大约在一年前，读了《零售新科学（数据决策如何驱动供应链变革与绩效提升）》一书（作者马歇尔·费舍尔和安南思·拉曼）。记得书中有很多有意思的供应链案例和衍生故事，其中涉及了很多略晦涩但实用的算法（如，贪婪算法）。从而书中就有不少难啃的数学公式（如果想把注释和附录也读明白可真不容易，笔者有好多细节没有弄懂），记得当时读书的时候总觉得有一种沮丧情绪在缓缓发酵，一直记忆犹新。笔者后来在研究供应链中一件习以为常的小事时，发现如果深潜下去这背后涉及了很多经典的数学规律，那种沮丧感又上心头，大家可以一起来看看，其实很有意思。

在企业供应链运营实践中，很多时候都不得不面对多级仓网结构的挑战，很多供应链大牛也都分享并总结过相关类似的实践案例。其中有一条很重要的结论/原则很有意思，就是中心仓节点需求波动（Variability）相对更小。有的供应链大牛分享时说这源自于于数学上的大数定律（Law of Large Numbers），笔者当时也没有在意，毕竟从直觉上这个结论是没有问题的。下面我们从更理性的角度来深潜一下。

从上图中的曲线图观察，发现汇总数据（上图中绿色行）的波动（Variability）的确明显降低，曲线更平滑（上图中曲线图中的红色曲线）。在数据上变异系数也明显降低（CoV，Coefficient of Variation，统计学名词，形容数据离散程度）。

那么这是一种巧合吗？笔者又增加了两个辅助行（见下图，第一行和第三行汇总标识为蓝色行，第二行和第四行汇总标识为白色行）来进行测试，发现数据两两汇总后与原始数据相比较波动（Variability）也降低了（变异系数变小，曲线图观察并不明显）。

大家可以把原始数据理解为前置仓，两两汇总数据理解为区域仓，而最终汇总数据理解为中心仓（不同行业间名词可能略有偏差）。这就衍生了比如是否设立新的仓库？在哪设立？SKUs的库存水位高低如何设定？如何补货？等从供应链战略到供应链计划及运营的一系列需要理性思考并给予合理建议并最终做决策的问题。这个简单的事实/现象背后有没有更深刻的道理呢？见下图。

怎么样，上面的推演简单而精彩，墙裂建议大家去关注知乎原创者 @石溪 ，笔者查了很多资料后觉得这位大神讲的大数定律既简单又明白。大家不要被‘独立同分布’这样晦涩的假设搞糊涂，独立重复实验中如果一切条件都相同，随机变量就是独立同分布，比如掷硬币，掷骰子等都是独立同分布。

这时，我们来回顾一下，大数定律能够很好的解释中心仓节点需求波动（Variability）相对更小吗？笔者认为可以解释一部分，但是不够明显。

那怎么办呢？我们再来看看中心极限定理（Central Limit Theorem）。如下图，把日汇总量理解为对总体样本的抽样，这样就可以直接而简单的解释中心仓节点需求波动（Variability）相对更小的问题。（中心极限定理在直觉上理解并不复杂，从另一方向来说，它的严格证明过程相对来说比较难）

综上，我们可以形而上的得出在聚合层面/节点（Aggregation Level）波动（Variability）更低的结论。不仅在多级仓网结构这一个问题上，在企业供应链运营实践中，这个结论的应用非常广泛，随便举几个例子。

最后想说，在读完《零售新科学（数据决策如何驱动供应链变革与绩效提升）》一书之后笔者就在想，未来的供应链是长这个样子吗？数学在现行/未来的供应链管理中扮演很重要的角色吗，作为应用者的我们应该怎样因时而变呢？为学日益，为道日损，我们应该怎么样权衡这个理论与应用的边界呢？元芳，你怎么看？

本文系笔者原创，欢迎转载并注明来源。另，引用资料如有侵权请联系，将第一时间删除。