这是供应链数智化实践系列内容的一部分。在这个系列中，我们通过具体的实例，来说明依靠数据和算法的数智化工具能为供应链管理带来的帮助。数智化的目标是让决策更加科学，带来的效果是让供应链的各个节点快速达到供需平衡，实现资源的优化配置，以较低的成本满足客户的需求。
库存是为了及时满足客户的需求才产生的。由于生产需要时间，而客户的需求经常是即时性的，所以需要备一定量的货，在客户需要的时候能够提供，避免损失销售机会。但备的货又不能太多，库存过多会占用资金，卖不掉还会造成浪费。
因此，客户需求满足率和库存周转就是库存管理两个最重要的指标。理想上既要100%的满足率，又要最小量的库存，如同所有的“既要又要”，是让库存管理者头疼的事。在现实中经常看到的是”既无又无”，在整体库存周转率低的同时，需求满足率也低。
这篇文章展示的，是在多仓的场景下，如何应用数智化工具，既能满足更多的客户需求，又能把整体库存降下来。
在只有一个仓库时，如果某种商品需要补货，唯一的办法是向供应商采购。但是如果有多个仓库，甚至有CDC、RDC这样的多级仓库时，补货的时候就多了一种选择，可以向供应商采购，也可以从其它仓调拨。
向供应商采购会增加整体的库存，增加库存周转的天数。但如果把商品从供大于求的仓，调拨到供不应求的仓，整体库存就没有增加，库存周转也没有变化。这样一来，调拨行为既提升了缺货仓的服务满足率，又提高了积压仓的库存周转率。所以对KPI的影响，是两个指标同时的正向变化。
但是，如何平衡采购和调拨，什么时候采购，什么时候调拨，从哪个仓调拨，调多少，这些都需要非常复杂的计算。调拨时需要照顾到所有仓的供需关系，例如不希望看到从A仓调拨到B仓，但是却导致A仓缺货。另外还需要考虑到调拨的物流成本、承运商的起运量约束等多种因素。另外，经常发生的”意外“，比如供应商产能不足造成延期交付、部分运输线路受阻等，都会打乱原本有序的补货流程。这些情况单靠Excel就力不从心，必须借助优化算法，才能做出科学合理的决策。
我们考虑一个场景。设想我们的企业销售小土豆，在沈阳、广州、南京三地设有仓库，分别属于东北、华南、华东三个区域，每个仓为各自区域内的经销商供货。
在每次做补货计划时，我们需要先收集需求数据和现有库存：
作为计划员，我们需要根据各地需求、各个仓的现有库存，做出采购和调拨的合理决策。这里需要考虑的因素有很多，例如，供应商是否能够及时送货，哪些仓有多余库存，仓与仓之间的运输成本，等等。
下面我们使用积兆科技的小流智算平台，来演示怎样利用数智化工具，在不同场景下，快速做出优化的决策。小流智算平台是一站式的智能决策平台，我们在下面的例子中使用了其中的“补货调拨计划”应用。
小流智算是积兆科技研发的供应链决策平台
位于东北区的沈阳仓，服务哈尔滨和长春两地的经销商，当需求大于沈阳仓的现有库存时，一个自然的结论是由沈阳仓向供应商采购补货。我们把这个实例放进小流智算平台，系统给出的结果也是如此。系统在给出这一方案之前，也综合考虑了其它调拨方案，但由于调拨费用和采购价格相当，所以比较下来，决定采购还是最划算的方案。
从结果里还能看到，对于当周的计划（例子里的2024-W10），系统给出了紧急采购和普通采购的建议。两者的区别是提前期，紧急采购可以在当周收货，用来补足当周的缺口；而普通采购需要多等一周，这周的采购用来满足下周的需求。实际操作中，采购员可以拿着这个和供应商商议，让供应商分批次交付，先立即送一批货满足当下紧急需求，隔一周再送剩下的满足未来普通需求。
一种经常发生的情况是供应商无法及时供货，所以采购行为不能及时满足客户的需求，这时就需要从货源更充足的其它仓调拨。要应对这种情况，我们就在系统中改变供应商的采购时长，反映真实的情况。再求解方案，从得到的结果可以看出，需要从南京仓和广州仓调拨一批货到沈阳仓，以满足东北区的客户需求。
上面的输出里，W10的调拨计划出现了四条记录。我们可以这样来理解这个方案的逻辑：
- 第5行：南京仓将现有库存减去当地本周需求后，剩下的库存1163件全部加急调往沈阳仓，以满足沈阳仓旺盛的需求；
- 第4行：南京仓的调拨仍然无法完全满足沈阳仓的需求，所以又从广州仓加急调拨375件，补足沈阳仓的差额；
- 第3行：以上两项加急调拨满足了沈阳仓的当周需求，但是沈阳仓下周还有缺口，因此从广州仓以普通运输方式调拨426件到沈阳仓；
- 第2行：由于南京仓把现有库存都加急调往了沈阳仓，南京仓下周的需求出现缺口，那么可以安排从广州仓以普通运输调10件到南京仓。
以上复杂的逻辑，是平衡了各地的供需关系以及考虑了各种成本之后，通过优化算法得出的，能够以尽可能低成本的方式，满足客户的需求。
在上面的例子中，系统建议由南京调拨到沈阳。但是，这条线路的承运商可能突然运力不足而无法在这条线路上运输，导致该调拨方案不再可行。那么作为计划员，你需要修订调拨计划。这时在系统中将从南京仓到沈阳仓的运输线路设置为不可用（FALSE），便可再次求解。
这时候系统给出的调拨方案，如下图所示，可以这样解释：
- 第3行：由于南京仓到沈阳仓的运输中断，而广州仓的现有库存又不足以满足沈阳仓的需求，因此，决定从南京仓向广州仓加急调拨606件；
- 第2行：广州仓收到南京仓的调拨后，再加上自己的多余库存，共向沈阳仓调拨1538件。
从上面可以看出，算法可以在运输线路临时受阻时，智能地重新规划流向和流量，以尽可能低的代价来满足客户的需求。
对于体积小、重量轻、单价高的商品，调拨的成本相对于销售利润来说，可以忽略不计。化妆品、药品都具有这样的特点，运输费用只有商品价格的百分之几，甚至更低。这种情况下，在系统中设置了比较低的运输成本，算法会在采购与调拨之间，优先考虑调拨。例如，在前面实例一的例子中，我们把仓到仓的运输成本降低到接近零，那么算法建议的方案，就会优先建议调拨，尽量消耗掉现有库存，而不是采购更多商品。
下面是系统给出的采购和调拨方案，可以看出，算法不建议新采购，而是以调拨来满足需求。
在前一个实例中，假设华南和华东区的需求暴涨，都加入了抢小土豆的大战。那么不管是采购还是调拨，都无法及时满足所有需求。这种情况下，算法根据内置的公平分配原则，在整个供应链网络内平衡供需，计算出一个合理的采购调拨方案，按照同等比例来满足各地经销商的需求。
在输入数据中，我们把杭州和长沙的需求抬高（图中左侧是改变后的需求）：
在输出的结果中，我们可以看到各地的需求满足率的情况。如下图所示，由于供不应求，每个仓的库存目标都无法达成，但是系统所建议的方案，使得所有仓的目标都以同等比例（这里是68%）得到了满足。
通过上面几个实例，说明了数智化工具是怎样使用算法，快速进行合理的资源配置，实现在保障满足客户需求的同时，尽可能地降低库存和其它相关总成本。除了以上场景以外，算法能做的事还有很多，例如用户可以设定不同的优化目标，比如在临近月底时以最大化销售额为目标制定补货计划；同时还能在多个供应商、多个承运商之间进行比较选择；并且支持更多的约束条件，如调拨的最小起运量、采购的最大预算等等。
你可以在https://flow.convect.cn上，注册账号，免费激活“补货调拨计划”应用，自己操作体验供应链数智化的作用和价值。
