在供应链库存管理领域，回答“什么时候补货”以及“补多少货”这样的问题，通常会用到一系列的预测方法。然而，多变的市场需求所带来的不确定性经常令各种各样的预测方法无法带来有效的结果，服装行业普遍面临的高库存、高缺货难题即为例证之一。服装产品的市场需求符合意大利经济学家帕累托提出的20-80法则(又称不平衡原则或帕累托法则)，因此会有明显的畅销品和滞销品之分。与此同时，门店对畅销品的缺货严重，无形中损失了巨大的潜在销售机会。图1展示了中国服装行业供应链运作的基本现况。

 

图1 中国服装行业供应链运作基本现况

运用以色列管理学家高德拉特博士所提出的约束理论(TOC)中的拉式补货及库存动态缓冲管理方法来作为上述问题的解决方案，成熟的商业智能与数据仓库技术为这一方法的实施提供了良好的技术平台。商业智能与数据仓库技术在企业运营中不仅可以应用到多种行业，而且可以应用至企业的多个职能领域，如何将先进的管理理念与商业智能与数据仓库技术进行综合集成，开发出与业务需求紧密结合的决策支持系统，是商业智能与数据仓库技术的发展趋势所在。

1 拉式补货及BM算法

1.1 传统的供应链库存管理方法

传统的供应链运作始于零售商发出的预测性订单，这样的操作模型被称为“推式补货法”。由于预测通常不准确，并存在诸如订货批量、成本波动以及过长的生产／补货时间等其他不确定因素，于是，越是接近供应链的终端，需求的变动就越显著，导致所谓的“牛鞭效应”的发生“牛鞭效应”也称需求偏差加速放大原理，是美国著名供应链管理专家Haul Lee教授对需求的信息扭曲在供应链中传递的一种形象描述，指供应链上每一级节点的企业只根据相邻节点企业的需求信息确定自己的采购计划和库存并进行生产，需求信息的偏差就会沿信息流方向逐级放大)。

多数传统的补货系统都是利用不断的补货行为来将库存水平维持在一个令客户满意的水平上。基本的操作都是系统在合适的时间进行补货，有早期的EOQ法，到后来的(s，Q)法、(s，S)法、(R S)法、(R，s，S)法等各种补货方法。参数的设定受到需求的影响，很多有关文献利用各种方法(数学方法、启发式算法或仿真等等)来探讨最优的参数设定。这些方法仅仅强调了“局部的”库存问题而没有将实时信息纳入考虑因素，且过程通常非常复杂。在动态的环境下运用这些模型来进行库存管理，效果并不显著。

供应商所采用的连续库存补货计划(continuous replenishment program，CRP)必须首先考虑零售商的订单，在综合考虑其他相关因素后，订单做适当调整，准备出货。在这种情况下，补货仪在零售商下达订单后才发生。另一方面，供应商管理库存(vendor management inventory，VMI)则足根据早先建立的信息来对零售商的需求做出判断，并依此对补货做出调整来改进库存管理的水平。CRP和VMl都必须建立在足够的信息量以及供应链节点成员互相信任的基础之E。然而，系统的维护要比这复杂得多。虽然运用现代信息技术将会加快信息传递和转换的速度，并为供应链的整合带来便利，供应链中存在的问题却依然无法得到有效的解决。

1.2 供应链拉式补货及BM库存管理方法

大多数供应链从业者相信，供应链中存在的问题主要来源于以下3个因素：预测的不确定性、供应商的不可靠性以及过长的补货时间。虽然从传统的视角来看，克服这些难题显得异常困难，然而当从另一个全新的视角来看待之时，它们却会变得简单很多。从统计学的角度上来说，个体的统计波动总是要比总体的统计波动大得多，因此，预测的步骤越是接近需求聚集的环节，其准确度就越会显著地高于那些来自终端零售点的数据。以色列物理学家、管理学家高德拉特博士认为，库存的大部分应当被放置在预测最为准确的地点，即会聚的源头所在。他同时也相信供应链的运作模式应当由传统的推式转变为拉式——将顾客的需求放在首要的位置之上。供应链的下游所消耗掉的数量由上游来进行补充，而库存则由靠近消费者的节点转移到源头上来。将终端零售店的上一级仓库称为中央仓库，终端零售店所产生的销售的总和，即为中央仓库的出货需求。由于中央仓库的出货需求已经由于多个门店的销售波动性的相互抵消而变得相对稳定，因此中央仓库的设立对于满足下游需求，减少缺货现象出现的频率具有显著的作用。同时，由于库存的后退以及在后方放置了合适的库存来满足前端需求，所带来的结果就是运输时间成为了供应链下唯一的时间成本，从而显著地降低了补货时间，并提高了补货的可靠性。

由于供应链的终端需求具有客观的波动性，为了确保这种波动性不会影响到终端客户的需求，必须在供应链的各个节点上放置一定的库存作为缓冲。同时，由于终端需求波动的范围和幅度会随着时间或其他条件的变化而变化，因此，需要对缓冲库存的大小进行动态的调整。通过引进库存动态缓冲管理(BM)，可以实现以上目标。

图2展示了一个服装企业供应链的缓冲模型，其中，红黄绿三色柱子所在地代表需要放置缓冲库存的节点。

 

 

图3 通用的数据仓库体系结构

从图中可以看到，商业智能的基本过程即为从不同的数据源(交易系统或其他内容储存系统)收集的数据中提取有用的数据，对数据进行清理以保证数据的质量，将数据经转换、重构后存入数据仓库或数据集市(这时数据变为信息)，然后寻找合适的查询、报告和分析工具和数据挖掘工具对信息进行处理(这时信息变为辅助决策的知识)，最后将知识呈现于用户面前，辅助用户决策。商业智能领域比较青代表性的产品是IBM公司的全面的商业智能解决方案。应用IBM Cogaos 8商业智能系统和IBM Datastage教据抽取、转换和加载工具为平台，来进行供应链拉式补货及库存动态缓冲管理决策支持系统的开发。系统运行一段时间后对比前后库存，缺货数据，以验证所泉用的方法及系统的有效性。

2.2 BI系统设计概述

根据拉式补货原理，供应链上的物流应由终端门店的销售来驱动，具体地，以“平均口销售量”；来作为补货的依据。平均日锖售量的计算公式为：过去一周内销售量的日平均值。

接下来要对供应链上各个节点设立期初目标库存。以门店为例，期初目标库存的公式为：

期初目标库存＝(门店下单周期＋门店补货时间×门店补货时间波动系数)×平均日销售量×销售波动系数其中，门店下单周期指的是门店多长时间向上一级仓库下一次单：门店补货时间指的是在门店下单后，经过多长时问，货品将会到达门店。“门店补货时间波动系数”和“销售波动系数”是分别为了应对补货时问和锖售数量的波动而设立的缓冲，一般为1到15之间的数值。而供应链下其他节点：省级仓库、工厂中央仓库、面料仓库的期初目标库存公式与门店的期初目标库存公式一样，只需将“门店”改成相应的节点名称即可。进入拉式补货以后，供应链上各个节点将会严格遵照事先设定的“下单周期”定期进行补货，补货数量的计算公式为补货数量＝目标库存－在于库存数量－在途库存数量根据库存动态缓冲管理(BM)的思想，目标库存的值将会根据实际情况进行动卷调整。对于目标库存，我们将之划分为3段：(0，1/3)为红区，(1/3，2/3)为黄区，(2/3，1)为绿区，并且在每个补货的节点，实时地监控(在手库存数量＋在选库存数量)处于目标席存的哪一个区间范围内。如果在连续的几个补货点，(在手库存数量＋在途库存数量)都进入了红区，则将目标库存1/3：反之，如果在连续的几个补货点，(在手库存数量＋在选库存数量)都进入了绿区。则将日标库存下调1/3：当(在于库存数量＋在途库存数量)连续地停留在黄区的时候，说明目标库存数量合适，无需进行端整。

3 数据抽取、清洗、转换、加载(ETL)

3.1 源系统分析

经过对现有业务信息系统的分析，BI系统的数据源系统来自于如表1所示的两个数据库。

表1 BI系统的数据源系统分析

 

3.2 ETL过程

系统开发的基本过程为：从企业已有的数据库系统中抽取相应的基础数据，这一步骤通过运用ETL工具来进行。利用IBM Datastage采对数据库进行操作，对源数据进行抽取、清洗、转换、装载；同时，拉式补货的算法以源数据的定期更新也通过在ETL工具中编写代码和进行相应设置来实现。

IBMDATASTAGE 7.0的ETL，过程的基本执行单元是JOB，以其中的JOB维度商品和JOB_事实POS零售为例说明ETL的过程。

JOB维度商品：从分销业务系统的源数据库CLF22_1中提取维度商品的信息。

源表：源数据库CLF22_1：1_STYLE，J_CLOTHING,J_COLO如J_SIZE；目的表DW数据库：DIM_SHANGP；执行频率：每日执行一次。

JOB_维度商品在DATASTAGE中的执行与查看界面如图4所示。

 

图4 JOB维度商品在DATASTAGE中的执行与查看界面

JOB事实POS零售：从分销业务系统的源数据库CLF22_1中提取销售单据的基本信息。

源表：源数据库CLF22_1：D_RETAIL，D_RETAILSUB，J_SIZE；目的表：DW数据库：FACT_POSLSH；执行频率：每日执行一次。

4 应用实例

以该决策支持系统中的分仓补货建议表、总仓补货建议表(生产通知建议表)、面料需求表为例，简述拉式补货流程。

图6展现的是系统中，分仓补货建议表的界面。从这里察看某地区、某SKU的订单数量、已经发货的数量、日平均销售数量、在手库存数量、在手库存可供应天数(在手库存数量／日平均销售数量)在途库存数盘、在造库存可供应天数(在途库存数量／日平均销售数量)等信息。这张表要输出的重要结果为“建议补货数量”，建议补货数量＝目标库存数量－在手库存数量－在途库存数量，使用该系统的业务人员根据系统所出示的建议补货数量定期向地区的仓库进行补货。同时，对“在手库存可供应无数”和“在手＋在选库存可供应无数”实施三色管理，以指导定期对目标库存数量进行调整。另外，在功能上，这张表可以实现按照地区、季节、款色号的查询。

 

图6 分仓朴货建议表界自展示

图7展现了总仓补货建议表(生产通知建议表)的界面。从这里察看公司总仓中，对于某SKU的日平均销售数量(全国范围内)、地区在手库存数最、地区在途库存数量、总仓在手库存数量、在制品数量、剩余可销售无数等信息。这张表要输出的重要结果为“建议生产下单量”，使用该系统的业务人员根据系统所出示的建议生产下单量定期向工厂进行下单。建议生产下单量的算法如下：

case when

[目标库存天数]－[剩余可销售无数]＞0

then

[剩余可销售天数]*[日平均销售数量]([地区在手]＋[地区在途]＋[总仓在手]＋[在制品数量])

[目标库存天数]－[剩余可销售天数]＜＝0

then

[目标库存天数]*[平均销售数量]－([地区在手]＋[地区在选]十[总仓在手]＋[在制品数量])

End

 

图7 总仓补货建议表(生产通知建议表)界面展示

在对工厂下单时，充分考虑了服装产品在市场上的销售生命周期，并结合工厂下游的供应链上全部的库存水平，根据目标库存与实际库存水平的比较做出下单决策。另外，在功能上，这张表可以实现按照款色号的模糊查询。图8展示的是面料需求表面的界面。从这里察看面料仓库中，某款面料所应对的所有款色的日平均销售数量、剩余可销售天数、单间用料（标准单耗）、地区在手库存数量、地区在途库存数量、总库存在手库存数量、在制品数量、面料在手库存数量、面料在途库存数量等信息。这张表要输出的重要结果为“建议面料采购量”，使用该系统的业务人员根据系统所出示的建议面料采购定量向面料供应商下达采购单。

 

图8 面料需求表面的界面展示

在功能上，运张表可以实现按照款色号查询该款色所对应的全部面料，同时可以按照面料号查询该面料所对应的全部款色。

建议面料采购量的算法如下：

某款面料对应SKU[1]、SKU[2]...SKU[N]，对其中某SKU：

case when

[目标库存天数]－[剩余可销售天数]＞0

then

[剩余可销售无数]*[平均销售数量]－([地区在手]＋[地区在选]＋[总仓在手]＋[在制品数量]＋[面料在手]＋[面料在途]_

when[目标库存天数]－[剩余可锖售无数]＜0

then

[标库存天数]*[日平均销售数量]－([地区在手]＋[地区在途]＋[总仓在手]＋[在制品数量]＋[面料在手]＋[面料在途])

End

而对这款面料总的建议面料采购量=建议面料采购量[1]＋建议面料采购量[2]＋...＋建议面料采购量[N]。系统上线运行一段时间后的相关数据显示，门店销售平均提升10至20个百分点，同时．供应链年库存周转率从系统上线之前的2(供应链库存可供应天教为ISO无左右)提升到了4(供应链库存可供应天数为90天左右)，改善效果明显，验证了所采用的方法的有效性，也验证了该信息系统的有效性。

5 结束语

本文讨论了运用商业智能与数据仓库技术来开发构建于服装企业已有的信息系统之上的决策支持系统，用来为供应链实现拉式补货与库存动态缓冲管理提供数据支持和决策支持，从而将服装企业传统的推式运营模式改变为拉式运营模式，从根本上解收服装企业所普遍面临的高库存、高缺货的难题。依照上述理念，实现了这样一个系统的上线运行。实践表明，这种先进的管理理念与成熟的信息技术的结合，的确为企业带来了巨大的商业价值，是一条值得继续探索并做成功推广的道路。