安全库存分析的新方法如何优化库存

查看随附笔记本的解决方案加速器

一家制造商正在为客户处理订单，却发现供应商推迟了关键部件的交付。由于不可预见的原因，零售商对啤酒的需求激增，由于供应不足，他们失去了销量。因为你无法满足客户的需求，客户会有负面的体验。这些公司会立即失去收入，你的声誉也会受损。这听起来熟悉吗?

在一个理想的世界里，对商品的需求是很容易预测的。在实践中，即使是最好的预测也会受到意外事件的影响。由于原材料供应、货运和物流、制造故障、意外需求等原因，会发生中断。零售商、分销商、制造商和供应商都必须努力应对这些挑战，以确保他们能够可靠地满足客户的需求，同时不存在过多的库存。这就是改进的安全库存分析方法可以帮助您的业务的地方。

组织不断地在需要的地方分配资源，以满足预期的需求。眼下的重点往往是提高预测的准确性。为了实现这一目标，企业正在投资于可扩展的平台、内部专业技术和复杂的新模型。bob体育客户端下载

即使是最好的预测也不能完美地预测未来，而需求的突然变化可能会使货架空空如也。这一点在2020年初突显出来，当时人们对导致COVID-19的病毒的担忧导致大面积卫生纸缺货．克雷格·博扬，H-E-B乐队的总统评论“我们在两周内就卖出了通常需要两个月才能卖出的东西。”

扩大生产并不是解决问题的简单办法。乔治亚-太平洋公司是一家领先的卫生纸制造商，估计由于人们在大流行期间呆在家里，美国家庭平均厕纸消费量将增加40%。作为回应，该公司将其14个用于生产卫生纸的设施的产量提高了20%。大多数钢厂已经在固定产能下每天24小时运转，因此任何进一步的产量增长都需要通过购买额外设备或建造新工厂来扩大产能。

产量的激增可能会对上游产生影响。供应商可能难以提供新规模和扩大生产能力所需的资源。卫生纸是一种简单的产品，但其生产依赖于从美国、加拿大、斯堪的纳维亚和俄罗斯的森林地区运来的纸浆，以及更多来自当地的再生纸纤维。一旦初始储备耗尽，供应商需要时间来收割、加工和运输制造商所需的材料。

供应链的概念叫做牛鞭效应支撑着所有这些不确定性。供应链中的信息失真会导致库存效率低下、货运和物流成本增加、产能规划不准确等等。制造商或零售商急于让库存恢复正常，这可能会促使他们的供应商提高产量，进而促使上游供应商提高产量。如果不仔细管理，当需求恢复正常时，零售商和供应商可能会发现自己有过剩的库存和生产能力，甚至当消费者处理积压的个人库存时，会略微低于正常水平。仔细考虑我们需要了解需求的动态，并仔细审视围绕我们预测的需求的不确定性，以减轻这种牛鞭效应。

用安全库存分析管理不确定性

围绕COVID-19大流行的消费者需求变化很难预测，但它们凸显了不确定性概念的一个极端例子，每个管理供应链的组织都必须解决这个问题。即使在消费活动相对正常的时期，对产品和服务的需求也会发生变化，因此必须加以考虑并积极加以管理。

现代需求预测工具预测需求的平均值，考虑到每周和每年的季节性、长期趋势、假期和事件的影响，以及外部影响因素，如天气、促销、经济和其他因素。它们为预测需求提供了一个可能会产生误导的单一值，因为在一半时间里，我们预计需求会低于这个值，而在另一半时间里，我们预计需求会高于这个值。

平均预测值对于理解是很重要的，但同样重要的是理解预测值两侧的不确定性。我们可以把这种不确定性看作是提供了一个潜在需求值的范围，每个需求值都有可量化的遇到概率。通过这样思考我们的预测，我们可以开始讨论我们应该尝试解决这个范围的哪些部分。

从统计学上讲，潜在需求的范围是无限的，因此，永远不可能100%完全解决。但是，早在我们需要进行任何形式的理论对话之前，我们就可以认识到，我们解决潜在需求范围的能力的每一次增量改进都伴随着库存需求的相当大的(实际上是指数级的)增长。这就导致我们有针对性地追求服务水平我们试图解决所有可能需求的特定比例，以平衡我们组织的收入目标和库存成本。

定义此服务水平期望的结果是，我们必须拥有一定数量的额外库存，超过我们平均预测需求所需的数量，以作为对不确定性的缓冲。当将这个安全库存添加到满足平均周期需求所需的周期库存中时，使我们能够处理实际需求中的大多数(尽管不是全部)波动，同时平衡我们的总体组织目标。

计算所需安全库存水平

在经典的供应链文献中，安全库存是用其中之一来计算的两个公式解决了需求的不确定性和交付的不确定性。由于我们在本文中关注的是需求的不确定性，因此我们可以消除对不确定交货时间的考虑，只留下一个简单的安全库存公式来考虑:

安全库存= Ζ *√PC⁄T * σD

简而言之，这个公式解释了安全库存的计算是需求在平均预测值(σ)附近的平均不确定性_D)乘以我们库存的(性能)周期持续时间的平方根(√^个人电脑⁄_T)乘以与我们希望解决的不确定性范围的部分相关的值(Ζ)。这个公式的每个组成部分都值得做一点解释，以确保完全理解。

在本文的前一节中，我们解释了需求以一个围绕平均值的潜在值范围存在，这是我们的预测产生的。如果我们假设这个范围在平均值附近均匀分布，我们可以在平均值的两侧计算这个范围的平均值。这就是所谓的标准差。σ值_D，也被称为需求的标准偏差，它为我们提供了一个衡量平均值附近值范围的方法。

因为我们假设这个范围在平均值附近是平衡的，结果是我们可以推导出这个范围内存在一些标准差的值的比例。如果我们使用我们的服务水平期望来表示我们希望解决的潜在需求的比例，我们可以返回到需求的标准偏差的数量，我们需要考虑作为我们安全库存计划的一部分。计算所需的标准偏差数(称为z-scores，在公式中表示为Ζ)以获取值范围的百分比所需的实际数学计算有点复杂，但幸运的是，z-score表被广泛发布，并且可以使用在线计算器。话虽如此，以下是一些与一些常用服务水平期望相对应的z分数值:

服务水平期望	Ζ(z分数)
80.00%	0.8416
85.00%	1.0364
90.00%	1.2816
95.00%	1.6449
97.00%	1.8808
98.00%	2.0537
99.00%	2.3263
99.90%	3.0902
99.99%	3.7190

最后，我们得到了计算安全库存的周期持续时间(√^个人电脑⁄_T)．先不说为什么我们需要根号计算，这是公式中最容易理解的元素。的^个人电脑⁄_T值表示我们计算安全库存的周期的持续时间。除以T只是提醒我们，我们需要用与计算标准差值相同的单位来表示这个持续时间。例如，如果我们计划7天周期的安全库存，只要我们已经计算了利用每日需求值的需求标准差，我们就可以对这一项取根号7。

需求差异很难估计

表面上看，安全库存分析要求的计算相当简单。在供应链管理课程中，通常会向学生提供需求的历史值，从中他们可以计算公式的标准差分量。给定一个服务水平期望，他们就可以快速得出一个z分数，并将安全库存需求组合在一起，以满足该目标水平。但这些数字是错的，或者至少在一个几乎从来都不成立的关键假设之外是错的。

任何安全库存计算的关键在于需求的标准差。标准公式取决于我们所计划的未来时期与需求相关的变化。时间序列的变化是稳定的，这是极其罕见的。相反，它经常随着数据的趋势和季节模式而变化。事件和外部回归因素也发挥着它们自己的影响。

为了克服这个问题，供应链软件包通常用预测误差的度量，如均方根误差(RMSE)或平均绝对误差(MAE)来代替需求的标准偏差，但这些值代表不同的(尽管是相关的概念)。这通常会导致对安全库存需求的低估，如图所示，尽管设定了95%的期望，但仍达到了92.7%的服务水平。

由于大多数预测模型在计算预测平均值时都致力于将误差最小化，具有讽刺意味的是，模型性能的改进往往会加剧低估的问题。这很可能是背后的原因日益增长的识别尽管许多零售商都朝着公布的服务水平期望努力，但大多数都达不到这些目标。

我们将何去何从?数据如何提供帮助?

解决这一问题的重要第一步是认识到我们的安全库存分析计算中的缺陷。仅仅得到认可很少能令人满意。

一些研究人员正在努力定义技术为了改善安全库存估计的明确目的，更好地估计需求方差，但对于应该如何执行这一点还没有达成共识。而且，让这些技术更容易实现的软件并不普遍。

目前，我们强烈鼓励供应链经理仔细检查他们的历史服务水平表现，看看是否达到了规定的目标。这需要仔细结合过去的预测和历史的实际情况。由于在传统数据库平台中保存数据的成本很高，许多组织不保存过去的预测或原子级源数据，但是使用基于云的存储，数据以高性能、压缩格式bob体育客户端下载存储，通过按需计算技术访问(通过Databricks等平台提供)，可以使这种方法具有成本效益，并为许多组织提供更好的查询性能。

随着自动化或数字化履行系统的部署(许多在线购买和店内提货(BOPIS)模型都需要)，并开始生成订单履行的实时数据，公司将希望使用这些数据来检测缺货问题，这表明需要重新评估服务水平预期以及店内库存管理实践。局限于在日常工作中运行这些分析的制造商可能希望每班进行分析和调整。Databricks的流处理功能提供了一种解决方案，使公司能够使用接近实时的数据执行安全库存分析。

最后，考虑探索生成预测的新方法，为库存计划过程提供更好的输入。Facebook Prophet与并行化和自动伸缩平台(如Databricks)的结合，使组织能够为许多企业做出及时、细粒度的预测。bob体育客户端下载还有其他预测技术，比如广义自回归条件异方差(GARCH)模型可以让你检查需求可变性的变化，这在设计安全库存策略时可能非常有成效。

安全库存挑战的解决方案对于愿意承担这一旅程的组织具有重大的潜在利益，但由于通往最终状态的路径并不容易定义，因此灵活性将是成功的关键。我们相信Databricks是这一旅程的独特工具，我们期待着与我们的客户一起导航。

谢谢你，教授Sreekumar Bhaskaran他在南卫理公会大学考克斯商学院发表了对这一重要话题的见解。