先从业务到数字，再从数字到业务
前10年，对于制造业而言，信息化是时代的主旋律，各种ERP系统、财务系统快速普及，将业务变成数字，记录下你做了什么，并且实现执行类业务过程的可视化，以及业务与财务的集成，满足了企业日常运营数据的格式化存储、电子化传输、报表化显示等功能，极大的提高了企业运营的规范性、可视化与管理效率，SAP正是其中的典型代表。但在最近的10年，企业已经不满足于可视化和执行效率的提升，而是开始追求决策质量的提升，希望利用数字去指导业务决策，从执行的可视化到决策的可优化，是从数字到业务的过程。我们认为这个逆向过程才是数字化的本质，从记录下你做了什么，到告诉你要如何做，从辅助你的手和眼，到辅助你的大脑。这个过程不是简单的报表输出，而是要借助算法引擎直接输出决策建议，是真正的数智化。
数字化时代的到来催生了对供应链决策优化的诉求，也出现了一批供应链计划管理系统供应商。SAP也顺应时代推出了新一代的供应链计划管理系统SAP IBP，但却迟迟没能出现像信息化时代中的那样的经典成功案例，难以复制前辈的辉煌。还有其他历史更加悠久，功能更加强大的供应链计划系统也面临同样的挑战，今天就来谈谈为何从数字再到业务竟然如此艰难。
个性化和多变是计划管理最大的特点
相对于计划体系，我们的业务执行体系，包括财务体系相对标准化。有着统一的规则，相似的业务流程，业务逻辑也相对简单直接，更多寻求规范化，这正是系统化的优势所在。但供应链计划管理可以称之为真正的八仙过海各显神通了，并且根本不能去简化，规范化，而是要优化，精细化。我们可以通过一个简单的排列组合试验，从交付端往后说起。先将企业不同环节的可能模式进行粗略的分类。首先分为2B与2C，分别对应两种大的渠道类型。进一步，可能是工厂直发、中央仓发货、多级库存发货等三种类型，这样就是2*3=6种组合。接下来，工厂可能是单一自有工厂、多自有工厂、外包工厂、供应商直发等四种大类，这样就是2*3*4=24种组合。再接下来，工厂的制造类型按最粗略的方式分类也可分为离散型制造、流程型制造，这样就是2*3*4*2=48种。再往前，生产的驱动方式，可分为ATO、MTF、MTO、MTS，甚至还有项目型等多种类型，这样就成了2*3*4*2*4=192种。还要考虑各种能力约束，工艺约束，策略要求以及不同的优化目标诉求。大家可以发现，随着环节的逐渐变多，组合数量将膨胀为一个极大的数字，这还是我们进行了极大的简化后的分类结果，而实际企业中各个环节还存在复合型，例如2B和2C同时存在等，进一步加大了差异性。并且这还只是横向列举，假如再加入纵向时间维度，组合数量只会更多。所以，计划这类决策型业务，其场景是极其复杂，并且个性化的。
复杂而多变的业务场景
同时还不能忽略计划的多变性，所谓的不确定性首先是计划体系承接，由于后端执行的刚性，执行不能立即改变，但是计划必须去勇敢面对每次变化的挑战，并做出合理的决策。对于一个标准化的系统而言，这种多变性是很难应对的，因为变的不仅仅是一个数值，而是业务场景的变化。比如突然后端关键原料有限制，需要增减原料约束。环保有新要求，需要增加废水排放限制。增加了新工厂，需要重新规划网络关系等，这种变化需要改变相关的业务逻辑配置。企业都希望要拥抱变化，但是首先要具备拥抱变化的能力。供应链计划这类决策型业务的个性化以及多变性与倡导标准化规范化的系统化诉求是完全冲突的，而定制化开放式建模，在应对个性化和变化方面则有着无与伦比的优越性。
同时，定制化开放建模不仅支持个性化业务，并且能满足管理层既要又要还要的不合理管理诉求，基于多目标的寻优是运筹优化技术最大的优势之一，不仅支持实现供需的数量平衡，同时支持基于多KPI驱动的财务目标和战略目标的寻优，为公司多目标的达成提供科学的可落地的技术保障。
多约束下的多目标优化诉求
商业供应链计划系统—以最大集去解决个性化问题
大家应该已经能够感受到这种排列组合的可怕之处了，环节越多，排列组合的数量就越大，即便是在同一个行业中的两家体量相近的公司，其计划逻辑也可以是相去甚远。供应链计划管理可以说是一个个性化极强的领域，基本无法找到两家计划管理逻辑一模一样的企业，因为即使业务一样，业务策略，决策逻辑和优化诉求也是不一样，这就对计划管理系统的开发厂商提出了极大的挑战，因为个性化就是商业系统开发最大的敌人，系统化的前提就是要有统一的最佳实践。
假设有一家公司希望开发一个能够覆盖大多数行业与企业的计划管理系统，那么它就需要将绝大多数行业与企业的个性化特点都放进系统里，首先全面的收集此类信息就已经是一个基本无法完成的事情了，就算真的收集到了，后续面对的也是天文数字一般的开发量。商业化系统供应商为了尽可能的提高自己的行业覆盖率，内置了大量可以应对不同行业逻辑的框架与模板，并且定制化成本更高。制造企业即使能够支付昂贵的个性化开发费用也难以达到自己的要求，就像装修房子一样，软装风格我们可以随意修改，硬装的话也可以通过砸墙、隔断等方式调整房间布局，但整个房子的架构以及关键的承重墙是无法变化的。所以即便是可以进行个性化开发，受限于系统本身的架构与底层逻辑，开发的空间往往也十分有限，并且成本极高。这也是为什么市面上的计划管理系统价格都如此昂贵，但实施成功率又很低的原因所在。
定制化开放建模VS.封闭式商业系统
定制化开放式建模—基于企业个性化业务量身定制
定制化开放建模并不是要直接开发一个系统，而是一种利用灵活的数据编辑工具再搭配开源算法引擎，基于企业的个性化业务诉求搭建决策优化模型的方法论，是一种低代码、甚至可以说是零代码的建模方式。其实现方式相比于系统实施，更像是管理咨询。其过程主要分为六个阶段：
业务调研：对企业当前的业务逻辑进行详细调研，了解企业当前业务的主要运营特点，关键痛点，核心业务诉求等，形成本次建模优化的主要需求方案。
场景确认：明确本次建模的具体优化场景，以及相关个性化诉求，确定优化方向，以及需要考虑的各关键决策点，并梳理相关决策逻辑。
模型设计：将场景转变为模型结构，根据场景逻辑以及关键决策点的决策逻辑编制搭建相关模型逻辑，实现业务场景的模型化，并利用零代码建模工具，实现模型的搭建。
数据收集：对于模型运行决策所需要的数据进行收集，并确定数据质量与可用性，颗粒度与样本量是否符合要求，对于暂时无法获得或者质量难以达标的数据进行模拟化处理或者调整模型结构与计算逻辑。
落地试运行：将搭建完成后的模型融入企业的实际日常运营中，与之前的手工编制方式同步运行，两者保持同样的数据输入，并要求进行同样的数据输出。通过这样的方式对模型进行进一步的优化与调整，并验证是否达到了最初的设计目标。
人才培养：通过培训及深度参与建模过程，实现企业业务人员对建模技术的完全掌握和自我的迭代，让企业真正拥有拥抱变化的能力，完成供应链管理能力的数智化转型。
通过以上六个步骤，最终就能搭建一个符合企业个性化业务场景的决策优化模型，再经过2年以上的实际业务验证后，再由公司内部的IT力量，或者寻找外部IT资源进行合作开发，将部分业务进行代码化封装，实现应用效率和灵活性的最佳平衡。因为是企业个性化定制模型，所以复杂度低而适配性极高，并且与业务团队一起搭建完成，真正实现知识的传递，完全支持企业自我迭代和优化。
定制化建模的挑战在于业务的抽象化和数学化表达
在这个过程中，大家最关心的两点就是如何将业务场景转换为模型逻辑，以及利用零代码工具快速的搭建起一个可以运行并落地检验的模型。第一点需要依靠企业熟知业务逻辑，并具有较强数理逻辑的计划骨干协助实现，快速将业务逻辑进行抽象化提炼。
场景模型化的过程
第二点的需要更加熟悉EXCEL和算法逻辑的计划人员协助参与，笔者目前参与并负责实施的定制化开放建模项目均采用的是excel + 运筹学算法引擎（比如Matlab, CPLEX等）的实现方式。这些数学分析工具将作为优化计算的算法核心，负责对模型的输入数据进行优化计算。而另一部分的建模工具为何会选择excel，最主要的原因是因为它是使用最广泛，上手最容易的模型搭建工具。由于定制化开放建模是一种以业务为主导的建模方式，所以我们也鼓励甲方业务人员深入直接的参与到模型搭建过程中的每一个环节，这样假如在未来需要对模型中的计算逻辑进行优化调整，业务人员也可以直接参与调整工作。而excel（不含VBA部分）就是一款业务人员也可以直接学习的零代码模型搭建工具，在这其中，业务人员可以直观的看到不同的业务逻辑在excel表格当中是以怎样的形式进行数学表达的，并可以通过直接修改excel表格格式来对模型逻辑进行编辑，从而深入的参与模型的搭建，为未来模型的优化与维护打下基础。也正是因为企业业务人员深度参与到了模型的搭建过程中，并掌握了建模的方法，才能从容应对业务变化而同时实现模型的自我升级，这也是企业拥抱变化的一种能力所在。
模型算法化的过程
基于数字化技术来反向推动组织和流程改善
组织的调整对于任何企业都是一次权力和利益的二次分配，在缺乏全局利益的共识下，组织的每次变革都充满挑战和风险。但正如马克思所说的“生产力决定生产关系”，通过新的管理技术的应用，也反向推动了组织和流程的优化。我们可以通过企业的实践来体验数字技术应用如何推动组织和流程的优化。
在伊品生物科技的案例中，在项目实施之前，大家没有主计划的概念，也没有相应的组织支撑，但是通过算法模型建立了数字化主计划决策体系后，反向推动了公司建立该职能，同时借助新技术的应用，还极大地缩短了公司月度S&OP流程的时间，增加了公司在应对各种突发情况时的反应速度与灵活性，并降低决策成本，提升决策效率。
在金风科技的案例中，过去由于配送网络复杂、风机部件多的原因，供需匹配计划存在极大的工作量与复杂度，金风科技在发动“人海战术”解决匹配的同时，也将计划分为了“S&OP交付计划”“MPS主计划”“大部件生产计划”“采购&备货计划”多个层级来减少每一层的业务复杂度。但再采用了算法模型之后，算法将大量约束进行统筹考虑，将过去需要做几层的计划整合到了一起，在改善计划本身的同时，也反向推动了计划流程和对应职能体系的优化，实现了计划与流程，组织效率同步提升的效果。
技术推动组织的融合
在传音控股的案例中，同样为了减少业务复杂度，三个品牌拥有三个独立的主计划，但是由于后端资源是共享的，算法模型完全可以将三个品牌的需求与后端的共享资源进行一次性匹配和优化，也就是从技术层面将三个主计划合三为一，实现真正的全局寻优。这种新技术的应用，反向挑战了原有的组织架构和管理流程。
同样，在多个项目中企业方均不满足于供需数量平衡的优化目标，而提出了基于财务目标的优化诉求，这样就需要提供更加明细的财务数据，包括敏感的成本数据，价格数据甚至利润数据。从算法而言，两种诉求均可以满足。但是对于企业而言，意味着业务与财务数据要实现充分的共享，这对于绝大多数企业而言是巨大的挑战，业务之间的壁垒尚且难以破除，而业务与财务的壁垒更加坚实。但是在算法面前，在企业的整体利益面前，这层壁垒的破除势在必行，这就是数字化技术在组织和流程上的穿透力，是企业变革和转型的重要抓手。
定制化建模是个性业务与算法的完美融合
众多标杆企业的成功实践已经证明了定制化开放建模是制造企业数智化转型的捷径，越是复杂并且变化越快的企业其优势越是明显。大量的个性化管理诉求，只有通过这种从零搭建起的优化模型才能得到更加充分的表达与实现，并且支持快速实施和企业自我迭代。为何大家一边高喊数字化，一边又以不确定性和模糊性怀疑复杂业务的算法优化可能性呢？笔者想起一位专家的生动比喻，做技术的人员与做业务的人员，他们当中有条河。两边岸上的人看对面都有一种幻想，观望，猜测，甚至因为不了解而质疑。但是很少有人主动从河的一头游到另一头。但是如果从技术角度走进业务，主动游到对岸，并且开始理解业务的时候，会擦出很多火花。同样业务的人员如果主动游到对岸，同样会产生很多新的创意，看到不确定表象下的确定逻辑关系，看到模糊中不变的底层逻辑。当业务和技术深度碰撞时就会出现新的思路和方法论，这种方法论就是技术思维，数据思维和业务思维融合的成果。但我们很少有人真正游到对岸，业务人员抱着流程不放，技术人员坚持算法至上。在这个时代，我们更需要在业务和技术之间反复横跳的人，充分发挥业务和技术各自的优势，并将它们完美融合。基于运筹优化技术驱动的定制化建模方法论就是这样的一个新生事物。但是这个新生事物不是一种远景，已经是一种成功实践，有些企业已经成为了成功的先行者。
