供应链数智化探索-单场景(门店/仓库)持续售卖商品的补货计划-业务解决方案

简介: Think Big & Dive Deep;本文阶段性更新了笔者在大数据在供应链行业应用的探索经验,聚焦门店/仓库智能补货场景,从业务理解 ➡️ 领域建模➡️ 流程分解 ➡️ 矩阵分析 四步走中的业务理解部分开始,细分为:业务场景描述、业务痛点概述、以及业务解决方案简介进行介绍;

引言

在先前的文章供应链数智化探索-阶段性认知地图更新中,笔者陈述了近十年来有意识的加深以及拓宽大数据应用于供应链行业的认知地图,并预告了有机会将进行实际案例的探讨;
除此之外,在研发产品经理的价值思考-上,笔者提出了 研发产品经理的核心价值,在于将客户商机同技术价值的转化与交付的观点,并预告了有机会将细聊实际场景的技术方案设计以及技术选型;
随着探索的推进,实践的沉淀,以及对行业先行者所分享内容的持续关注与思考,(一例:复杂性应对之道——矩阵思维(多维度思考))笔者了解到,客户商机同技术价值的转化,主要考验的是从业者的如下4个步骤的把握程度:
业务理解 ➡️ 领域建模 ➡️ 流程分解 ➡️ 矩阵分析
基于笔者目前的认知边界以及经验,本篇先通过供应链管理中常见的门店或者仓库的持续售卖商品的库存管理中最核心的补货计划,来更新一下业务理解(业务场景描述、业务痛点概述、以及业务解决方案简介),并将在下一个篇幅中,介绍对领域建模的阶段性理解(业务方案往技术方案的转化-指标设计,以及技术选型);

正文

1. 业务场景

相信接触过供应链管理的伙伴对于库存管理,尤其是补货计划并不陌生,只要是经营实体商品的售卖,补货都是一项必须的经营事项。
从供应端往需求端梳理,一个常见的商品供应链,通常会经过如下流通的链条:
原材料供应商供料,工厂加工生产为成品,交付到仓库,最终通过分销网络,配送到离消费者最近的线下门店。(如下图左边所示)
这里我们挑选一个门店场景,展开来看,其在经营活动中会遇到的典型的补货场景:
下图右侧展示了随着门店销量的上升,消耗了自身的库存,导致门店库存下降,当库存下降到一定程度时,触发了补货需求,通过精准科学的补货计算,输出了补货的指令,指导供应方拣货,并由物流配送,最终补货到达,门店库存水位恢复,从而支持销量持续上升的闭环。
门店经营的商品数量增加,新旧商品迭代变快,需求变化难以琢磨,供应节奏难以协调等客观因素都会增加补货计划的复杂性。人工补货计算越发难以跟上商业环境的变化,补少了影响销量,造成销量损失,补多了造成呆滞,占用资金,打折清仓影响经营利润。这些实际场景中遇到的问题,都指向了一个方向,如何科学补货?

001-供应链场景描述.jpg

2. 业务痛点

随着智能补货数智化探索的推进,我们尝试从门运营/仓库运营,总部供应链管理角色,以及总部信息技术部门的角度,进行常见痛点以及疑虑的总结,如下图。
其中一线运营如门店,在关心如何科学补货从而满足销售需求之余,因为补货大多是兼职事项,其更关心如何使得补货更加的便捷,如自动化,以及智能化,从而减少其补货管理所花费的时间成本,以便将更多的精力分配到面向消费者的商业活动中;
从总部供应链管理的角度,主要职责是确保整体集团的供应链条可控,最常见的问题是如何高效的判断各个门店/仓库提出的补货数量以及频率是否合理;
从总部信息技术部门的角度来看,更关注的是有无成熟的解决方案或产品可以快速落地,从而帮助一线运营以及总部供应链部门获得业务的降本增效;

002-痛点描述.jpg

3. 业务解决方案

现在我们对典型的门店补货场景,以及各方的痛点以及顾虑有了初步的了解。
有问题就有解决方案,相信从事供应链计划,或者是库存管理的伙伴们,对安全库存方法,也就是补货量=目标库存-在库-在途的方法论并不陌生。那么今天就在此介绍一个更加有意思的方法论-DDMRP。
DDMRP可以直译为需求驱动的原材料需求计划,在这里将降维应用到分销网络中的成品的库存管理以及补货计划中。
要介绍DDMRP,我们主要需要其3个部分(核心内容如下图所示):

  • 核心计算公式:补货量=目标库存-计划库存;
  • 核心概念介绍:目标库存的组成-红黄绿区,以及计划库存的组成与优越性;
  • 动态调整:目标库存的动态调整与自适应(供需的数量、以及时间的自适应)、以及计划库存的动态调整与自适应

这里重点介绍一下构成DDMRP方法论的俩个核心概念,一个是构成其目标库存水位的红黄绿区,另一个就是计划库存了。因为大多数人对于安全库存方法论都已经有所了解,所以此处通过对比以及类比安全库存方法论的方式来介绍DDMRP.
DDMRP的绿区可以类比安全库存方法论中构成目前库存的在库,其业务含义为订货周期内的需求汇总;
DDMRP的黄区可以类比安全库存方法论中的在途,其业务含义为配送周期内的需求汇总;
DDMRP的红区可以类比安全库存方法论中的安全库存,主要用来应对供应的时间波动,以及期间的需求数量的波动;
DDMRP的计划库存也是一个有意思的概念,其存在的意义主要是为了应对未来一段时间内突增的需求数量或大单,以及可预见供应间断如节假日,从而有策略,有序的提前备货,使得供应链上下游协调更加的平滑。具体的组成如下图所示。

003-业务方法论.jpg

DDMRP的魅力之一在于其可以动态的调整目标库存,以及计划库存的数值。
在DDMRP方法之上,稍加创新,就可以实现针对目标库存的供需数量以及时间的自适应;
具体的案例因为更多的涉及到技术方案的设计,将在下一篇文章挑选典型案例同大家介绍;

下一步

介绍对领域建模的阶段性理解(业务方案往技术方案的转化-指标设计,以及技术选型)

相关文章
|
8月前
|
人工智能 供应链 数据可视化
跨境电商供应链优化趋势:从智能库存到绿色物流
高效供应链管理是行业发展的关键,涉及原材料采购、生产制造、库存管理、跨境物流和终端交付等环节。通过数据驱动决策、多供应商合作、灵活物流策略、清关合规和技术赋能,可以优化供应链,提升运营效率。
681 7
跨境电商供应链优化趋势:从智能库存到绿色物流
|
SQL 搜索推荐 分布式数据库
用户画像建设
用户画像建设
395 0
|
2月前
|
SQL 存储 供应链
如何开发ERP系统中的库存管理板块(附架构图+流程图+代码参考)
本文介绍如何通过ERP系统实现企业库存管理的数字化与自动化,涵盖仓库管理、库位管理、出入库操作、库存调拨与盘点等功能设计,并提供开发技巧及代码参考,帮助企业提升库存管理效率,减少错误与资源浪费。
|
机器学习/深度学习 传感器 人工智能
AI:国内外人工智能产业应用图谱应用层/基础层详解
AI:国内外人工智能产业应用图谱应用层/基础层详解
AI:国内外人工智能产业应用图谱应用层/基础层详解
|
9月前
|
供应链 监控 数据可视化
采购策略在电商供应链中的应用
随着电商的蓬勃发展,供应链管理成为提升企业竞争力的关键。本文从需求预测与库存管理、采购与供应商管理、物流与配送管理及信息技术应用四个方面,探讨了电商供应链管理的挑战与对策,特别介绍了板栗看板在供应链管理中的应用,强调其在提高供应链透明度、协同效率和响应速度上的重要作用。
|
8月前
|
机器学习/深度学习 数据采集 供应链
Pandas数据应用:销售预测
本文介绍如何使用Pandas进行销售预测。首先,通过获取、清洗和可视化历史销售数据,确保数据质量并理解其特征。接着,进行特征工程,构建线性回归等模型进行预测,并评估模型性能。最后,针对常见问题如数据类型不匹配、时间格式错误、内存不足和模型过拟合提供解决方案。掌握这些步骤,可有效提升销售预测的准确性,助力企业优化库存管理和提高客户满意度。
155 17
|
监控 数据挖掘 数据安全/隐私保护
ERP系统中的销售预测与市场趋势分析解析
【7月更文挑战第25天】 ERP系统中的销售预测与市场趋势分析解析
422 3
|
10月前
|
机器学习/深度学习 人工智能 运维
智能运维在现代IT系统中的应用与挑战####
本文深入探讨了智能运维(AIOps)在现代IT系统中的关键作用,通过具体案例分析,揭示了其在提升系统稳定性、优化资源配置及自动化故障处理方面的显著优势。同时,文章也指出了实施智能运维过程中面临的数据安全、技术整合及人员技能转型等挑战,并提出了相应的解决策略,为读者提供了全面而深刻的见解。 ####
221 6
|
数据可视化 Python
【2023高教社杯】C题 蔬菜类商品的自动定价与补货决策 问题分析、数学模型及python代码实现
本文介绍了2023年高教社杯数学建模竞赛C题,涉及蔬菜类商品的自动定价与补货决策,包括问题分析、数学模型的构建以及Python代码实现,旨在优化商超的补货和定价策略以提高收益。
451 1
|
Java
Java aop 如何获取方法的参数体
【8月更文挑战第12天】Java aop 如何获取方法的参数体
405 2