2008-4-1 22:40:57
[分享]APS系统的需求计划研究
供应链管理的主要好处是减少库存，尤其是减少安全库存。安全库存主要受不确定性的影响，但是人们又会质疑是否应该将大部分精力放在减少不确定性上。供应链上的不确定性主要有两类：
-流程的不确定性（例如生产流程不可靠，提前期波动等等）；
-需求的不确定性（计划需求或预测需求与实际销售量之间的差别）。
需求计划（Demand Planning）的目的就是改善影响需求准确性的决策，改进缓冲（buffer）或安全库存的计算方法，最终达到预定的服务水平。整个供应链中全部决策都应建立在已经固定的（已接受的）客户订单和计划销量或预测销量的基础上，后面两个销量在需求计划流程中确定。因此，每个供应链实体的业绩都依赖于需求计划的质量。这也意味着这些数据必须是联合努力的结果。
一、需求计划的框架
需求计划的结果是什么，以及谁需要它？这是需求计划实施项目中的第一个问题。图描述了所有的需求计划任务以及应用需求计划结果的计赵水平期限范围。例如，中期主计划需要对每个产品种别的需求进行预测，需要每个配送中心或生产地的销售区域及工作周和安全库存的信息（作为最低的库存水平）。因此，在决定需求计划任务及其应用之前要定义对所有计划任务的要求。需求计划预测部分的结构严重依赖于从需求计划中得出的结果。此外，预测方法的选择也需要了解与相应预测限度和详细程度相关的知识。
需求计划的预测模块有下面三个计划工具组成：
1、统计预测应用完备的方法为许多项目自动生成预测。这也许是需求计划流程的第一步，同时也抓住了时间序列的主要特征。
2、第二步是应用统计预测，并为时间序列增加信息，在前一步中并没有注意到这些信息。这些输入信息构成了促销，营销战略的改变，商店数目等活动的信息，并能够在手工更正预测时考虑到或者作为软件工具的助手。在这一步中，使用者提供影响预测的时间信息等有关部门因素如在第4周第3个销售区域的促销），需求计划模块从前面因果关系的影响中计算出相应的数量。
预测流程必须由大量的来自不同功能部门的供应链成员来支持（销售、生产、采购等等）。因此，有效的联合流程必须获得一个所有参与者都能接受的结果。这一流程的结果是产生大家—致接受的预测，它可以应用到整个供应链的每一个计划步骤中去。
预测不是真正的计划或决策过程，因为它的目标只是尽可能准确的预测将来要发生的事情。但是它没有影响到需求，因此，它将如促销等方面的决策视为已经给定的。所以，改变需求需要额外的模块：模拟，假设分析。这一工具能够使用户观测到不同情况下的结果。它能够计划促销的情况（什么时候以及在哪里？）、生命周期曲线的形状或新产品在何时及时推出的决策。
到目前为止，预测看起来非常简单，好像是为配送、生产和采购流程创造可靠输入信息的值得信赖的工具。但是，预测最主要的特征在于它们通常是错误的！因此每个基于需求计划数据产生的计划步骤都包含一定程度的不确定性。生产或分销数量（在预测基础上得出的计划结果）与实际销售量（客户订单）之间的差异影响着整个供应链的服务水平。因为这一服务水平通常不能达到100％，所以安全库存成为改善服务水平的适当工具。达到理想服务水平所需的安全库存量与预测有者紧密地联系，因为预测误差也输入到APS软件公式中去。
需求计划就是预测未来的销售量，因此，它需要将供应链中所有相关的可获得的信息整合起来。但是这一信息通常都仅仅是特定的和分散储存的，例如，一个销售人员只能为销售流程提供他或她所负责的产品和销售地区输入数据。所有信息片断最终都应添加到预测中去，这个预测覆盖了供应链所服务的整个需求。另一方面它也必须能够获得为特定目标汇集的预测数据，如为主计划的产品类别和工作周汇总的需求数据。因此，需求计划的数据库必须支持至少三个方面的汇总和分散：
-产品方面：产品→产品种别→产品系列→产品型号
-地理方面：客户→销售地区→配送中心区域／位置
-时间方面：不同的时间规模（日→周→年）和时间限度
产品方面在一个等级中构造，将产品与产品种别、产品种别与产品系列、系列与产品型号联系起来。产品层次的范围从代表所有产品的最高层到可以预测的最低产品层。地理方面也以层次的方式构造，它代表了市场的结构，例如地区、国家、行业分支机构、重要客户等等。预测的第三个方面是时间，时间方面通常按照年、季度、月的层次构造。在某些情况下有必要细分到周，甚至到日。预测数量能够达到产品、地理和时间的任何交点上。
这类三个层次的数据库增长很快，甚至在中等规模的公司中也是如此。作为高效的关系体系或数据库加上现代OLAP（联机分析处理）工具，达到最新技术发展水平的数据技术构造了高绩效水平需求计划解决方案的底线。
但是，由于很多人参与一项预测，很明显，所有这些主观信息是相互矛盾的，这一矛盾或者由预测功能的层次结构来化解，或者由相关计划间的协同过程来解决。
需求计划任务在流程链中将责任组织起来。对于每一个流程，其特征（例如，流程的频率、三个方面的特性）都需要在实施流程中定义。
二、统计预测方法
从20世纪50年代起就研究出一些用于商业预测的预测方法，这些方法同时也用在计量经济方面（如失业率等）。如果在软件模块中应用这些方法我们就能够在几秒钟内为很多项目进行预测。因此，所有主要的APS提供者都将统计预测程序纳入他们的需求计划解题方法中。这些方法中的每一种方法都设法将一产品的历史信息纳入对未来数据的预测过程。目前存在两种不同的基本方法时间序列分析和“因果关系”模型。所谓的时间序列分析是假定需求按照特定的模式发生变化，因此，预测方法的任务是从所观测到的历史数据中估计出这一模式，然后通过使用前面估计出的模型来计算未来的预测。这些方法的优点在于它们只需要以往需求数据的观测值。时间序列分析中最常用的模型：
水平模型（level model）;趋势模型（trend model）：在水平模型的公式中加入线性趋势项;
季节模型（seasonal model）：该模型假定每个时期（周期）重复一次固定模型。
统计预测的第二种方法是因果分分馍型。它们假定需求过程由某些巳知的因素来决定，例如冰淇淋的销售量可能依赖于某一天的天气状况或温度，因此，温度就成为冰淇淋销售量所谓的引导指数（leading indicator）。如果针对所考虑的项目能够获得足够的销售量和温度的观测值，就能够估计出潜在的模型。
因果分析模型中的参数估计需要需求的历史数据和一个或更多具有指数的时间序列，它对数据的要求比时间序列分析对数据的要求高。此外，实际经验表明，简单的时间序列模型通常比复杂的“因果关系”模型更能得出好的预测值。这些方法倾向于将随机波动（噪声）解释为“结构上”的问题，因此在模型中引进了系统误差。
最常用的预测方法有三种：1、移动平均和平滑法；2、回归分析；三、回归移动平均ARIMA/Box-Jenkins法。
移动平均和平滑法；回归分析就不详细介绍。这里介绍一下ARIMA/Box-Jenkins法。
前两种模型都假定不同时期需求量在统计上是互相独立的，而自回归移动平均（ARIMA）模型明确地考虑了各需求之间的相互依赖关系。因此，这些方法没有对潜在的需求模型做出假设，而是从不同的构成因素中构造出一个公式，这些构成因素非常适合观测到的数据。通过反复实施下列三个步骤得出模型的函数：
模型的确定：通过比较理论上分布的自相关和实际观测到的自相关来选择适当的ARIMA。自相关表明了实际需求与过去某个时期内的观测值之间存在相关性。
模型的估计：由于在回归模型中，预测函数中的参数必须在ARIMA模型中才能估计出来。因此模型估计的过程就是寻找模型平均方差最小化值的过程。
测试模型：如果模型的误差项是纯随机的，并且是独立的，那么该模型就被认为是可靠的。
Box-Jenkins法需要从需求计划中获得大量输入信息和更多的经验。而且，对模型的初始估计应该建立在至少50个需求观测值的基础上。因此，ARIMA模型可能只适用于一些重要的A级项目或中期总预测。但是如果使用ARIMA模型，所获得的估计值的质量要比简单时间序列模型甚至因果关系模型的质量都好。
三、判断因素的结合
实施一个有效的需求计划流程通常都会出现具有软件技术支持的计划员。当说到统计方法和它们的应用时，就会出现一个问题：软件是怎样能够比有数年需求计划经验的计划员做出更好的预测的？简单的答案是数学方法是无偏的。实证研究证实了这一点，有偏是模糊统计方法经常得出好的结果的主要原因。但是这个答案只对了一半，因为特定项目的信息或变化（例如，促销活动，客户对新产品的反馈信息等等）能够导致需求模型的巨大变化，这些变化在标准时间序列模型中可能并没有考虑到。因此，有必要将完整的需求计划过程中两种方优点结合起来。
例如，考虑一个销售矿泉水公司的需求计划过程。在这种情况下，季节时间序列模型能够非常准确地预测正规的需求量。但是，一些零售店的促销活动产生的的偶然额外需求扭曲了这一需求序列。这一影响能够由负责促销的销售团队估计出来，而基本的需求量则由合适的统计模型预测出来。如果在判断过程中没有充分考虑统计预测的内在信息，那么统计的预测与判断预测的结合仅仅是理论上行得通的。因为在这种情况下对信息进行了双倍计算，因此高估了需求量。
统计预测和结构（structured）判断的方法：
如果需求计划者检查那些有决策支持工具产生的数据，并利用它们的本能使这些数据的取值一致，他们就经常使用非结构判断。但是为了结合的目的，结构判断是必要的。结合的五个步骤：
1、判断预测的修订：
这一程序的第—步由需求计划者来完成，他们在己知相关数据（如历史数据信息，因果因素等）的基础上进行预测判断，然后应用统计方法计算预测值，接着计划者很有可能结合新信息来修改他们的初始估计。但是并没有预先规定比例来要求每一组成部分在最终预测中必须考虑到什么程度。与没有统计方法协助的简单判断相比，这一过程通常会产生更准确的估计值。此外，它的优点还表现在将控制需求计划过程的任务留给计划者。
2、预测的组合：
由于上一步骤为两种预测分配了不同的权重，很明显，这些数值经常是有偏的，并常受政治因素的影响。按照事先制订的分配权重计划组合这两种数值会保证一个更正式的程序。甚至为判断预测和统计预测分配相同的权重，也有可能得出更好的结果。
3、外推预测的修订：
手工修改统计预测，将计划者的特定领域知识考虑进去是很多公司的惯用做法。但是必须相应地组织修订过程。这意味着判断性的修订必须以事先制订的激励因素（如促销，天气等）为基础。
4、基于规则的预测：
基于规则的预测也是以同级预测为基础的，但是各种预测方法的选择或组合需要由组织判断专家来协助完成。选择的规则来自于专家的特定领域知识或过去的研究成果。它们建立在时间序列特征或因果因素的基础之上。如果序列具有较低的可变性和不确定性，那么基于规则的预测则改善了简单外推法。
5、计量预测：
如果模型选择过程和因果关系变量的定义由结构判断来提供，回归模型则被认为是计量预测方法。如果这一过程应用于长久的预测，对预测的改善将尤为明显。由于有偏性会在很大程度上影响计量预测结果，明智的做法是为判断过程建立一个非常严谨的组织结构。
结构判断需要详尽反馈机制的支持，这一机制让计划者看清了他所输入信息的质量。因此，错误报告必须区分出（自动）统计预测与判断预测的质量。
四、其他特征
执行需求计划需要将供应链中一起工作的伙伴的特殊要求表述清楚。因此，有必要理解你所考虑的时间序列。由于序列的特征和预测的维度（时间、产品、地理范围）不同，所以必须利用不同的预测过程。
偶发性需求
如果在相当长的一段时期内没有需求发生，我们称这个时间序列是偶发性的（间断的）。那些需求模式尤其出现在替代需求部分中或仅仅在预测需求量的一小部分过程中出现；例如某一天在某个商店内对一特定尺寸牛仔服的需求可能就是偶发性的。若对这些产品使用普通统计预测法会产生很大的误差。其他判断预测方法也无法提高其质量，因为无需求时期的出现通常是纯随机的，因此不可预测。而且偶发性需求经常出现在大量的C级产品中，对于这些产品，利用计划者的低成本、低时间消耗优势获得预测是值得的。
因此，针对偶发性需求的预测开发了自动计算这一预测的有效程序。这些方法设法分别预测两个组成部分“正（positive）需求时期的出现”和“需求量”。例如，确定两个交易之间的间隔时间和交易量。组成部分数据的更新则由简单指数平滑法来完成。如果偶发性需求过程没有产生那种能够生成断续需求模型的特定影响，就有可能大量地较少所观测到的误差。例如，在零售店中频繁脱销的出现将生成意味着偶发性需求的时间序列。
滞销与延迟订单（back korders）的对比
需求预测通常建立在产品的历史数据基础上。但是，工业上的客户（B2B）经常接受延迟订单，而如果不能及时获得产品，客户(B2C)则不会接受。因此，我们所观测到的销售总量等于欠交订单情况下的需求总量，但是在滞销情况下销售量值很可能低估了真实需求。为了预测，需要使用需求时间序列，因此必须从观测到的销售量数值中计算出需求时间序列。如果要计算销售点（零售商、商店）的需求预测，这类问题会频繁出现。
基本上存在两种不同的方法来解决出现滞销时的需求预测问题。第一种方法设法计算出实际需求的历史信息，这一历史信息是以销售量的历史信息和脱销时的信息为基础的。需求预测则在实际需求历史信息基础上计算出来。如果脱销的次数非常少，这种方法会得出比较好的结果。解决滞销问题的另一种替代方法是使用有经验的统计方法，这种方法将观测到的需求量值作为需求样本的检查取样。要想使用这种方法必须了解库存管理流程，这一流程是应用在你所考虑的产品上的。
预测准确性的衡量和触发事件举例
我们为什么要衡量预测的准确性？首先，它不是管理者检查需求计划者工作质量的工具，而是需求计划历程的一个积木。需求计划者可能检查统计方法是否适合时间序列、其他人力判断是否得到补偿或者集合促销信息是否有用。在所有的这些情况下都需要一个标准来评价他们的决策。但是，仍有很多使适当预测结果更准确的方法。
所有衡量准确性的方法都以预测误差为基础。这一误差被定义为预测出来的值和实际值之间的差。预测误差的值受下列各参数影响：
1、预测与实际情况之间的时间差：预测的目的是提供有关未来运输量、销售量等方面的信息。通常来讲，预测较近的未来情况比预测遥远的未来情况容易得多。于是，预测的准确性强烈地依赖于产生预测与所预测的时期之间的时间差。例如，考虑对今年六月的销售量的
预测，通常来说，在三月份做的六月份销售量预测的准确性比在五月份做的预测的准确性低。
2、预测的细粒度（granularity）：集合的程度也对预测的准确性有重大影响。再次以销售为例：与单独预测低等级产品种别在所有销售地区的某一周销售量相比，预测所有产品、所有销售地区在整个财政年的总销售量要容易得多。因此，如果预测的粒度增加了，通常来说预测的准确性也会降低。
目前存在很多计算预测准确性的方法，这些方法都以预测误差为基础。每一次衡量都是在固定的时间跨度（过去的）上计算的，这个值必须由计划者来规定。如果时间跨度很短，预测值会对平均值的偏差做出快速反立，但是它也会由于随机需求变化而产生大幅度的波动。下列三种测量方法是在实践中、也是在需求计划软件中最常用的测量方法：
1、误差均方和（MSE）
2、绝对平均误差（MAD）
3、绝对百分比平均误差（MAPE）
上面提到的方法能够对过去的信息进行详细的分析，但是需要在每一次进行计算的开始阶段就把这些信息考虑在内。在对100个或1000个产品进行需求计划的所有工具中，我们希望找到一个能够自动“解释”预测偏差的工具，因此需要一个警报或触发系统。如果统计预测程序不再适合时间序列或如果销售部门没有提供有关销售促销的信息，这一系统应当发出警报。这类警报系统能够由以计算预测准确性的一种方法为基础的临界值来触发。这些临界值由需求计划者指定，并且他们有责任更新这些临界值。除了临界值法，还出现了一些其他触发机制，这些机制都是以MSE或MAD计算的预测准确性为基础的。
优化安全库存
大部分APS的提供者为他们的需求计划模块增补了计算安全库存的功能。因为预测偏差是影响库存量的主要因素之一，这一库存量是达到特定服务水平所必需的，因此增加这个功能是很自然的。计算安全库存非常复杂，因为存在着很多不同的计算公式，每一个公式都是针对某些特定问题而形成的。因此需求计划者的任务是检查在应用过程中是否会碰到先决条件。
大部分软件工具都为“单阶层库存系统”提供计算安全库存的功能，这意味着已经假定只存在一个满足需求的储存点。另一方面多层或多阶段系统（如具有DC和零售库存的分销链）就有可能在不止一个阶层上储存安全庠存。
针对单阶层系统来说，必要的安全库存量基本上由危险时期预测偏差的标准差σ和安全系数k的乘积决定：安全库存＝Kσ
假定预测偏差在未来的变化与在过去的变化是相同的，σ可以用预测偏差平方的标准差σ与危险时期的平方根来计算。危险时期的长度依赖于库存管理系统。必须区分下列两个系统：
1、周期盘库系统： ¨
在这一情况下库存状况每隔时期盘一次（检查间隔）。每次盘库时，都会产生一个订单并被送往供给实体（如生产部门、供应商）。假定在补货提前期后送货。因此，危险期等于盘库周期和补货提前期的总合：
2、连续盘库系统：
在连续盘库系统中，发放订单的时间点由预先规定的再订购点决定。如果库存量降到再订购点以下，就发出一份数量的订单。连续检查系统中的危险期仅等于补货提前期。
但是那只是安全库存公式的一半。安全系数k代表其他所有安全库存的决定因素。
针对服务水平存在着许多概念。下面是常用的几个概念：
1、周期或服务水平α：
α被定义为无脱销状态出现的时间段。因此，安全库存确保了在补货周期内无脱销出现的概率（符合公司的商业目标）。
2、履行率（p－服务水平）：履行率指可以直接用库存满足产品的订单量。订单履行率：履行率考虑了产品容量的最小单位，而订单履行率计算了库存满足的所有客户订单量。
3、盘库周期或订单量：
在周期盘库系统中，盘库周期是固定的，订单量依赖于一个订单周期内所估计的需求量。在连续盘库系统中情况恰好相反，因为订单量是固定圃定的，订单周期的长度依赖于需求量。但是如果需求接近于水平α，两个参数可以通过下面给出的简单关系进行互相转换：
订单量＝需求量d×周期长度。
所需要的参数可以通过最小化订单成本和保持库存批次成本来计算。这一计算通过应用著名的经济订货批量（EOQ）公式来完成
4、需求分布函数：
观测到的需求分布函数通常由统计上著名的标准分布来近似。其中一个最常用的分布函数就是正态分布。分布参数（均值和方差）可以轻松地从历史时间序列上得出的需求样本中计算出来。
所有这些参数都需要结合在一起使用，这一公式与所考虑的行业需要相一致。现在，应该很清楚，如果遇到特定的假定条件，APS工具只能够计算安全库存。但是，如果所有参数都是客户规定的，这一软件可适用于广泛范围内的各种问题。因此，必须将在公司中应用的库存管理规则用到软件所需要的标准参数上。这也正是需求计划者面临的挑战。
多层安全库存
APS的多层级的库存优化与协同，在执行过程中通常会将库存决策的问题按照计划的时间跨度分成不同的种类，从远及近依次为：网络结构优化、长期预测和库存计划、短期预测和库存计划、供应商协同、需求管理等等。通常这些计划被分配到各个层级，在不同的层级上完成对应的决策。例如对于一家需要在全球开展物料供应的厂家，需要在最高级完成网络结构的优化以及长期的预测和库存计划，在国家和地区级别进行短期的预测与库存计划，在具体的分销中心和零售网点之间进行协同等。并且，在每一层级都要定义高一级的权限，使其能够对下一级的决策内容进行协调。
在供应链管理领域，高级计划系统系统是目前被用来支持在供应链的各个环节之间进行计划和协同的最主要的手段。APS就像是在整条供应链上的一把伞，可以从供应链上抽取实时数据，计算出一个可行的计划，用来给客户提供快速、可靠的响应。
摘自 APSS协会:研究APS系统的需求计划白皮书(5)
0
推荐到鲜果： 查阅更多相关主题的帖子: 供应链与物流系统 需求管理
评论