在以往的文章与案例中，我们通常都聚焦于借助优化算法直接实现成本的降低，例如物流成本的节约、生产成本的节约等。而今天，我们给大家介绍另一个案例，它不仅有着直接的成本节约，还有着另一个经常被我们忽视，但实际上有着巨大隐性价值的部分，也就是通过提升供应链决策效率而带来的收益。以往这些都是隐性的、难以量化的，但所幸在这个案例中，它被成功量化了。我们认为，前者所代表的很多直接成本优化其实只是整个计划体系能带来价值的冰山一角，而后者所代表的隐性成本其实才是供应链计划管理以及供应链计划管理转型隐藏在水面下的那部分难以量化的巨大价值。
l 案例公司金风科技背景介绍
金风科技是中国最大的风力发电机组整机制造商，主营业务为大型风力发电机组的开发研制、生产及销售，中试型风力发电场的建设及运营。公司于2017年成立了计划部门，主要负责将前端需求与后端供应进行匹配，实现产销双方的协同。但由于风电行业的特殊性，这项匹配工作异常复杂，需要投入大量人力与时间。于是2020年下半年，公司决定引入外脑来帮助计划部门借助科学的算法与模型，在提升产销匹配效率的同时，提升产销匹配结果的精度，让供应链计划真正的成为公司运营的压舱石，金风“泰山石”项目于是正式启动。
l “泰山石”项目产销协同优化背景介绍
“泰山石”项目除了产销资源匹配优化以外，还涉及需求、指标监控设计等方面内容，但其核心还是如何利用算法模型来提升整个产销资源计划的效率与精度。
金风科技属于项目型配置型业务模式，第一个特殊性体现在产品上，由于风机本体都是几十上百米高的大家伙，所以不可能由工厂直接生产成品，而是需要将成品拆为数个大部件，分别由不同部件的组装厂、制造厂、供应商直接配送到项目现场，再在项目现场组装完成。而这样就带来了两个问题，首先就是后端的供应节点，也就是工厂、供应商的数量非常多，就算只是计算关键的几大部件，后端的供应节点就有60个，分别负责不同大部件的生产。第二个就是，在生产过程中，需要匹配齐套性，要尽可能让所有的大部件成套的生产完成并同步运送到项目现场，这也增加了匹配的复杂性，否则可能出现甲项目的风机分到了ABC三个部件，乙项目则凑到了BCD三个部件，资源错配，甲乙项目都无法正常交付。
第二个特殊性，就是匹配的颗粒度了。在消费品领域，我们在做计划与预算时，通常会将全国分为多个区域，按区域统计需求，并与后端生产进行匹配。如果涉及到物流路径，通常也就做到区域分仓、省级分仓等颗粒度就行了，很少直接下沉到特别细的颗粒度。但风电行业则不一样，在上面我们提到了“项目”这个词，这是金风科技在做计划匹配时需要考虑的颗粒度，而“项目”的颗粒度比城市还要细，指每个具体的风电场的地址。因为风电设备都很大，并不是通常的道路可以运输的，需要特定的高速公路，甚至最后几公里还得自行修路，所以即便是同一个城市中，城南和城北的项目也可能完全是走的两条不一样的路径，其负责的供应节点也可能完全不同。而金风科技一般同时开展的项目多达200至300个，结合上文我们提到的60个供应节点，可见整个匹配的工作量有多大。
而项目前金风科技的匹配方式是通过人海战术，十几个相关人员在一个会议室里，打开excel表格，给一个个项目依次分配其大部件的对应节点，同时还得注意部件的齐套性，还有不同工厂与供应商的产能与关键物料的供应情况，就这样反复匹配近两周，才能完成一版匹配计划的输出，耗时耗力。甚至计划过程中，项目又发生了变化。
l 基于算法建模实现物流成本与生产成本的节约
经过了项目组4个多月的不懈努力，“泰山石”项目在产销匹配方面通过引入科学的算法模型，搭建计划优化模型，成功的在决策效率与精度两个方面取得重大突破。
首先我们看看精度方面，在之前的计划模式中，主要是以满足需求为目标进行匹配的，也不是不想考虑其他内容，确实是已经没有余力了。而在优化模型中，项目组引入了物流成本与工厂制造、供应商采购成本，在考虑了关键物料供应能力、工厂制造产能、供应商产能、齐套性、项目需求的前提下，实现前端需求得到最大化满足目标下的总成本最低。并通过与手工版本的并行对比和财务部门的验证，全年可节约成本达到3000多万。
在公司2021年的年终指标完成情况的汇报中，我们惊喜的发现，对于陆上长途运费这个指标而言，如果将基准值设置为100%，那么目标值与挑战值则分别是基准值的96%与93%，越低说明总运费越低，而实际的年度完成指标则是基准值的90%，超越了挑战值，实现了10%的物流成本的节约。而这还只统计了物流成本，由于模型的计算是生产与物流成本共同求最优，所以实际节约幅度会更大。
l 基于算法建模实现的隐性成本节约的量化
在“泰山石”项目中，除了上述的显性成本节约，最关键的我们还发现了隐性成本改善的成功量化结果。在背景介绍中，我们看到项目前金风科技采取的匹配方式需要十几个人花费近两周的时间才能完成，如果这是一个年度或者季度计划还好，但这是一个需要月度滚动更新的计划，这就导致计划效率与灵活性都非常差，一个月进行一次决策就已经是极限了。而通过算法模型，在项目结束的节点就已经成功的将计算时间从两周缩短到了一周，从十几个人减少为了6人，并随着建模人员的日益熟练，以及数据提供流程的成熟固化，实现了2位建模人员不到一天即可完成匹配计划模型的搭建与结果输出，极大的提升了效率的同时，更是增加了整个供应链决策链条的灵活性。
而效率提升所带来的最直接收益就是——库存的降低。试想一下，如果从获得需求到匹配生产计划这个过程我们需要半个月的时间来做计划，那我们的周转库存是不是就必须多放半个月才行。所以模型对计划效率的提升，也一定会对库存产生影响，而结果也正如我们所预计的，同样也是在公司2021年的年终指标完成情况的汇报中，我们发现，对于库存周转次数这个指标而言，还是以基准值作为100%，那么最初设定的目标值与挑战值分别为106%与113%，而最终实现的年度完成指标相对于基准值则达到了121%，提升了21%的周转次数，所对应的库存金额下降高达11亿，不论是对公司现金流的改善，还是库存持有成本的节省，都是巨大的。也充分展示了供应链计划管理的隐性价值，虽然库存并不是计划部门直接管理的，但对供应链计划的投入，计划管理能力的提升，最终都将在公司的运营结果中得到呈现。
l 总结
供应链计划工作是隐性也难以量化的，这也是供应链计划在很多公司不受重视的原因之一。但我们相信，在经过了电子化表单、可视化报表、结构化存储、线上工作流等数字化阶段之后，决策智能化将成为供应链数字化转型下一个阶段的核心挑战，计划管理的价值将在数学的加持下得到体现，大量成功案例已经证明，基于算法引擎的开放式定制化建模将是企业供应链计划管理数智化转型的一条捷径。