汽车产业，尤其是传统的汽车产业，不能说全部都受到丰田管理模式的影响，但至少一部分都有其影子。丰田著名的一个例子就是追求准时制生产，从而减低库存，要求使用的库存能够恰到好处，同时也运用了看板模式，通过看板告知需求，从而拉动库存的补充。

虽然说丰田本身能够通过这个模式达到库存控制的效果，甚至根据看板等可视化信息，和旗下的一级或者甚至二级供应商进行必要的信息共享，提供它们备货的指导，而这些供应商大部分都围绕在丰田四周，因此它们的交货提前期相对很短。

这种模式中，存在一周所谓的汽车行业库存通则，究竟是否丰田本身设置还是怎么样的来源无能考究，但是很多相关的汽车供应商等都按照这个准则在使用中。这种方法就是，根据通则，库存系数在0.8~1.2之间，反映库存是处于合理范围，一旦该系数超过1.5，那么库存水平就要值得注意，假如超过2.5，那么库存就会过高，带来相关风险和经营压力。

这个库存系数，有叫Inventory Ratio，也有叫Stock Level , 通过期末的库存除以当期销售来得出，不管是使用金额还是数量，均可以。如本月底库存是7万台车，当月销售10万台，那么库存系数是7/10=0.7。这个方法除了车厂本身使用外，开始影响到供应商，甚至通过这个变化来进行采购预测。

表5-32 汽车产业的倍数订货法

如图5-42，就是通过控制这个库存系数来进行采购量的预测。

供应商通过上一级客户（比如一级供应商对应汽车车厂，二级供应商对应一级供应商），得到下个月（即二月）的销售量为7480，又给出三月的销售预测为9432，通过一月月底库存量的计算，加上二月预计采购量和已经得到的二月销售预测量就可以计算出库存销售。

二月库存系数= 二月库存/(一月库存 +二月进库 – 二月出库)

这个计算方式还添加上一定的客观因素，以主观系数的认识添加进计算公式中。

比如二月份是春节假期，按照正常来说，二月一日或者二月第一周就可以补货成功，不过春节海关放假，物流压力增大等各种因素，导致估计二月二十二日才可以补货，所以按照要求至少要在1以上的系数来确保库存充足和安全，不过春节因素和物料是进口因素，清关周期的不稳定和国家运输的波动性，从而把库存系数定在2.2这个基于主观判断的数值上，最后反推出要订货数量是14110，同理三月订货，因为只需要考虑进口清关因素，把库存系数设立为1.00这个主观认定上，计算出三月采购量是2890个单位。

这个方法具有一定的可行性。首先汽车车厂的需求预测相对可靠，汽车购买并不是现货，订购后多少日后交车的情况不少，车厂对于订单流带来的判断从而推动车辆的需求预测是比较可靠，反馈到下级供应商也是如此，同时汽车供应商供应和采购的物流周期更多在于国内的调达和制造周期的控制，提前期波动并不是很大。通过这个系数来控制采购和库存判断，有一定可靠性。

汽车产业的供应链图例：

图5-15

但是越到后端，受到的牛鞭效应也就越大，需求（预测）每到一个节点，比如一级供应商流到二级供应商，基于自身的各种考虑，避免对车厂的供应出现问题，往往都在实际需求上加以放大，一层接一层，从而导致后端得到的数据被添加了不同因素而放大了影响。

延伸下去，到达供应链运营底部，诸如原材料商等远离需求市场的情况，达到的信息都是加以扭曲的，那么就算得到上一级的销售预测量，这个预测量往往是经过放大的，从而计算而来的采购量是出现相当大的问题，同时涉及国际供应链的情况，这种情况又因为提前期的不稳定性，更容易导致带来采购不及时的库存问题，供应问题等。

尽管如此，这个方法往往受到认可，因为比较简单，易懂。它的适用在主要需要相应以下条件：

1.​ 提前期足够稳定；

2.​ 销售（预测数据或者订单流数据）数据可靠。

在此基础上，一些具备一定的经验的人员能够比较良好地主观把握库存系数，比如根据他们累积的操作经验，直觉等设立库存系数在1.2，而不是1.3或者1.4，这些要说非要具体数据支撑，却是无法做到，但也能取得不错的管理效果。

同时，对于不是非常理解供应链的相关数据，这个系数的管理就相对容易，也方便KPI之类。

不过脱离了这些，即使同在汽车产业，一旦位于供应链末端的企业，对于极其失真的需求数据，更加复杂的供应体系，这种方法就带来的不足就显而易见了。

踌躇满志的大鹏终于经过层层选拔，加入了闻名的Y公司，并投身于汽车产业。Y公司处理的是面向汽车产业的原材料，Y公司作为全球知名的贸易商，为最终用户汽车制造厂商中的一级， 二级甚至三级的供应商提供原材料的综合服务，包括采购，风控，物流等。原材料的供应商一般都是按MTO（按订单生产）来处理。

整个流程就是车厂给下级供应商（也即是Y公司的客户）提供内示（即非正式的提示），然后下级供应商（也即是Y公司的客户）同样根据生产进度等自我计算后，提供内示给Y公司。Y公司根据内示，按照一定的安全库存基数计算出订货数量后，发送订单给原料供应商，原料供应商按照订单生产。

图5-16 汽车订单流程

入职不久后，对于供应链管理有着一定经验的大鹏，很快就碰上了不少麻烦。

在现行运作的订货情况下，他发现经常出现一些问题。有些型号的货物库存太高，周转不好，库存天数可以长达半年甚至一年以上，而更有部分库存由于某些车厂制造的车型不好卖，导致停车，从而有些原料无法消耗，导致变成死库存，只能当废品处理。他明白，汽车行业的原料都是专用为主，很难说这个车型不用的话，就用在第二种车型上。缺少通用性的。

不过又有些材料，突然库存不足，为了赶上交货期，只能空运对应，物流成本上扬非常厉害。Y公司的订货数量是基于一个库存系数而计算得出的。大鹏听说这个是行业的通用做法，并在Y公司实施相当长的一段时间了。

库存系数（stock level）是某些高层或者某个负责人，他们根据个人经验，感觉等，和客户（零部件供应商）商谈达成的默契，协议下，订立的一个系数。比如最低系数是2。不过要说得出一个客观的标准，大鹏问了不少同事，始终不得所以。

大鹏挑出其中一个出现不少问题的SKU的最新订货计算模板，开始进行研究。

2021年12月的库存系数是2.29。

这个系数是本月月底库存量17238个单位，除以下个月的预计出库数量7517个单位而得出的，其意思为备有2.29个月的库存量。 7517个预期出库数量是来源于零部件供应商K公司提供的内示数据，这个零部件供应商会提供未来的连续三个月的内示数据。

为了2022年1月的库存系数还是高于2的系数，进行这个SKU订货的同事，凭着经验和感觉判断，结合零部件供应商提供的内示数据，把1月到货的数字确认为5440个单位从而使2月的库存系统达到2.43，考虑到该SKU提前期是1个月，因此12月安排订货5440个单位。

2.29系数并非很高，翻看之前的历史记录，出现问题的几次，不少设立的系数值更高，不过还是出现问题。

大鹏通过结合不同的数据，流程，列出一些可能的原因。

1. 由于车厂的内示是根据市场销售状况等计算而出的预测数，同时经过一层或者多层零部件生产商的情况下，牛鞭效应之下，公司从上一层拿到的内示数据，需求变异遭到了放大。所以参考性相当不足，最终实际出货的数据和内示数据往往存在相当大的偏差性。

2. 订货者都是根据经验，感觉判断库存系数。然后高层提出修正，再判断的机制。由于内示数据的偏差，为了安全期间，订货者一般都安排备有2个月以上的库存数据，实际上用量和内示偏差的较大，容易变成库存不足或者库存过剩

3. 部分订货同事没有理解清楚提前期和核查提前期的准确性。比如原料供应商提出提前期是40天，虽然订立的条款是CIF，却把握不清楚这40天是意味生产的提前期，还是加上物流提前期交货到指定港口的时间？由于运输时间，往往也因为提前期长短导致库存用量的把握不清楚。再加上一些进口的SKU，涉及清关因素，货物质量因素，破损保险因素等等，叠加之下，使得库存无法应付需求或者库存过多的现象总是出现。

鉴于此，大鹏非常肯定，由于公司处于供应链前端，末端市场数据层层传递，导致前端得出的内示牛鞭效用叠加，失真非常厉害。这样的内示信息视为订货的重要依赖点，那导订货库存策略非常不恰当，最终要不库存不足，要不库存过剩。

恰逢同事小云正在准备安排SKU GAF-063的订货。从客户中刚刚收到了未来三个月的内示数据，大鹏因此以此SKU作为切入点。

这个SKU过去六个月的历史数据显示它从7月到12月的出货数据，处于一个稳定的状态，按照变异系数计算其波动性，在XYZ分类中，它可以被归入为X类，因为其变异系数只有0.29。

表5-33 GAF-063的历史数据

同时又得到客户的1月到3月的内示数据。大鹏因此思考：

1. 过去六个月平均用量在2400左右，其中10月上涨到3000多，11月则回落到1200多，那么当中原因是什么？是否10月赶货期，从而把11月的量提前使用？

2. 除了异常的10月和11月波动幅度大外，普遍稳定在2300-2500之间，那么内示数据提供，从1月份的2000降到2月份的1650，是否外部市场销售状况不理想，从而减产？又或者年初节日关系，开工率有所减少从而产能降低，导致需求量减少？

考虑到订货是一个群体策略的问题。是必须结合所有信息综合考虑下作出的决策，为此大鹏特意翻查这个客户过去6个月提供的内示信息，核查和实际需求的一致性。

图5-17 内示和实际比较

大鹏通过相关数据和各种误差指标的比较，得出以下结论：

1.​ 对客户的内示数据可信性有保留。从过去六个月的出货实际数据和当时客户提供的内示信息进行比较，可以得出客户内示和实际并没有相当的吻合性，甚至在11月发生极大的差异，绝对误差达到87%以上。

2.​ 10月和11月数据的变动幅度大，那是为了圣诞新年促销。因此要赶货期，11月的生产相当部分提前到10月，那么实际上客户的使用量基本稳定在2300到2500之间。

3.​ 考虑到提前期，在12月的时候，就要准备3月的订货，而农历新年是在2月份，因此内示信息中，2月需求很少，3月突然增加，很有可能是节后追赶货期，客户的需求量突然上升。

大鹏制定的新订货策略是以过去历史数据为基础，当设立值为1的服务目标水平时，意味着他挑选出过去六个月的实际出货数据中最高数据那个，即10月的实际需求3600， 以此为基准乘以1，并希望3月份的库存量都能够达到这个基准线。

他深信过往历史业绩是是与用户密切结合的实实在在的存在，是对需求的一个客观性的反映，同时实绩也是一个对未来趋势的指标性反映数据，对于订货具有非常重要的参考意义。

因此，他以此为基础制定的订货公式为

建议订货量 = 标准库存量- 现存库存- 在途库存 + 追加订单

现存库存是指货物现存于各仓库并能够发送给客户的可用库存，不包含破损，不良等;在途库存是指上一期订单发送后未交付的库存，是用来针对本期到货而言的；追加订单则是应对紧急情况，由于估算本期交货不足而临时增加的补充订单

对于标准库存量，他又作了新的拆分：

标准库存量 = 月均需求 X （订单周期 + 到货周期 + 安全库存周期）

大鹏把订单周期和到货周期合并 并统一称为LEAD TIME(提前期)，意指当订单释放出供应商，到货物收到，并能够自主支配发送给客户的周期时间。其中订单周期可以理解为准备，制作，发送订单给供应商，供应商处理订单并完成生产准备安排物流发货的周期，而到货周期就是供应商处发出，到达本公司指定位置（仓库）的周期。安全库存周期就是可能发生意外导致供货不足的一个周期时间。

大鹏的脑海里已经习惯性地形成了相关的图示画面，他的订货策略就是设立一个标准库存量（SSQ），能覆盖两个不同周期内的需求的同时，也能覆盖一部分可能发生的意外时的需求量。

图5-18

同时，根据相关数据，大鹏脑海里又浮现对应的图示：

图5-19

尽管如此，大鹏依然有一定的顾虑，他面临着三个变量的问题：

1.​ 就是预测的不准确性。尽管客户给了未来的3个月（1-3）的预测数据，分别是2000，1650和2700，但是根据历史实际需求和对应内示数据的分析，存在相当程度的误差性。

2.​ 就是提前期的波动性。由于是进口材料，在船期和清关因素下，提前期都有一定大的波动性，根据统计过去6个月，从下订单直到收货的提前期分别是2个月，2.1个月，1.95个月，2.4个月，2.31个月和2.02个月，而这个过去6个月的平均提前期是2.13个月。

3.​ 虽然相关的同事都能每个月下达新的订单给供应商，保证订单的连续性，而下达的订单数量是为了能够满足客户一个月的需求量，不过下订单的日子并非固定，有些时候是每月的第一周，而有些时候又因为别的事情导致下单日期推迟到第二周，这样造成一定程度的时间差异问题。

对于这些问题，大鹏制定了不同的解决策略。

首先为了弥补提前期的风险，也如同出货的目标服务水平一样，在过去6个月的提前期数据中取最高值，设立为1这个基准，然后以此基准的百分比来计算下一期提前期的预计，由于考虑到下一期的订单过程中涉及法定公众假期，并根据假期占用了多少工作日的关系，把百分比提升了5%，以此计算一个提前期的安全系数期。

提前期的安全系数期 = 过去6个月提前期最高值 * 提前期目标水平

= 2.4 * 1.05

= 2.52 (个月)

其次为了弥补预测不准确而带来的风险，因此把服务目标水平定义在1（即100%），对此目标的覆盖量就是3600，也就是意味着按照过去6个月的最高的发货数值的100%来取值。同时，过去6个月的平均值为2412，这意味着这个最高值比平均值高出约50%的水平。但是提前期并不是1个月，并且考虑到覆盖风险，已经确立了提前期的安全系数期为2.52个月，因此在2.52个月提前期内，要想达到3600的目标出货水平，需要在平均出货2412的基础上提高1.24（124%）的水平。

需求的安全系数=（目标覆盖-月平均出货）/ 月平均出货* 提前期的安全系数

= (3600- 2412）/2412 * 2.52

= 1.24

最后就是要考虑由于公司的订单作业有一个延迟性的问题，比如1月是订3月的货物，但是并非在1月1日来下达订单，有可能是1月10日，也有可能是1月22日来安排这个订单操作。大鹏此基础上引入了一个提前期推移的参数。比如本月总共有31日，而下订单的日子是1月19日，距离月底还有12日。这个参数就是12日/31日=0.38了。因此大鹏利用过往6个月的平均出货数据作为计算基准进行推移，剩下的0.38个月推测出货为2412* 0.38 = 916了。

于是，最终的标准库存量公式则为

月平均出货 X（提前期的安全系数期 + 需求的安全系数 + 提前期推移 ）

因此，标准库存量就是：

这个9988的标准库存量， 减去在途在库和现有库存等，得出的建议订货量是571个单位，但是SKU的标准是25个单位，不能因此拆分只订3个单位或者24个单位，所以最终的建议订货量则为575个单位。

大鹏很为此制作相应的表格，方便计算和数据记录。

表5-34 订货表格

虽然根据表格得出的实际建议订货量是575个单位，不过大鹏依然会结合客户提供的内示信息，并就此和相关同事探讨分析，最终确立彼此认同的一个订货数量。

根据历史数据，以及下订单时间，为覆盖风险而相对主观的安全线设置，再根据SKU的包装限制，大鹏建立的这套订货方法，有助于避免来自客户的内示数据不实而受到牛鞭效应的严重影响，把更多的可靠性放在已知且既成事实的历史数据上。

Y公司因此也很期待大鹏的这套方法能够得到更多的展开和应用，更好地帮助Y公司减少缺货或者库存过多的情况出现。