2013年到2015年期间，有幸接触和参与了部分的在联想和华为的售后备件预测和计划软件实施项目，使用的软件是Servigistics斯维致斯。企业供应链管理软件里，比如i2，SAP，Oracle，大家都耳熟能详了；Servigistics软件则相当于售后备件领域的i2，在500强的航空汽车电子等行业中市场占有率很高。

售后备件的供应链预测系统的背景

供应链执行系统，对于大型制造业来说可以说从20年前就已经是标配了；但是供应链的预测和计划系统，普及率远没有那么高。

航空汽车和电子制造业，由于产品单价高，售后体系也庞大，售后的库存也是体量大、金额高、折旧等风险也大；而售后又有很多不同于生产供应链的流程，比如逆向物流流程、维修MRO流程，等等。

因此，往往不能用生产的预测系统；售后的供应链预测很多还停留在比较初级的手工阶段。

和主流供应链的业务目标类似，备件供应链预测和管理的主要的业务目标，也是在“售后客户满意率”和“供应链成本”的平衡中寻求最优。

供应链预测，软件和数据起到了哪些方面的帮助

从接触的联想和海尔的这两个Servigistics项目里，我看到的，软件和数据帮助了哪些方面的工作。在此之前，售后备件是通过计划员用excel表格、在各个层级之间按照每天、每周、每月、每年的频率更新预测和计划。

考虑一下一个典型的大型制造企业做售后计划时候的计算复杂度：

备件方面：

过去一年中的售后业务涉及超过一万多备件；

超过半数的备件有2~3个替代件，有单向替代、也有双向替代；有的备件有维修价值、有的没有维修价值、只换不修

售后网络方面：

维修站点、维修中心、中央库；存在多级调度、和逆向物流；

第三方库；

自有仓库超过10个地点；包括海外仓库；

其他方面：

技术换代造成备件贬值压力大；

来自竞争品牌压力、“一次修复率”对顾客满意度和口碑的影响；

核心备件自身从供应商要求很长的采购提前期；

选址评估困难；

当需要调整仓储地点架构和物流方案的时候，难以评估各个方案的成本和绩效、难以评估变更的代价；

借助软件后带来的帮助：

1. 复合预测模型，随着迭代、调参的次数增加，让备件计划人员越来越全面深刻的理解到预测的相关因素。

预测模型的输入包括了：装机量、成品的销售计划、成品的生命周期管理、成品的故障率和可靠性信息、季节因素。

2. 手工难以处理的备件替代关系、未来物流网络规划，软件都能更多快好省的实现预测。

3. 成品退出时期，LastTimeBuy，以前人工经验居多。实施软件后，可以根据成品质量数据、历史MRO数据，借助衰减模型，预测需求量。

4. 当模型稳定运行后，当出现很大的预测偏差时候，实际上提供了“异常报警”的功能。比如在海尔，模型稳定运行一段时间后，发现法国某地区的净水器的一个核心部件的需求量远远超出了预测数量，而其他地区没有这个问题。流程小组分析数据、和现场联系调查后发现，其实是法国该地区的维修工人新接触这类净水器的维修，本来应该只更换其中一个小部件的，因为维修人员不熟悉、直接更换了大的模块。这样的“预测偏差”，有效的提醒了执行和售后运营流程中的“异常场景”。

供应链预测，采用了哪些数据源

1. 甲方售后MRO订单历史、备件在各个库存地点消耗历史数据

2. 甲方的产品销售预测数据，成品（售后对象）的市场保有量（又称“装机量”）

3. 甲方的产品质量体系数据，比如，产品、模块、配件级别的故障率，等等

4. 甲方的产品数据，比如，售后产品结构（售后BOM）、售后工艺（MRO工作计划）、配件之间的替代关系（包括单项、双向）。

至于，备件自身采购的提前期、经济批量，等等信息，在需求预测阶段则不关心；需求预测出来后，缺口有多大、怎么和配件供应商去采购，是采购执行系统考虑的事情。

从企业供应链预测的分析框架来看，目前的这些供应链预测项目，哪些是基础工作，还可以做什么

下图是ISM机构对于供应链预测的一个分析框架：

从分析框架上看，

1. 预测分为长期、中期、短期。长期的宏观预测，往往很多需要公开的宏观数据，比如政府报告、PPI、CPI指数等等。而企业执行所需要的短期预测，是难度较大的。比如，气候相对稳定，比较容易“预测”长期气候，但是要知道具体某天某时间在某个具体的小镇是什么天气、越精细就越难以准确预测。有说法是“就好像要预测一锅烧开了水的下一个气泡在哪里冒出”一样。

当前的供应链预测软件，往往和企业自身的第一方数据集成的很好，可以实时集成甲方自己的销售情况；但对于一些计划事件往往还是手工或者半手工的设置，比如奥运会、台风对于销量的影响。

还有一些宏观经济的影响，比如汇率的影响、‘一带一路’等贸易环境的影响、某个比较大的技术换代的影响，这些往往还要借助人工的分析，输入到模型。

又比如，售后过程使用的备件，是否合规，比如电子行业在很多国家都需要遵从REACH、RoHs法规。那么，软件系统、和数据分析系统对于法规信息这类公开数据的集成，对于企业使用软件来预测和分析，就十分必要了。

未来产品的创新和分销，越来越多的需要灵敏快捷的应对外部环境的变化，预测的工具软件的未来功能路标中需要考虑这些。

2. 从企业业务来说，预测不仅仅需要预测数量（成品的数量，和相关的原料数量、售后备件数量），也需要预测价格、预测技术变革换代。

Servigistics的SPM模块是负责预测数量，还有SPP模块专门负责价格预测和定价策略。两者结合才能得到整体的投资回报情况。

至于预测技术变革，这个往往还是需要行业报告、专家分析的方法。

3. 需要在“what-if类的问题”上得到更多支持。

比如，如果把售后的维修体系从三层架构改为两层架构会如何？如果新增一个中转库，对于整体的时间、成本方面的影响什么？

甚至是，如果我想要93%的“一次修复率”和小于3000万人民币的库存价值水平，哪些种类的仓储地理分布和物流方案可以满足这个约束条件？

（这方面，Servigistics已经实现部分了。）

4. 当前的预测模型软件，基本都做到了多种模型平行分析、评估拟合最佳的模型。但是对于模型调参的过程的管理，可以考虑进一步完善。比如计划管理团队对模型中的行业参数进行了调整，不同的参数带来的预测结果有何不同。这样的调整，对于以后调整参数有什么启示。可以首先对参数变化的过程要有版本记录、变更管理，积累一定数据量后，提供参数分析的支持。

比如，不同的预测模型和参数，选用哪种模型和什么参数，有时需要‘AB测试’来支持决策。这时就需要接收来自执行系统的结果数据，回顾、进行AB测试的对比。

5. 和合作方-外部供应商的预测的结合，属于CPFR的范畴。

回顾项目，虽然1234只在2上做到了部分，但对于很多的大型制造业的现状来说，已经是有很大的提升了，在库存成本和“一次修复率”等客户满意度指标上，收获可以用“惊喜”来形容了。这两个项目在联想和海尔都获得了集团级别的“变革项目”的嘉奖。供应链团队，借助预测软件、再辅以第三方和更多开放数据的分析和预测，相信可以有更多的精力在“精益、创新”的方面取得更多领先。