆者覺得Multi-Echelon的應用最廣, 可是又很複雜, 看來要另外一篇文章才能講個大概.
 
Multi-Indenture就只限制於應用在系統妥善率了. 重要一點是說. 當系統進來維修時, 一定會拆. 只是在那一個Echelon會拆到那一個Indenture就不一定.通常較低的echelon拆的indenture越淺.可是這就造成備料庫存的差異了. 在較在上層可以備較零散也較便宜的基組件, 但在較低的echelon可能就要備較完整卻較貴的套件, 這是很難實現的. 所以大多是做”強制後送”.回到Multi-echelon的概念去. 總之Multi-Indenture是在Multi-Echelon之上的另一個Dimension.在echelon越上去, 檢修的範圍就越大. indenture也就有可能更深. 備的零組件也就更廣, 也更趨基組件. Multi-Indenture其實也和拼修有很深的關係. 拼修最早是由美國海軍把這個詞制度化(吧?!) 可以很簡單的想像在二戰的航空母艦上要讓戰機能儘量出勤,最後的方法當然就是拆那個損害最嚴重的去修那個損害最輕的. 像台灣的新聞中”封存" 9架幻象大概也是這個目的. 當拼修發生時. Multi-Indenture就很有意思了. 因為可能拆了一架拿到了一個關鍵零件. 可是卻多了一堆其它的零件.這些零件要以echelon往上推或往下送, 或是以indenture繼續拆下去,甚至什麼都不做,就很難決定了. 其實到了最後很多是以現場維修人員的臨場應變為主. 基本上很少人能真的有效規劃multi-indenture和Cannibalization的.
Mirage
發文作者:Service Planning | 10/09/2009

產品生命週期(PLM) 和零組件生命週期 (PLM)

產品 vs. 零組件

之前提到Life Cycle Management, 可是有點匆忙沒有講得很仔細.這裏再補足一些. 我故意用兩個相用的英文縮寫. 是因為它們真的很容易搞混, 也沒多少人把它們的根本搞清楚.
 
– Product Life Cycle: 產品生命週期
– (Spare or Service) Part Life Cycle: (備件)零組件生命週期
 
很記得當年在供應鏈規劃執牛耳的i公司任職時, 曾有些關於產品生命週期(Product Life Cycle)方面的討論. 就講到在預測和庫存規劃上, 到底有那些要注意的和有什麼可行的解決方法等等. 當時有位對售後服務比較瞭解的前輩就指出說這些方法是著重於產品上市下市這段不算長的期間做Micro管理. 對售後服務中所需要的零組件生命週期並不適用. 可是當時的主講人, 應該是產品經理或所謂的解決方案建構師吧, 對這問題一副不屑回答的模樣, 我至今仍很記得.
 
那時因為公司內部是以製造導向的供應鏈規劃為主, 對售後服務的供應鏈並不特別注重. 所以反應是可以理解啦. 且那時我對售後服務也還沒有很深入的接觸. 實在也搞不清楚為何是個問題, 和為何要被重視或忽略.
 
產品生命週期比較簡單懂一點, 就是產品從上市之前的設計和產能備置, 到產品下市產能轉移及剩餘未清庫存之處置等等. 產品要上市之前的供應鏈建置可不是一件簡單的事. 你看Amazon的kindle一開始要缺貨六個月. 不是產品上市對預測沒算好. 就是產能在設計時訧設計的太死. 下市也沒好到那裏去. 到光華商場和秋葉原逛逛不時可以看到有人"倒貨", 以打折扣來促銷將要下市的產品 (在此提到一個tips,日本的家電廠通常是三四月份結算, 在那個時候就會有些對要下市的產品急著脫手, 所以像筆者幾年前就剛好抱了部六折的超迷你筆電回來).雖說不一定賠錢, 可是產品末期多餘的庫存的確蠻傷神的.
 

零組件生命週期

零組件生命週期複雜一些,可分為數段來看.
1. 產品上市到下市之前, 生產線仍在產出產品
2. 產品下市之後, 雖不再生產, 但零組件仍在生產或仍可生產
3. 零組件已停止生產, 可以與客戶保固或保修的約定仍未期滿,
4. 保證已過可是客戶仍需維修. 直到產品不再使用,零組件零件完全消失為止
 
第一段要將零組件需求分為二部份. 一部只是普通的生產零組件. 只要產品生命週期管好, 最簡單的MRP都可以解決. 另一部就蠻頭痛的. 就是售後服務部對新品上市時初始庫存.
第二段就開始算service part了. 在筆者文章中提到售後服務規劃的功能大多是適用於這個期間.通常是最長的期間, 可是並不一定哦
第三段和第四段可算是spare part. 在物流並沒有太大差別, 在客服和費用處理上會有稍許不同的流程.可是在規劃上是最嚴刻的挑戰. 因為不但要做最終採購(Last Time Buy), 還有一堆在缺貨時的應變方案. contingent sourcing, third party part dealer和cannibalization等等之期提到的
 

零組件生命週期後端 – 第二階段以後

首先要提到的問題, 就是從第二階段之後的預測. 第二段開始為產品下市. 意指市面上該產品的安裝基數(Install Base)已經不會增加. 可是, 以家電界來說. 產品下市不但代表安裝基數不增加, 甚至會開始減少. 安裝基數的減少量可能是一個緩慢的上升再下降的曲線. 可是維修零組件的需求,是以一個下凹型的曲線出現. 如下圖的中曲線的右段.
這個下凹型曲線目前根本沒有什麼有效統計model可以做得出來,除非去追蹤安裝基數的狀況再做肇因預測(Causal Forecast). 條件就是要能完備的追踪產品的動向才能看到些效果. 可是這裏又碰到所謂的損壞率(Failure Rate, 為此肇因預測的主要參數causal factor)有估測上的問題. 這個問題我會以後再談. 所以很多時候真的就只能靠有經驗的庫管員以過去的經驗值畫條線(比猜個數字還難).
LifeCycle
第二個問題. 就是最終採購的時間點. 上圖其實是某位客戶的案例. 紅色的三角點就是最終採購的時間點.如仔細觀察,就可以發現在產品下市, 生產線轉換沒多久. 該客戶的製造廠就連零件的生產也中止了.. 逼得售後服務部在面對後頭還有漫長的保固服務期, 還是得硬著頭皮做最終採購, 一次要把所有的備用料買齊. 想想看,之前才說那個下凹曲線的預測很難做, 可能隨便畫 這下還要求早早交出全部的採購計劃. 要把所有的預測量一次買足. 這不是兩面交攻, 讓售服物料必死無疑嗎?? 到最後不是缺貨,就是一堆廢料.
 
DeadStock2
最早在接觸這個問題時, 是由一個日本的家電大廠提出要求對那個下凹曲線要有個解決方案, 原因是他們評估過手上現有的零件庫存, 竟有高達78%算是不流通或低流通量的庫存. 只有28%的庫存是有效流通, 可以短期消化的. 而這些不流通的庫存中, 有一大部份是因為上述的情況而造成的. 雖說客戶認為下凹曲線的準度是主因, 可是花了一堆時間研究後, 那個下凹曲線實在沒有什麼好辦法可以有效處理 (我還記得這個計畫的主導者超愛賭馬的. 人說愛賭馬者必愛統計, 真是沒錯).
 
DeadStock1
數年後, 遇到一個類似型態的日本電子廠商. 但情況稍許不同(沒有任何一個顧戶會有一模一樣的問題). 這回是由咱們對顧客的庫存現狀做主動評估. 得到的結果也蠻誇張的, 庫存中有高達97%!都是已經是做過最終採購的零件. 簡直是整座倉庫都是之先買好, 萬一用不完可不能退的備料. 但更有趣的是,其中的75%是由20%的少數零件造成的.而這些肇事者大多就是備件中稍為昂貴的零件 (>$15).
 
這個專案在稍後發現主要問題之一是最終採購的時間點被生產廠線所限制, 而導致在保固期間的如此初期就要做最終採購. 如果能想辦法延後最終採購的時間點一小段時間, 則預測準度和備件需求的清晰度都能明顯的提高, 進而降低這些死庫存”dead stock”的量. 所以當時的建議方案是著重於之前發覺之昂貴零件而和原生產廠甚至外頭的協力廠協調延伸零組件的生產期三到六個月. 就預估可以降低之前庫存量的20-50%
 
其實這個零組件生命週期比一般人認真的複雜得多. 而且說實在的, 沒有一個解決方案是一体適用,絕對有效的. 我這裏也只講了週期後端的問題. 以後再來說零組件生命週期前端 – 第一階段的一些問題.
發文作者:Service Planning | 10/06/2009

預測的誤差(Error)和偏差(Deviation)及其測量

有預測, 就一定有誤差. 可是一般人又把誤差和偏差混在一起..
Error – 是指某個數字準不準. 如果準. 那error就小
Deviation – 是指某個數字的變動量. 如果"變很大", 那variance(變量或自由量)和deviation(偏差)就大
在預測管理中一個重要的目標, 就是要提供預測"誤差"的"偏差"值, 接下來的庫存規劃才能有憑有本的做.ForecastError
 
但偏差的定義和其測定, 以及偏差的處理是相當應用統計的領域. 相當棘手.
可是很多人也直接將偏差當成誤差. 這不是完全錯可是可能導致一些非直接的問題 .
 

以"偏差"當"誤差".

首先, 來看看誤差偏差的測定. 我把它分為二類:
– Demand or forecast driven 歷史需求或預估導向
– Error driven 誤差導向
誤差導向比較直接一點, 就是去比較過去的預測值和實際值來量測其誤差並計算其偏差 (變數是誤差). 由Demand或Forecast的偏差來推就比較玄一點了(變數是歷史需求量或預測量). 但為何歷史需求或以歷史需求所做的預測, 其變量和它本身的準度有關係?
 
這其實是歷史的原罪. 早期在電腦運算能力尚未強大之前. 計算以誤差導向的偏差值是曠日廢時. 加上當時JIT理論並不暢行(為何JIT跟這有關可真是另外一篇學術期刊了), 所以有些學術研究就利用過去需求本身的偏差(變量)來"近似". 後來又有人加以改良成了以預測本身的偏差(變量)來"近似" 預測的準確度和其誤差. 其基本假設是說, 當歷史需求的偏差值(變量)高時, 預測誤差就大. 相同的, 如果預測的偏差值(變量)大, 那當然它的準度也就值得懷疑.
 
但這些假設基本上大多是以製造為導向. 以銷售預測來說, 的確是預測本身的偏差值越大, 越讓人起疑. 如果以售後服務來說. 拿低量需求品(超過60%的時間是沒有需求的)來說, 他的歷史需求偏差就會很高. 那如果他是以移動平均來預測,那預估偏差是0. 可是如以Croston預測, 那預測偏差又很高(甚至可能超過歷史需求偏差), 意思也是說… 以低量品來說,以Demand或Forecast導向三種不同的測定法會出來三種天南地北的偏差值. 這能用嗎? 就算是高量需求品. 如果有趨勢(Trend)和季節性(Seasonality), 結果可能是完全猜對需求可是偏差值不是0!!!. 那這是什麼誤差值?
講了一堆, 結論就是不能隨便以Demand或Forecast導向的偏差值來"近似" 誤差偏差, 可是在這行做久了,就會發現, 大多人都是以偏差當誤差, 也不知其所以然.
 

偏差的計算方式

偏差的計算公式有幾種, 像:
MAD (Mean Absolute Deviation)
MAPE (Mean Absolute Percentage Error)
RMSE (Root Mean Square Deviation)
MAD是在算數上是較省CPU的方式 所以有些早期的程式在計算誤差導向的偏差值是用這種方法. 它需要用 σ = 1.25 MAD 來近似. 到現在還是得它怪怪的(但沒有根據).
MAPE和RMSE在應用上差不多, 這些公式只是在不同的情況它們會有不同的結果. 也不能說那個對或錯. 就真的只是不同量測的方式.
 
在此筆者一直有個很基本的問題是, 在誤差測量這些方法中, 超出預測值和低於預測值的誤差計量是一樣的. +10和-10對偏差值的影響是一樣的. 那這和在偏差值的應用上又有明顯的不連貫.
 

偏差的應用

誤差偏差最主要的應用, 當然就是庫存規劃啦. 設想如果有預測是完全準確的, 那誤差應該就是0. 安全庫存也就免了不是嗎? 當然, 世界不是完美的. 預測永遠不準. 不準怎麼辦. 就要知道到底有多不準. 然後來備多少安全庫存以防缺貨. 這就是庫存規劃最主要的功能.而誤差的偏差值就是個指標指出到底預測有多不準
 
可是,就是筆者之前提到. 偏差的計算方式和其應用並不連貫. 舉個例子. 如果有個人預測每回都不一樣可是都是+10 (超過實際需求10). 那會如何? 以歷史需求或預估導向的計算, 會算出誤差偏差是一個大於0的數字. 而誤差偏差大於0, 也就表示會有安全庫存. 可是.預測都以已經over了,為何還要備安全庫存? 但是以誤差為導向的計算也不見得對. 如果每回都是-10, 誤差偏差竟會是0, 沒有安全庫存? 目前的想法是偏差的定義和其計算方式並不完整連貫, 有遺珠之嫌而導致在其應用時, 就會有一些奇奇柽柽的角角案例(corner case)啦.
 
bulleyes這裏只是介紹一下現行常見的預測誤差的測量法和其應用. 對這些疑問也還沒有答案,可是如果有力氣去研究相關的學術論文, 那乾脆就回去去唸個PHD算了.
發文作者:Service Planning | 10/01/2009

服務的定義? – 讀能力雜誌2009年2月號(636期)

Learning&Development-636我是能力雜誌的忠實讀者了. 雖說沒法從第一期開始成為訂戶(民國46年!?, 我都還不知在那裏!), 可是閱讀它的時間幾乎橫跨了我的職業生涯, 可說是從走入職場開始就陪我一起闖蕩學習.
 
由中國生產力中心發行的能力雜誌, 是我認為在華文商業雜誌圈內,品質最穩定,內容紮實, 沒太多的花言巧語, 亦沒有陳腔爛調的專業雜誌. 我以前都會稱它是唯一可能成為中文版哈佛商業回顧(Harvard Business Review)的候選人了. 讀翻譯的HBR真的是隔空騷癢又完全不本土化.
 
前幾天隨手拿起2009年2月份的能力雜誌, 標題:新世代服務管理來翻翻. 赫然發現我手上最老的一期1999年3月, 也是在講服務 – 服務品質.就一時與起全拿了出來再加翻閱比較. 首先我就注意到這兩期的提到的"傑出個案":
1999/3: 2009/2:
– 麥當勞
– 衣蝶,力霸百貨
– 信義房屋
– 玉山銀行
– 麗思卡爾頓酒店
– 上海銀行
– 摩斯漢堡
 
眼尖的人很快的可以發現, 沒有半個製造業的Case!. 十年前十年後, 講服務品質效率的還是同樣那些產業: 銀行,百貨和屋地產. 讓人一時錯亂, 難道只有這些產業強調服務品質嗎? 還是只有這些產業算有服務? 服務的定義是無形的(intangible)沒有錯. 可是並不是只要有任何有形產品涉入, 就不是服務了. 甚至. 當產品存在時, 相對映的服務更形具體明顯. 確保產品可以正常使用的服務, 遠較幫你定存換活存的服務來得親身實際. 剎時覺得, 能力雜誌在看服務這件事時,還是用傳統的狹義定義 – 服務業的服務.
 
或許, 是因為台灣長期為人做嫁, 製造業以OEM形態為主的市場下, 並不需注重產品相關的後續服務, 貨物出們概不退回.
 
可是這也觸及另外一個矛盾. 由於OEM產業長期在低毛利之中搏鬥嘶殺, 市場普遍認定以創新和自有品牌為主要出路. 放眼望去我書架上能力雜誌們的標題,就有多少本是在講品牌, 創造. 品牌是很重要. 產品在市場的定位, 產品線的廣度深度, 和產品上市的時間地點等等都有決定性的影響. 創意也是一樣. 講到底了這和策略學中的市場觀(Market Base View)很接近. 但品牌和創新只要做對了這些功課, 就能確保在市場上穩定踏實, 攻無不克,戰無不勝嗎?
 
在此先提到所謂的資源觀(Resource Base View)論. 資源觀要求先審視企業本身的體質, 不但要全面強化企業內部各部門的作戰能力, 更是日後找出決戰決勝點為何的重要指標. 企業內部的各項作業能力就不只是品牌導向和定位那樣可以在紙上明確作業的. 舉凡作業流程, 生產效率, 人力資源, 知識管理到供應鏈的協調都大有相關. 不過. 很明顯的是, 台灣廠商在OEM中打無敵手的時代, 這些以資源觀為導向的競爭元素, 大多都已被強化昇級. OEM在競爭時,就是就是以接近純資源觀的立場在相拼哪.
 
那到底漏掉了什麼. 由OEM轉型的製造業在著重創新和有了自有品牌後, 除了品牌定位和市場有效區隔等等市場因素外,還需要什麼? 如以資源觀重新審視, 會找到什麼新的元素?
自有品牌後多出來的新元素, 就是製造業本身的售後服務能力.
 

現在品牌是自己的, 賣出去後也是自己的責任了. 不再是美商某某的問題.

 
筆者多年前以愛用國貨為由,帶了個技嘉的主機板來美國. 出了些問題花了老半天才找到在加州有維修站.一來回竟花了四個禮拜和一個要再寄回台灣原廠的答案. EPSON在印表機的技術領域不算弱勢. 可是早期在美國難得看得到它的影子. 有回和BestBuy的經理聊天時問到其原因. 答案是EPSON在北美並沒有足夠的維修點, 叫他們賣就像是搬磚頭砸自己腳. 以前HP和SUN的工作主機在美國算並駕齊驅. 專案中通常是一半一半. 可是日本的客戶群幾乎清一色是HP. 打聽之下也才知那時SUN在日本的售後服務口碑不佳是其主因.
 
再者, 美國的製造商(基本上都不再製造), 都早已注意到售後服務的重要. 它不但是產品優勝劣敗, 最終決定顧客滿意度的主因, 更是營運獲利上的重要戰場, 研究已指出靠售後服務的長期獲利可以是販賣商品時的三到五倍之多. 那以自有品牌為出發點, 要如何去面對這個市場,並挑戰這些現存並虎視耽耽的競爭者?
 
簡單的說來. 有了創新的產品, 有了自有品牌, 那最後的決戰就是行銷通路和售後服務網絡了. 行銷通路靠氣勢, 衝勁. 但售後服務網絡, 就得靠佈局和執著來細水長流. 是長工苦力. 而這, 也是台灣製造業最不熟悉的領域了.
 
Learning&Development-517很可惜的是能力雜誌並沒有對此有更深入介紹和剖析. 如果不是忽略, 就是不慎將服務的定義狹義化了.
 
 
 
發文作者:Service Planning | 09/29/2009

玩具的售後服務 – Lego

前一陣子朋友送了一堆Lego Duplo系列來. Lego Duplo就是比設計得一般Lego稍微粗大些, 整體組裝也簡單得多, 以2到5歲市場為主的益智遊戲系列. 除了一般以積木為主自行組合的玩法外, Duplo也有相當多和故事卡通結合的主題, 例如Dora或Pooh. 和Lego本身的一貫特色相同, 玩具耐度高, 多變化, 可以玩上好幾個kid cycle. 很受中上階層家庭喜歡.
IMG_8358
 
發現送來的組件中, 有殘缺不全的Thomas the training. 看來真是傷心, 不是缺頭就是缺腳. 缺了這些關鍵零件, 就玩不起來了. 差點把它們全丟了.
 
想當初這一定是孩子們最心愛的玩具. 像這種中高價位的玩具如果可以讓孩子們玩到長大, 不玩了再送人是最好的結果. 可是一旦關鍵零件損壞或遺失. 整個組件就失去了意義. 這時, 不是藏在角落眼不見為淨, 就是把它們丟棄, 一了百了 (或許這是朋友連這些缺件品也送來的原因).
 
某天在網路上閒晃時, 突然發現Lego的售後服務部竟有Parts search的能力. 找了一下雖然沒找到任何想要的零件. 可是Lego的網站也註明如對"特殊零件"有需求, 可以和他們的客服連絡要求幫助.
 
所以, 老婆就展開和Lego客服數通電話的往返討論. 這其中涉及Production identification, parts search, service authorization和picking/shipping 等等. 作業程序複雜得超乎我老婆的理解範圍, 也是要花上數通電話的主因. 不過, Lego客服的確值得讚許, 在我們沒有原始包裝及產品說明之下, 由僅有的產品敍述協助老婆直到確認遺失零件的號碼和它們的庫存,還有處理一堆有的沒有的購買憑証等等. 總算讓我們有辦法買到我們需要的Parts
 
IMG_8359
一個禮拜後,我們終於收到這些零件. 看著Thomas的笑容. 就覺得這些玩具又活了起來了. 可以再換到一些孩子們的笑容.

孩子們應該要玩用過即丟, 還是可以持續使用個幾年的玩具?

 
或許一般人真的覺得玩具就只是低價消費性產品. 但筆者不盡認同, 也一直認為這是台灣從玩具王國走失的肇因之一.  但就算在塑造高品質高價位的產品時, 在產品行銷和客戶滿意度的提昇中是否有些區域是很容易被眾人所遺忘的? 還有當人們要提倡節能省源的同時, 延續產品壽命以減少不必要之浪費也是很重要的並行管道.
 
Lego向來不走低價路線. 這些Thomas每個Unit都要價美金25元以上.但如果我在Walmart連買了三台便宜的小火車, 但玩沒多久就壞就丟, 那是否該回頭就買台Lego的?
IMG_8361
現在以我的觀感來說, 它的定價並沒有不合理. 因為我知道Lego會支持你讓你的孩子繼續玩它的玩具.
發文作者:Service Planning | 09/28/2009

原廠認証零件制 (Genuine Parts)

如果有在美國修過車的朋友. 如果沒有在原廠而是交給外面的一般維修店維修的話, 大概都有聽過OEM和Genuine Parts. 就是在維修的時候, 要用原廠零件,還是一模一樣但不是原廠指定的零件.
 
其實要知道現在任何一台車裏的零件. 由本廠公司生產的組件幾乎沒有超過一半的. 汽車業的供應鍵已經發展到發工合作的極致. 沒有一家廠牌可以不靠零件供應商而活下去. 所以原廠零件也不一定就是原廠生產的. 很多時候只是原廠指定了一家品牌. 而這家品牌很常也是組裝線的零件供應商.
 
所以不是說用OEM就是比較俗的選擇. 反而應該說, 識貨的人就會看零組件來決定. 不是挑個和原廠品質一樣, 甚至是同一家零件廠可是卻便宜許多的OEM來用, 就是精挑細選找個比原廠品質或等級都還好的OEM零件來給自己的愛車最好的照顧.這種情形在台灣其實也有. 不過多只分原廠和非原廠零件, 加上大眾對汽車維修的DIY觀念並不像美國普及. 因此OEM Parts的應用泛圍小了些.
 
在美國. 這種OEM換Genuine的風氣過去非常盛行. 尤其是美國廠牌. 近年來, 在日本和歐洲車系逐漸強勢下.  變得比較刁零. 那為何OEM在日歐車系施展不開?
 
日歐車系除了很重視原廠售後服務, 將維修站做得一塵不染. 讓你送修車喝飲料完全不當回事(正好和DIY相反). 同時, 也推行所謂的原廠認証制.就是在回原廠維修時, 不但幫你換原廠零件, 也順便幫你"檢查"一下是否有用非原廠零件… 如果有,可能就會來個恐喝+遊說來把它早日換掉. 甚至最後的手段像把車子的保固就因此取消也在所都有.95civic
 
另外就是封鎖零件通路. 如果你不想在這修, 外頭也不讓你買得到類似的零件. 你知道1995 Honda Civic- 15年老的車被評選為最受偷車賊喜愛的車了, 為什麼? 因為完全沒有備用維修零組件了!!
 
想來真的是很賊很爛的方法, 不是嗎?
可是, 不這樣做, 要如何能確保產品本身的品質呢?
 
就像以前在台灣, 買部IBM的電腦,但裏頭的零組件到處都有. 輕輕鬆鬆到處昇級. 可是IBM能容忍如此而繼續它的保固期嗎? 換回來, 那部拼裝的電腦敢保固? 其實在台灣這種爭議在電腦界早就有了. 台灣電腦工業發達, OEM零件充沛.而且大家都會換. 所以差別是業界生態和顧客基本認知所造成的. 問題本身是一樣的.
 
美國的車廠以前就定位在可以使用OEM零件. 市面上廠商多, 競爭夠. 消費者得到的好處是便宜的維修和充裕的零組件. 就像以前的PC市場.
 
日歐車廠則很早就注意到Genuine零件和售後服務這個高獲利的市場, 像卡車市場幾乎已經快是賠錢賣車賺售修. 所以很早就把關不讓OEM在市場上大量流通 然後加強售後服務品質來吸引消費者回原廠保養檢修. 把這些弄得名正言順的. 客戶高興了, 自然對較高的價錢和較少的選擇沒有太大的反抗.
 
筆者認為, 允許OEM零件是一個比較容易和簡單的選擇. 其實美國車廠成立較久. 歷史背景下採用這種商業模式情有可原. 但OEM模式卻有很多的致命傷, 像OEM品質良侑不齊, 整體售後品質無法確保. 還有就是將售後服務拱手讓人等. 這些都在美國車界看來是沈痛的傷害.
 
但原廠認証制也非常的有挑戰. 例如售後人員的訓練, 維修作業流程和備料庫存的規劃等. 而且一有閃失就很容易把原有的獲利消秏殆盡. 早期有許多人認為車廠應著重於設計生產而不應力多備分的參與售後服務. 很久以期筆者參觀T大車廠洛杉磯的售後庫存倉庫. 對其堆到天花板的庫存感到震憾不已. 其實日本車廠也是花了很多年(和很多錢)來証明售後服務(含服務規劃)是可以由原廠來做得到的.
 
現在在業界, 最積極的算是歐洲車廠. 歐系車廠在世界的擴展在過去稍遜日系,可是對售後服務一樣重視(或更甚). 像Volvo, BMW 和VW在北美過去這幾年有顯著成長. 也因此很積極的在推行提昇售後服務網的整體品質. 想當然原廠認証零件制的推行也是必然的.

« Newer Posts - Older Posts »

分類