引子

偶然间想写一系列关于MRP（Material Requirement Planning，物料需求计划）的小文，原因可能来自于以下几方面。第一，笔者职业生涯约50%的时间和精力贡献给了Planning。第二，MRP这件事内行有时候觉得太low，‘又臭又硬’而且对自己的帮助不大，都去搞S&OP/IBP（Sales and Operations Planning/Integrated Business Planning）去了。第三，MRP这件事外行觉得云里雾里，就是个‘屁’，并不关自己的事。第四，MRP这个领域在理论和实践上有新的变革，DDMRP（Demand Driven MRP）就是鲜明的代表之一；从另一个方面来看，认识一套新理论的方法之一便是看它是怎么‘站在巨人的肩膀上’的，哪些地方是‘取其精华’，哪些地方是‘去其糟粕’，所以花时间来回顾一下MRP究竟是个啥是很有必要的。

MRP（Material Requirement Planning，物料需求计划）已经55岁了，在理论和实践上不断进步。有意思的是，回过头去看美国公司的投资回报率（ROA）却只有MRP诞生时的1/4，下面这样的时间序列（Time Series）告诉了我们什么？生意越来越难做的同时MRP在‘倚老卖老’吗？后续我们将通过一系列文章一起来看看。

（资料来源，微信公众号‘未来供应链’原创文章《DDMRP学习笔记1：MRP末日与战略解耦》，此处引用经由原作者授权。）

MRP（Material Requirement Planning，物料需求计划）在企业运营中的地位和作用是‘承上启下’的一个‘二传手’，详见下图。在工作中有时候大家对‘二传手’这个词还是有一定偏见的。‘百度百科’上是这么解释‘二传手’的，‘排球运动比赛的一种职责分工，指接对方来球后专门担任第二次传球组织进攻的队员。是场上组织进攻、实施战术的组织者。要求除有娴熟的二传技术外，还善于随机应变，团结队友，发挥全体队员的特点以及组织本队的进攻力量。应意志坚强、头脑冷静、视野宽广和具有很强的战术意识以及贯彻作战意图的决心。’

（资料来源，APICS CPIM learning system，微信公众号‘CPIM供应链运营管理俱乐部’原创文章《战略与MPC系统设计Strategy and MPC System Design》）

正文，到底是‘九宫格’还是‘田字格’？（MRP漫谈系列之一）

很小的时候就被老爸抓去练字了（软笔、硬笔都有练），大概练了不到10年，我现在还有写PPT之前先在纸质笔记本上把Story line大致整理一遍的习惯。如果没有人催，我也还能写出下面的‘方块字’，最近在考虑家里的神兽是不是也需要同样的训练。

无论是不是练过字，各种各样的‘格子’大家可能也见过，比如‘田字格’、‘米字格’、‘九宫格’（见下图）。小时候并不知道为什么要有这么多种格子，只知道照猫画虎。

工作很多年以后这些‘格子’又开始层出不穷，他们有一个数学名字，‘矩阵’。其中，‘田字格’和‘九宫格’比较流行，比如著名的波士顿矩阵（BCG Matrix），麦肯锡矩阵（McKinsey Matrix）。这些矩阵都在努力告诉我们一件事，先分类，然后再逐一想办法对付每个‘象限’，不要‘一招鲜吃遍天’。

对于供应链（Supply Chain）这样一种From Silo to Collaboration的角色而言，‘矩阵’的作用是非常巨大的，因为供应链需要面对和处理的并不是单一的目标或者单一的利益相关者（Stakeholders）。在一个具体的商业环境中，如果想通过分类（Segmentation）来澄清和定义需要面对多少条供应链，就需要‘矩阵’的帮忙。

（资料来源，《Supply Chain Excellence A Handbook for Dramatic Improvement Using the SCOR Model, 2nd Edition》）

MRP（Material Requirement Planning，物料需求计划）就像‘一招鲜’，在一个具体的运营环境中，怎样判断MRP对于哪些SKUs好用？这个问题同样也需要一个‘矩阵’来帮忙，ABC-XYZ矩阵，如下图。对于供应链从业者来讲ABC-XYZ矩阵算是老生常谈了。下面我们分别简单谈一下矩阵的纵轴（ABC）和横轴（XYZ），然后再整体来看看。

纵轴（ABC）脱胎于著名的帕累托原则（80/20原则），如下图，在具体的运营环境的应用中金额和数量通常是两个必要因素，也可以增加其他因素。注意，增加的因素越多则需要越高水平的数据基础、运营环境和运营能力。举例，我们想增加一个频次（Frequency of Sales）因素。首先就需要定义‘频次’这个概念，比如一年（52周或53周）SKU有多少周有接收到订单（Sales Order）。其次，这个数据我们拿不拿得到，数据质量怎么样？比如，有没有SKU客户需要我们做VMI（Vendor Managed Inventory），在不需要接收Sales Order时是否可以用发货（Shipments）数据来定义‘频次’？比如，SKU有没有因缺货导致Sales Order没有被接收的情况，需不需要数据清洗？再比如，SKU有没有产品替代，客户要的是A而我们发货的是B，需不需要数据清洗？最后，我们需要权衡一下ROI，这样多增加一个因素对我们来说究竟值不值得做，做不做得下去？

（资料来源，《Quickest Way to Perform ABC Inventory Analysis-Based on Value, Volume & Frequency of Sales》）

我们再来看看横轴（XYZ），横轴（XYZ）在具体的运营环境实践中有两种方法（数据源），一种是预测准确率（Forecast Accuracy），另一种是变异系数（Coefficient of Variation，统计学名词，形容数据离散程度，初学者请自行度娘）。这两种方法有各自的价值偏好和优劣，我们分别来说一下。

预测准确率（Forecast Accuracy）简单说就是‘蒙’的准不准，偏差有多大。比方说，答一张卷子，采用‘都选C’策略，到最后看看分数是不是比其他办法得分高。预测准确率（Forecast Accuracy）的评价方法也不止一种，最常用的是MAPE（平均绝对百分比误差Mean Absolute Percentage Error），在这里就不详细展开了。（此处强烈建议大家阅读刘宝红老师的新书《需求预测和库存计划-一个实践者的角度》P13~P17，‘预测准确度的统计’，其中比较了MAPE和MSE的优劣，文章简单易懂、靠谱。）

变异系数（Coefficient of Variation）简单来说就是数据本身变化（波动）大不大，变化越大可能越不好预测。比如拿到卷子发现都是多选题（且可单选），那么一道题答案的组合有15种[C(4,1)+C(4,2)+C(4,3)+C(4,4)]，如果再采用‘都选C’策略可能效果就不太理想。

从另一个方面来说，变异系数（Coefficient of Variation）大就一定难预测吗？还真不一定，如下图，拿到一个时间序列（Time Series）一看就觉得‘有门’，可以相对来说比较轻松的分解出趋势、季节性等因素。就好比拿到一道多选题，一看完题干和选项就发现可以直接排除多选的可能，这样就直接降低了波动对我们的影响，从而提升了我们‘蒙对’的概率。

（资料来源于网络，仅供参考。）

到这大家可能想问，说了这么多云里雾里，到底横轴（XYZ）是选预测准确率（Forecast Accuracy）还是变异系数（Coefficient of Variation）啊？这个就随缘吧（见仁见智），如果大家所处的运营环境都是大牛、很靠谱，本来后知后觉是‘黑天鹅’或‘灰犀牛’的事，结果大牛们都是‘运筹于帷幄之中，决胜于千里之外’让你都没感觉到发生了啥，预测准确率（Forecast Accuracy）就更合适。从另一个角度来说，你是否需要降低对‘人’的依赖，大牛们要是走了怎么办？要不要体现一下数据或者Planning的价值？如果大家所处的运营环境并没有Demand Planning流程，也没有数理统计方面的专家，方差、标准差、变异系数都需要从头来过，那么如果变异系数（Coefficient of Variation）这个数据可以统计并分析，其实这真心是个不错的开端。

总之，给纵轴和横轴选好指标，分好段（分段也是门学问，一条线切两刀才能分3段，从哪去切也是个需要考量的问题，变异系数（Coefficient of Variation）笔者就见过至少两种分段方法，在这就不展开了），这样就能得到一个‘九宫格’。如果在一个具体的运营环境实践中，可以拿得出来这个‘九宫格’说明环境的数据基础和运营能力是不错的，这个‘九宫格’就是对所处的运营环境的一种‘理性认知’。注意，‘自知’这件事是非常重要的，再借鉴其他人的主观判断才能有的放矢，不然就只能做个‘传声筒’了。这个‘九宫格’可以为供应链设计、计划与运营提供全方位的辅助，比如定义制造环境（Manufacturing Environment），制定寻源（Sourcing）策略，确定安全库存（Safety Stock）水位，制定备货及补货策略（CPFR，VMI，DRP，ROP等）。那么MRP（Material Requirement Planning，物料需求计划）适用于这个‘九宫格’的哪些象限呢？这也要具体问题具体分析，如下图，总体上相对来说1、2、4、5象限是比较好的选项，落在这些象限的SKUs如果PLC（Product Life Cycle）不是‘引入’和‘淘汰’阶段都可以用MRP（Material Requirement Planning，物料需求计划）。

这时候，我们发现其实并不是每一个象限都需要建立一种新的策略去应对，完全可以用一个‘田字格’来满足‘九宫格’提出的挑战。如下图，可以将不同的象限做合并、简化处理。另外，如果一开始就发现定义‘九宫格’太困难，完全可以先出具一个‘田字格’，先运营再回顾总结，在条件允许时可以试错，之后再逐步做细分。

综上， 供应链（Supply Chain）很多时候需要‘矩阵’的帮忙，‘九宫格’也好‘田字格’也罢，都是不错的选择，我们要‘现地现物’的去考量使用哪一种方法更合适。使我们快速的认清现实，纠正偏差。就像我们去练字一样，让这些格子快速的告诉你写的字到底哪里和字帖的不一样。

（图片资料来源于网络在线图片生成器，仅供参考。）

本文系笔者原创，欢迎转载并注明来源。