對于安全庫存，很多企業(yè)的做法是憑經(jīng)驗一刀切，設(shè)定一定天數(shù)的用量作為安全庫存，比如A類物料放3周的量，B類物料放2周等。這些經(jīng)驗值凝聚著組織的很多智慧，簡單易行，好溝通，不能一棍子打死；但是，一刀切注定有一刀切的問題。比如同樣是A物料，但需求的不確定性不一樣；或者同樣的供應商，但不同的工藝下，供應的不確定性不一樣；同類的產(chǎn)品，同樣的供應商，同樣的補貨周期，但對有貨率的要求不一樣，這都會要求有不同的安全庫存。一刀切的結(jié)果呢，注定是有的切多了、有的切少了，造成過剩的過剩、短缺的短缺、短缺與過剩并存，這些都是典型的計劃問題。

那解決方案呢——就是量化需求的不確定性、量化供應的不確定性、量化有貨率的要求，來計算安全庫存。

在實踐中，供應的不確定性比較難以量化，比如有時候我們給供應商一個大訂單，讓分次送貨；或者我們給供應商訂單，又要求他們推遲交貨等，都導致沒法客觀統(tǒng)計訂單的交付周期。還有，如果跟供應商建立VMI、JIT的話，就根本沒有訂單，自然就沒有簡單、可靠的方法統(tǒng)計交付周期了。所以，我們往往假定供應周期是確定的，而在量化需求的不確定性、有貨率的基礎(chǔ)上，適當加以調(diào)整，比如多放幾天的量，作為最終的安全庫存。

第一步：量化需求的不確定性

我們首先來量化需求的不確定性。簡單地說，需求的不確定，就是我們能不能有效預測。當需求難以預測時，預測的準確度就低，實際需求與預測之間的誤差就大，我們就得放越多的安全庫存來應對。在數(shù)理統(tǒng)計上，我們用“標準差”來量化需求的不確定性。對于具體的產(chǎn)品，我們找到過去一段時間每期的預測和實際需求，計算兩者之間的誤差，圍繞預測誤差求其標準差，如圖1，就能量化需求的不確定性。標準差越大，表明需求的不確定性越大，因而要放更多的安全庫存來應對。這里有個基本假定，那就是需求歷史的代表性，即過去和未來需求有一定的重復性。此外，我們也假定預測誤差符合正態(tài)分布。從數(shù)理統(tǒng)計的角度看，為了讓標準差的可靠性高，我們一般要求30個以上的數(shù)據(jù)點。但是，在實際操作中，我們往往沒有那么多的數(shù)據(jù)點。我會盡量不要少于13個，這是一個季度的需求歷史，按周統(tǒng)計。如果低于10個數(shù)據(jù)點的話，我會對統(tǒng)計結(jié)果非常謹慎——試想想，如果要畫一個像樣的正態(tài)分布曲線，你也至少得十幾個點吧，從數(shù)理統(tǒng)計角度描述也是同樣的道理。

圖1 量化需求的不確定性

當需求相對穩(wěn)定，需求歷史本身符合正態(tài)分布的時候，我們可以直接圍繞需求歷史來求標準差，作為需求的變動性量化指標，如圖3。這其實相當于把平均值當成預測，預測誤差等于實際需求與平均值的差異，圍繞差異求標準差。這種方式的好處是簡單直觀，容易理解，不用保留需求預測歷史。讓我們實際演算一下來說明。如圖2所示，第②列是過去20周的實際需求，第③列是過去20周需求歷史的平均值，第④列是平均值與每周實際需求的差值（誤差）?？吹贸?，圍繞第②和第④列求標準差，兩者的結(jié)果完全相同。這就是說，我們可以求需求歷史的標準差，用它來量化需求的變動性。

圖2 需求相對穩(wěn)定，符合正態(tài)分布時，需求的標準差就是其不確定性

正因為圖2的情況簡單，更容易計算標準差，所以被很多人濫用。比如有些需求有明顯的趨勢或者季節(jié)性，需求歷史本身是不符合正態(tài)分布的，如果你預測的話，你也不會簡單地用一段歷史需求的平均值作為預測值。這時候，我們要回到圖1中的方法。如果你以前已經(jīng)在預測，那就計算每期預測與實際的偏差，圍繞多期的偏差來求標準差；否則的話，你可以用以后要用的預測方法，復盤預測過去一段時間的需求，來計算誤差及其標準差。這里的假設(shè)是，特定的預測方法會有誤差，而在歷史上的誤差與未來的誤差整體上一致，也就是說，誤差的歷史有代表性，錯的方式差不多。這就如員工A做事一直很仔細，差錯很少，你以后也不會花很多時間檢查她做的事；員工B有點馬大哈，差錯較多，你以前花了很多時間，以后也會花很多時間來檢查他的工作——你都在假設(shè)兩個員工的差錯（誤差）有延續(xù)性，過去的歷史可以代表未來。讓我們看一個具體的例子。如圖3，這是很多人經(jīng)常問我的：需求呈現(xiàn)明顯的趨勢或季節(jié)性，安全庫存該怎么設(shè)置？這時候，你不能簡單地摘取過去一段時間的需求歷史，求其實際需求的標準差來量化需求的變動性——那樣的話，需求的標準差會很大，比如在這個案例中是4704，導致我們高估而多放安全庫存，造成更大的庫存風險。合適的做法是摘取一段需求歷史，比如8到20周（13個數(shù)據(jù)點），找到每周的預測（如果沒有的話，我們可以復盤，用以后要用的預測方法，來復盤這段時間每周的預測），計算每周的預測誤差，圍繞誤差計算標準差，這個例子中是2163。然后，基于這個標準差計算安全庫存（具體的計算稍后詳介紹）。

要記住，因為需求變動，所以預測不準，安全庫存的一大任務是應對預測的不準確，即預測的誤差。所謂的需求變動性，是相對預測的變動性，表現(xiàn)為預測的誤差。這就是為什么這里要圍繞誤差求標準差。當然，這里或許有人會問，那么這里的預測是怎么做出來的？這就又回到第一章的內(nèi)容：先清洗需求歷史，消除促銷等不可重復活動的影響，得到基準的需求歷史；基于基準的需求歷史，選用合適的預測方法，做出基準預測；另行預測未來促銷活動等能帶來的需求，疊加上去，就得到總的預測；然后計算每期的誤差，圍繞誤差計算標準差和安全庫存。

圖3 需求呈現(xiàn)明顯的趨勢、季節(jié)性時，如何量化需求的變動性

第二步：量化有貨率的要求

接下來我們量化有貨率的要求。有貨率也叫現(xiàn)貨率、庫存達成率、服務水平等。簡單地說，就是需求來了，庫存能夠現(xiàn)貨馬上滿足的概率。如果不設(shè)安全庫存，光靠預測來驅(qū)動供應的話，有貨率是50%。直觀地解釋，假定預測是每天100個，供應也是每天100個，一半兒的情況下，實際需求會超過100個，我們沒法完全滿足；一半兒的情況下，實際需求會低于100個，我們能夠完全滿足，這就得到50%的有貨率。如果要提高有貨率，那就得增加安全庫存。如圖4示，增加一個標準差的安全庫存，有貨率提高了34個點，達到84%；再增加一個標準差的安全庫存，有貨率提高了14個點，達到97%；增加第三個標準差的安全庫存，有貨率提高了2個點，達到99%多。馬上可以看出，安全庫存的邊際效應在遞減，為了達到最后幾個點的有貨率，需要投入很多的安全庫存，投入回報太低。所以，對于追求100%的有貨率，如果你是銷售，可以原諒；但作為供應鏈職業(yè)人，則是不可原諒。反過來看，如果我們想達到特定的有貨率（服務水平），需要放多少個標準差的安全庫存？我們可以反算出來：Excel中有個公式normsinv()（見圖4），能幫助我們做這樣的換算。這就是在量化有貨率的要求。簡單地說，有貨率對應相應的有貨率系數(shù)，兩者之間是1對1的關(guān)系，有貨率要求越高，這個倍數(shù)越大；反之亦然。在數(shù)理統(tǒng)計中，這就是在計算正態(tài)分布的Z值，也可以通過查正態(tài)分布的表格得到。直觀地說，有貨率可以折算成一個系數(shù)（Z值）。有貨率越高，這個系數(shù)越大，不過兩者不是簡單的線性關(guān)系。

圖4 量化有貨率的要求

第三步：計算安全庫存

在量化了需求的不確定性，量化了有貨率的要求后，安全庫存的計算其實挺簡單：需求的標準差乘以有貨率系數(shù)，就是安全庫存。特別要注意的是，這里的標準差指的是補貨周期內(nèi)的標準差；而我們在圖1和圖2中計算的標準差呢，一般是以1周或1月為單位。如果兩者不一樣，我們要做一定的轉(zhuǎn)換，在圖5有詳細的公式，但要注意在轉(zhuǎn)換的時候，時間的單位要一樣，比如需求歷史的標準差是按周計算的，那么補貨周期也要換算成周。比如需求歷史、預測誤差是按周統(tǒng)計，而補貨周期是28天的話，該公式就是把每周的標準差轉(zhuǎn)換為每28天（4周）的，后者是前者的√4倍（注意時間的單位要統(tǒng)一，如果用√28就大錯特錯了）。這也符合常識：補貨周期越長，補貨周期內(nèi)的不確定性就越大，需求的標準差也就越大。這個倍數(shù)是開根號的關(guān)系，而不是一對一的線性關(guān)系，從數(shù)理統(tǒng)計學的角度可以證明——如果時光倒流到90年代初，我在大學里學習數(shù)理統(tǒng)計，還可以現(xiàn)場證明給你看；如今我雖“廉頗未老”，不過對數(shù)理統(tǒng)計的很多細節(jié)，卻是不能推演了。

圖5 安全庫存的計算公式

安全庫存的計算本身不難，關(guān)鍵的是我們要計算：通過量化需求的不確定性、量化有貨率的要求，基于數(shù)據(jù)分析，計算出安全庫存的數(shù)值，然后再根據(jù)具體情況，做適當?shù)恼{(diào)整。比如這是個新產(chǎn)品，需求相對旺盛，呆滯風險很低，我們可以考慮多放點；相反，對于生命周期末期的產(chǎn)品，我們可考慮少放點?？吹贸?，安全庫存的設(shè)置也遵循“從數(shù)據(jù)開始，由判斷結(jié)束”的決策方法論。

對很多企業(yè)來說，產(chǎn)品動輒幾百幾千，規(guī)格、型號眾多，中心倉、前置倉眾多，凡是放庫存的地方，十有八九都有安全庫存。那么多的庫存點，沒有人知道地比數(shù)理統(tǒng)計還多，能把那么多的安全庫存設(shè)置地更合理。當然，這些公式要求的前提，比如正態(tài)分布，我們不一定能完全滿足，但這樣的計算至少給我們一個相對可靠的起點，讓我們來調(diào)整。不然，我們就只能完全靠判斷、拍腦袋了。要知道，數(shù)理統(tǒng)計就是基于大數(shù)據(jù)，更加科學地取代我們拍腦袋。

對于很多讀者來說，平日可能是按照經(jīng)驗值來設(shè)定安全庫存，比如A類物料放兩周，C類放3周的安全庫存等。這不科學，但我想補充的是，這種做法也是整合了很多歷史經(jīng)驗，包括你們所吃過的苦、受過的罪——比如太多導致的過剩，太少導致的短缺。所以，對于這些經(jīng)驗值，也不要一棍子打死。一方面，有些產(chǎn)品不符合上述公式對正態(tài)分布的假設(shè)，在我們找到更合適的公式之前，還得靠老經(jīng)驗來計劃；另一方面，這些經(jīng)驗值也可以幫我們初步判斷，我們按照公式計算出來的安全庫存是否大錯特錯。對很多人來說，剛開始用這些公式，會經(jīng)常有這樣那樣的問題，比如公式套錯，數(shù)據(jù)整理有問題，公式的基本假定沒滿足，導致計算的結(jié)果跟經(jīng)驗值會大相徑庭。這很有可能是我們算錯了的信號，要特別重視。畢竟，你作為一個企業(yè)，多年這么做下來，現(xiàn)在做的是有原因的，也是有一定的合理性；如果新的方法讓老的方法看上去非常不合理，那八成是新的方法有問題。這是另一種形式的“從數(shù)據(jù)開始，由判斷結(jié)束”，尊重自己的直覺，如果你覺得錯了，那八成是錯了。

聲明：本文為轉(zhuǎn)載類文章，如涉及版權(quán)問題，請及時聯(lián)系我們刪除（QQ: 2737591964），不便之處，敬請諒解！