图9-7　小批量多批次的供应

如果说满足基本需求的商品的中远期是3～18个月，那么服装产品就只有2～13周，因为一个季节只有13周，当周是运营周，第2～13周是计划周期。追加供应这个过程与快消品的产销协同非常相似，它是每1～2周（大多数线下品牌）甚至每2天（线上经营的服装品牌）进行一次追加供应，这类会议也被称为“追单会”（PO Meetig）。在这个会上复盘销售情况，决定接下来的采买金额预算，然后判断商品的销售等级（A、B、C），结合商品剩余可售卖的周期、预计的销售速度、预计铺货的门店数量，预估未来还有多少需求；接着来看供应端还有多少面料、多少生产能力，对于即将出现供应不足的商品建议追加生产，追加的量够覆盖供应周期即可，反正1周或2周后还要召开会议决定下次的追加量，这样的过程滚动进行。这跟S&OP“烫平”的流程本质是一样的，只不过它因为商品本身的生命周期短、销售波动大，流程开展的频率更高一点。会上除了会讨论供需，还会讨论财务目标是否达成，花了多少钱，卖出去多少产品，售罄率怎么样，毛利水平怎么样等财务指标。

3）加工餐饮产品加工餐饮产品需要稳定供应的是加工所用的原料，对于核心商品的原料需求，相对比较容易预测准确。原料本身要么需要通过养殖（比如鸡肉），要么需要通过种植（比如咖啡豆、蔬菜），周期都很长，甚至比服装的加工周期还要长很多。因此餐饮零售企业做供应保障，最重要的是长周期的原料的供应保障。实践中，企业会采用做长周期需求计划结合S&OP控制的方式，获取这些原料未来很长一段时间的图9-7　小批量多批次的供应

如果说满足基本需求的商品的中远期是3～18个月，那么服装产品就只有2～13周，因为一个季节只有13周，当周是运营周，第2～13周是计划周期。追加供应这个过程与快消品的产销协同非常相似，它是每1～2周（大多数线下品牌）甚至每2天（线上经营的服装品牌）进行一次追加供应，这类会议也被称为“追单会”（PO Meetig）。在这个会上复盘销售情况，决定接下来的采买金额预算，然后判断商品的销售等级（A、B、C），结合商品剩余可售卖的周期、预计的销售速度、预计铺货的门店数量，预估未来还有多少需求；接着来看供应端还有多少面料、多少生产能力，对于即将出现供应不足的商品建议追加生产，追加的量够覆盖供应周期即可，反正1周或2周后还要召开会议决定下次的追加量，这样的过程滚动进行。这跟S&OP“烫平”的流程本质是一样的，只不过它因为商品本身的生命周期短、销售波动大，流程开展的频率更高一点。会上除了会讨论供需，还会讨论财务目标是否达成，花了多少钱，卖出去多少产品，售罄率怎么样，毛利水平怎么样等财务指标。

3）加工餐饮产品加工餐饮产品需要稳定供应的是加工所用的原料，对于核心商品的原料需求，相对比较容易预测准确。原料本身要么需要通过养殖（比如鸡肉），要么需要通过种植（比如咖啡豆、蔬菜），周期都很长，甚至比服装的加工周期还要长很多。因此餐饮零售企业做供应保障，最重要的是长周期的原料的供应保障。实践中，企业会采用做长周期需求计划结合S&OP控制的方式，获取这些原料未来很长一段时间的需求预测，接着结合企业经营目标制订需求计划，然后结合供应能力制订S&OP，最后与原产地或者供应商签订中长期采购合同，甚至支付定金，锁定供应，从而提高供应的确定性。

实践中也有不少企业越来越多地涉足原料的供应，比如入股供应商或者成立农业公司。比如海底捞旗下就有种植公司，甚至连做自有食品品牌的超市华润万家也在供应源头进行了战略布局。

2.应对运营期间供需波动1）满足基本需求的产品在运营期间（冻结期），供应量比较难改变，这时需求随时会发生变化。以线下门店为例，如图9-8所示，库存水位降低到补货点时会触发补货，一旦补货计划下达给仓库，接下来即便门店的需求出现波动，已经下达的补货指令也很难再改变了，这段时间就成了风险周期。第一个风险在到货之前，如果需求量变多，库存支撑不了这几天的销售，就会导致断货；第二个风险在到货日到下次到货日这段时间，如果需求比当初计算补货量所基于的需求量大，就会导致这段时间断货。除了需求波动的风险，还有供应的风险，比如补货指令下达之后，结果仓库没有这么多货，到货量比原计划数量少，或者运输时间比原来多了一天，这也会导致缺货的风险。需求预测，接着结合企业经营目标制订需求计划，然后结合供应能力制订S&OP，最后与原产地或者供应商签订中长期采购合同，甚至支付定金，锁定供应，从而提高供应的确定性。

实践中也有不少企业越来越多地涉足原料的供应，比如入股供应商或者成立农业公司。比如海底捞旗下就有种植公司，甚至连做自有食品品牌的超市华润万家也在供应源头进行了战略布局。

2.应对运营期间供需波动1）满足基本需求的产品在运营期间（冻结期），供应量比较难改变，这时需求随时会发生变化。以线下门店为例，如图9-8所示，库存水位降低到补货点时会触发补货，一旦补货计划下达给仓库，接下来即便门店的需求出现波动，已经下达的补货指令也很难再改变了，这段时间就成了风险周期。第一个风险在到货之前，如果需求量变多，库存支撑不了这几天的销售，就会导致断货；第二个风险在到货日到下次到货日这段时间，如果需求比当初计算补货量所基于的需求量大，就会导致这段时间断货。除了需求波动的风险，还有供应的风险，比如补货指令下达之后，结果仓库没有这么多货，到货量比原计划数量少，或者运输时间比原来多了一天，这也会导致缺货的风险。图9-8　由于不确定性导致的风险周期

为了应对这种风险，可以引入安全库存作为缓冲来应对需求和供应的不确定性，如图9-9所示，安全库存从概念上来说是指为了减少由于供应和需求的波动带来的缺货，应该持有的最小库存量。如果用居家过日子来比喻，就好比你口袋里至少要留点钱，不要把钱花光，以备不时之需。

图9-9　用安全库存来应对不确定性

对于安全库存的计算，实践中有三类方法。第一类是基本方法，图9-8　由于不确定性导致的风险周期

为了应对这种风险，可以引入安全库存作为缓冲来应对需求和供应的不确定性，如图9-9所示，安全库存从概念上来说是指为了减少由于供应和需求的波动带来的缺货，应该持有的最小库存量。如果用居家过日子来比喻，就好比你口袋里至少要留点钱，不要把钱花光，以备不时之需。

图9-9　用安全库存来应对不确定性

对于安全库存的计算，实践中有三类方法。第一类是基本方法，可以用需求占比的方式来确定安全库存，比如用需求的20%作为安全库存，假设这段时间预测需求量是100个，那安全库存就是20个；也可以用覆盖天数的方式来确定安全库存，比如安全库存要额外覆盖2天的需求，如果平均每天销售10个，那么安全库存就是20个。这两种方法在需求稳定的情况下使用较多，超市和便利店行业用得也比较多。

第二类是平均库存和最大库存法，计算公式为：最大销售量×最大提前期–平均销售量×平均提前期。比如过去一个月，一天的最大销售量为20个，平均销售量为15个，供应提前期最坏情况下是10天，平均提前期是8天，那安全库存就是20×15–10×8=220（个）。这个方法比较简单，但是很容易因为一次意外的大量销售或者延期交货，导致安全库存放大，它也没有考虑服务水平，因此适用于需求有起伏但不会很大，同时重要性不高的商品。

第三类是用统计学方法计算，在统计学看来，需求波动、供应波动、预测偏差无非都是概率事件，其数值符合一定的概率分布。安全库存最终的目的是防止缺货，因此需要从概率上来看设置多少的库存能够达到预期的服务水平。服务水平要求越高，所需要的库存就越大，举个极端的例子，假设服务水平是100%，就需要无限多的库存，这样无论需求如何波动，都能确保有货。

先来了解一下何为概率分布，最简单的例子就是扔硬币。我们拿一枚硬币来扔，把扔的次数和正面朝上的次数记下来，只要扔的次数足够多，正面朝上的次数肯定是扔的次数的一半，最终正、反面朝上的概率都是50%。一样的道理，如果把历史上一段时间内实际的需求可以用需求占比的方式来确定安全库存，比如用需求的20%作为安全库存，假设这段时间预测需求量是100个，那安全库存就是20个；也可以用覆盖天数的方式来确定安全库存，比如安全库存要额外覆盖2天的需求，如果平均每天销售10个，那么安全库存就是20个。这两种方法在需求稳定的情况下使用较多，超市和便利店行业用得也比较多。

第二类是平均库存和最大库存法，计算公式为：最大销售量×最大提前期–平均销售量×平均提前期。比如过去一个月，一天的最大销售量为20个，平均销售量为15个，供应提前期最坏情况下是10天，平均提前期是8天，那安全库存就是20×15–10×8=220（个）。这个方法比较简单，但是很容易因为一次意外的大量销售或者延期交货，导致安全库存放大，它也没有考虑服务水平，因此适用于需求有起伏但不会很大，同时重要性不高的商品。

第三类是用统计学方法计算，在统计学看来，需求波动、供应波动、预测偏差无非都是概率事件，其数值符合一定的概率分布。安全库存最终的目的是防止缺货，因此需要从概率上来看设置多少的库存能够达到预期的服务水平。服务水平要求越高，所需要的库存就越大，举个极端的例子，假设服务水平是100%，就需要无限多的库存，这样无论需求如何波动，都能确保有货。

先来了解一下何为概率分布，最简单的例子就是扔硬币。我们拿一枚硬币来扔，把扔的次数和正面朝上的次数记下来，只要扔的次数足够多，正面朝上的次数肯定是扔的次数的一半，最终正、反面朝上的概率都是50%。一样的道理，如果把历史上一段时间内实际的需求和需求发生的次数绘制成如图9-10所示的图形，横轴是需求的数量，纵轴是需求出现的次数，这样的曲线就能反映历史需求的概率分布。我们模拟三组数据，这三组数据的均值都是200（平均销售量），它代表了需求的平均数的大小，标准差（所有数据偏离均值的平方，再取平均）分别为80、50、20，很明显这三个正态分布的曲线的宽窄不同。标准差越小时，数据越集中，而标准差越大时，数据越分散。

图9-10　需求的概率分布

如果以历史需求的角度来看，均值线左侧表示历史上有一半的需求是小于200的，均值线右侧表示有一半的需求是大于200的。概率上来讲，为了达到50%的服务水平，你需要200个库存。那么为了达到99.9%的服务水平，需要多少个库存呢？我们知道正态分布曲线的面积大小代表了概率的大小，50%的概率正好在中间就是均值，但是99.9%这一刀切在哪里就看不出来了，它需要经过计算。如图9-11所示，在正态分布图中可以根据概率，找到曲线上对应的位置，请注意是位置并非数值，因为正态分布曲线的高低和宽窄是不一样的，它受到标准差和均值大小的影响。所以一般用相对位置来表示不同概率在和需求发生的次数绘制成如图9-10所示的图形，横轴是需求的数量，纵轴是需求出现的次数，这样的曲线就能反映历史需求的概率分布。我们模拟三组数据，这三组数据的均值都是200（平均销售量），它代表了需求的平均数的大小，标准差（所有数据偏离均值的平方，再取平均）分别为80、50、20，很明显这三个正态分布的曲线的宽窄不同。标准差越小时，数据越集中，而标准差越大时，数据越分散。

图9-10　需求的概率分布

如果以历史需求的角度来看，均值线左侧表示历史上有一半的需求是小于200的，均值线右侧表示有一半的需求是大于200的。概率上来讲，为了达到50%的服务水平，你需要200个库存。那么为了达到99.9%的服务水平，需要多少个库存呢？我们知道正态分布曲线的面积大小代表了概率的大小，50%的概率正好在中间就是均值，但是99.9%这一刀切在哪里就看不出来了，它需要经过计算。如图9-11所示，在正态分布图中可以根据概率，找到曲线上对应的位置，请注意是位置并非数值，因为正态分布曲线的高低和宽窄是不一样的，它受到标准差和均值大小的影响。所以一般用相对位置来表示不同概率在