《全面库存管理数学分析》都写了些关于库存的什么知识呢?
很多人问我,您这本新书《全面库存管理数学分析》(预计今年12月上市)都写了些啥呢?我们能不能看得懂啊?
我的回答很简单,您不要把我的水平看得太高了,我明白的那点数学知识,你都懂的,至少理工科的人基本上都是曾经学过的,再稍微花点时间就能捡起来;即使是那些文科生,只要肯花点时间,多付出几个脑细胞,也是能搞得明白的。
但不管是理工科还是文科生,如果你能把我书中解释的这些数学知识系统地串起来,并潜移默化地应用到供应链管理实践中,那么,慢慢地,你就会觉得,你跟过去的你可能不一样了。
我说了,这既不是一本纯粹的谈供应链管理的书,也不是一本纯粹的谈数学的书,而是一本我企图把我自己20多年的供应链管理实践经验与数学相结合的书。
那么,在书中,二者是怎么结合的呢?
评价一款产品是否好卖,接到客户或销售对某个产品的预测、订单,我们首先要分析的数据是什么?
平均值嘛!
每天、每周或每月的平均销售(需求)量,这是我们做到心中有“数”的第一步,这也是本书第一章的主要内容,“平均值很重要”。
光知道了平均值还不行,因为不同的产品、SKU(库存持有单元),尽管需求的平均值可能差不多,但有的需求是上蹦下跳,有的则是很平稳,那这种需求的特性应该怎么去衡量呢?
标准差。
用标准差来衡量需求的离散程度,标准差除以平均值就是需求波动率。
而标准差的理论基础是基于对数据分布的研究,而正态分布则是所有分布中最为常见的分布。
所以,第二章的主要内容是举例说明正态分布及标准差、方差、变异系数(需求波动率)等统计学基本概念,也是供应链管理必须掌握的数学基础。
但有人说,很多产品的需求不符合正态分布,其产品生命周期也很短,能获取的样本较少,对这种需求应该怎么分析?
切比雪夫不等式及马尔科夫不等式可以很简单地解决这个问题–你可以记不住那些用数学语言表达的公式,你只要记住那些不太严谨但足够供应链管理使用的延伸结论就可以了。
所以,第三章的题目是“心中有数”-譬如说你过去几个周的平均需求是100,标准差是50,那么,你下周接单超过250的可能性有多大?
你可以做“点估计”,譬如说,我们估计下周接单的可能数量是100左右,这个估计的理论基础是大数定律,而大数定律反应的一个基本事实就是偶然中的必然。
我们还可以进一步估计这个“左右”,而这个左右通常可以用±zσ(σ是标准差,z代表几个西格玛的水平)来表示,这个叫“区间估计”,其理论基础则是中心极限定理。
针对这个250的例子,如果下周接单数量>=250,那么,这个需求是在(250-100)/50=3个σ之外,这属于小概率事件,发生的可能性不大。
这是本书第四章前半部分的内容。
基于小概率事件原理,第四章后半部分则是讲了几个假设检验。
检验什么呢?
你说你把UPH(每小时产出量)提高了10%,这很好,但这是靠运气(随机误差)呢,还是真功夫(系统误差)?OTDC(承诺及时交付达成率)由50%提高到80%,这是真正的改善吗?
通过Z、T、X2、F检验等手段,你就不会被蒙了–你至少需要掌握一个T检验。
至于极大似然估计、贝叶斯估计,其实谈的都是些符合人之常情的道理,你一看就明白。
第五章则是讲了三个分析–判别分析、聚类分析及主成分分析。
判别分析通俗地理解就是判断某家供应商、某个人是属于哪类的–需要持续改善的还是需要被直接淘汰的;聚类分析则是跟我们供应链管理经常用到的客户分类、供应商分类及物料分类等一个道理;理解主成分分析的思想非常重要,它有助于你对供应链管理KPI的深层次理解,防止你去建立各种各样的五花八门、乌七八糟的、自以为是的KPI。
本书第六章的方程、函数及微积分的知识都是很简单的,但对于需求管理及PLC(产品生命周期)的量化却是提供了很好的分析方法及思路。
至于所谓的统计预测,你只要明白本书里讲的TSCI(趋势、季节性、循环及不规则)就足够了。
本书的最后一章谈的是模拟、建模与仿真–请您千万不要被题目给吓着了!用用脑,动动手,用Excel,照着书练习一下,最终,你会发现,很多事情,其实远远没有你想想的那么复杂,但是,从此,你的抽象思维、模型思维能力就可能被打下一些良好的基础。
本书企图把那些一般人“看起来高大上”、“似乎毫无用处”的与供应链管理有关的高等数学知识及思想变成类似“床前明月光,疑是地上霜”之类的(供应链管理)人人听得懂、用得上的东西,但局限于本人的数学及供应链管理水平,我能做的也只能是这么多了,能否实现这个目的,剩下的,在很大程度上取决于读者朋友们怎么去看、怎么去用这些东西。
作者程晓华(John Cheng),全面库存管理(TIM)咨询独立顾问,《制造业库存控制技术与策略》课程创始人、讲师,《制造业库存控制技巧》、《首席物料官(网络)》、《决战库存》、《制造业全面库存管理》、《全面库存管理数学分析》(TIM全面库存管理咨询)