【读书笔记】安全库存的设置——《供应链的三道防线：需求预测、库存计划、供应链执行》

最近在找资料的时候发现刘宝红老师写的供应链管理的系列丛书，看了之后发现里面很多干货。好东西不敢独享，在征得作者同意后把我自己觉得好的内容转发过来和大家分享与探讨。也顺便做个记录，方便日后查阅。

另外，跟大家一起交流交流，大家现在是怎么计算和管理安全库存的？

预想读书笔记会按一个系列多搬运一些文章过来。为了方便查阅，新增的读书笔记系列会统一整理到一起：

【读书笔记】VMI的库存水位如何设置——《供应链的三道防线：需求预测、库存计划、供应链执行》

安全库存的设置：库存计划的看家本领

如果说计划是供应链领域专业度最高的职能的话，那么库存计划就是计划职能专业度最高的。而安全库存的设置呢，则是库存计划中技术含量最高的一块。那么，究竟怎么来设置安全库存呢？那就是量化需求的不确定性、量化供应的不确定性和量化服务水平，“从数据开始，由判断结束”，在数据分析的基础上适当调整，得到最后的安全库存水位。下面，让我们一步一步来说明。

第一步：量化需求的不确定性

前文说过，企业的需求有一定的可重复性。当需求相对稳定时，我们可以通过计算需求历史的不确定性，来估算未来需求的不确定性。需求的重复性是个重要的假设，也符合实践中的很多情况。比如对电商来说，我们常用过去13周的销量来预测未来13周的需求；对于工厂的MRO来说，设备运行稳定，未来的备件需求跟过去的需求一般会相当一致；对4S店来说，轮胎、机油、刹车片等的需求也一般符合这个规律。

在图2-2的例子中，我们用过去20周的需求历史数据，计算每周的平均需求，以及需求的标准差。为了便于操作，图中以Excel为工具，展示了相应的Excel计算公式。这里需求的标准差呢，代表的就是需求的变动性。它统计的是实际需求与预测值（在这里是平均需求）之间的差异。标准差越大，表明需求的变动性越大，反之亦然。

还有，这里假设需求符合正态分布。这在需求相对比较稳定、需求相对频繁的情况下一般会成立。在需求很不稳定，或者需求很低的情况下，正态分布往往不合适，我们得找更合适的分布来模拟，比如泊松分布[插图]，相应地找出类似于标准差的参数，来量化需求的变动性。在量化需求的不确定性时，要注意数据样本的大小：样本数太小，代表性就不好。这就如用一系列的点来模拟正态分布曲线——点数越多，画出的曲线就越准确。在计算安全库存时，我们一般会用13周的数据，即13个数据点。13周是3个月，一个季度，在管理上比较常用，沟通起来比较容易。如果少于13个点，特别是少于10个数据点的话，要模拟一个正态分布曲线就比较困难，准确度就可能打折。

那么有人会说，是不是数据点越多越好？其实也不一定。要获取更多数据点，一种做法是用更长的需求历史，比如选取52周的需求，我们的风险是失去了需求的代表性，特别是那些季节性明显的产品。另一种做法呢，就是把需求拆分得更细，比如把每周拆分成每天，我们的风险是需求可能不再符合正态分布，得用二项分布等来描述。

小贴士 当需求陡变时，如何量化需求的不确定性

对淡旺季明显的产品来说，每年大部分生意就集中在那么几个月。旺季一旦来临，需求增长就很快；过了旺季，需求就急速下降。这时候，我们在计算需求的变动性时，就不能简单地拿需求历史跟平均需求相比，而是要把需求历史与相应时段的预测值比较，计算实际需求与预测值之间的差值，围绕差值计算其标准差。这就是回到标准差计算的最基本面：标准差是量化实际值与预测值的差异。我们可以摘取去年同期的实际值，与当时做的预测对比，计算误差（实际值-预测值）的标准差，拿这个标准差代表需求的不确定性。这里的假定是，虽然今年的需求跟去年同期不一样，但需求的变动性差不多。所以说，这也是在用过去的需求变动性来代替未来的变动性。需求变动性的计算举例如表2-1所示。

对于很多企业来说，当需求陡升或者陡降时，需求的不确定性不容易计算，因为它们虽然有需求历史，但不一定有同期相应的需求预测数据。解决方案一，就是用现在的预测方法，比如季节性预测模型，套到去年同期数据上，“预测”去年相应时段的需求，然后按照上述方法来计算偏差。解决方案二，也是很多企业常用的，就是根据历史经验，按一定天数的平均需求来设定安全库存，在需求上升阶段，适当多放点；在需求下降阶段，适当少放点。这种方法比较粗放，不过简单易懂，也被广为采用。

第二步：量化供应的不确定性

供应的不确定性一般指供应周期的不确定性。在企业的ERP系统里，围绕订单会有多个时间点，包括订单发出的日期和收到货物的日期。这两个的差值就是供应周期，在这里也是交期。在下面的例子中，我们抽取10个历史订单，统计每个订单的交期，围绕交期统计标准差，来量化供应的不确定性。当然，这里的假设是交期服从正态分布，比如平均交期是3周，意味着大部分情况下，交期在3周左右，有时候会超过3周，有时候会短于3周，但总体来说，交期在3周左右的概率最高；越是向两端，出现的概率越小。具体如图2-3所示。

严格地说，供应商的交期或生产线的生产周期只是供应周期的一部分。实际上，供应周期是从需求产生到补货上架之间的整个周期，包括需求产生到补货订单产生、供应商/生产线的交期、验收入库等多个时段。在量化供应的不确定性时，应该用整个供应周期，不管是原材料，还是成品、半成品，方法论都一样。

小贴士 供应周期如何确定

让我们通过一个案例，来分析供应周期的构成，以便更好地控制供应周期。这是个工业品公司，其业务模式是从供应商处采购，卖给客户。整个供应周期包括以下几部分：①订单发送周期，即从需求产生，到采购订单发出给供应商所需要的时间；②供应商的交期，即下订单日期和收货日期之间的差值；③入库及验收，即供应商送货来了，登录到ERP里，验收好后，产品放到货架上所需要的时间。从表2-2不难看出，供应商的交期只是整个补货周期的一部分，在这个案例中占整个供应周期的三分之二不到。

其中，供应周期为订单发送周期+供应商交期+入库及验收+周末。订单发送周期：从需求产生到订单发送给供应商（工作日）。供应商交期：从订单发送给供应商到供应商交货到公司（日历日）。入库及验收：供应商的货到仓库+质检+手续等，直到产品在ERP中显示为可用（工作日）。周末：订单发送、入库及验收的总和为5个多工作日时，一定会遇到周末2天（日历日）。

就这个案例来说，订单发送周期为2.5个工作日。这两三天都在干什么？先是需求产生到需求被识别——早晨生产线上用掉一个零件，那一刻就是需求产生的时间；ERP里完成扣账，MRP运转，发现库存少了一个，这是需求被识别了。需求被识别后，系统就触动补货流程，提出补货要求，这时系统就产生一个请购单。采购人员看到了请购单，就转换成供应商的订单（或者由ERP系统自动转换）。根据采购金额和其他规定，不同的管理层需要审批。审批完成后，订单终于发送给供应商了，总算完成了订单发送周期。看得出，发送采购订单看上去是很简单的一件事，其实很复杂，要走好几步，需要很多时间。供应周期的其他环节也类似，如果不是更复杂的话。企业的信息化水平越低、管理能力越弱，供应周期就越长，不确定性也就越高。

就拿订单发送周期来说，在信息化程度高、执行效率高的企业，产线领料和ERP扣料同步进行（产品流和信息流同步），即使不同步，间隔延误也很短；在信息化程度低、执行效率低的企业，产品流和信息流不同步，比如每天交班前统一扣账，这意味着长达一个工作日的周期。[插图]有时候太忙，扣完账已经错过了当日的MRP运转，这意味着得再等半天（MRP每天运转2次）或1天（MRP每天运转1次），到下一次MRP运转，系统才能识别需求。需求识别了，补货申请提出了，有的企业让采购员手工转换成采购订单，这动辄又是一天半天的时间，因为采购员不是整天坐在那里下订单，他们可能在开会，打电话，或者出差。订单生成了，管理层审批的周期就更难掌控——领导们经常在开会、出差。好不容易审批了，有的企业是定期Email，或者通过电子商务发送订单，每天一次，稍微不慎，错过当天的发送时间，就给订单发送周期又增加了1天。

最难确定的是供应商的交付周期。有些企业在采购订单发送上缺乏规则，同一个料，多个订单一次性发送，后续要的时候交货；或者发送一个大订单，分次交货。这都导致难以判断真正的交期。那就以合同方式来约定交期吧。但在合同上，供应商又给一个很长的不合理交期，采购也是睁一只眼闭一只眼，因为供应商的绩效就是采购绩效，采购当然不想供应商承诺一个交期，到时候又没法兑现。有些企业为了应对这些，就强制供应商在一定的天数交货，但这又往往没有顾及供应商的能力，供应商不能稳定交付，增加了供应的不确定性，最后还是得增加安全库存来对付。

好不容易供应商送货到门了，验收入库的程序又开始了，在这个公司又是3个工作日左右的时间。订单发送周期加上验收入库周期，正常情况也是5个工作日，这就注定中间会跨周末，给整个补货周期又增加了2天时间。为什么要连篇累牍地谈这些细节呢？作为计划人员，我们得清楚地理解供应周期的各个环节，以及每个环节的不确定性，这样才有可能更好地降低不确定性，以降低安全库存；作为管理者，我们要认识到，供应周期的很多环节取决于我们的决策，是个管理问题。比如订单的审批、ERP系统里领料扣账的频率、MRP运转的次数和什么时候运转，都是管理层决定的。定期回顾这些决策，做出必要的调整，也会显著影响供应周期及其不确定性。

第三步：量化服务水平（有货率）

简单地说，服务水平（有货率）就是当需求产生时，比如客户下订单，多大概率下我们有现成的库存来满足订单。当然，服务水平也可定义为需求产生后，在某个特定的时段里，比如3天、5天或1周，我们能够履行订单的概率。出于简化阐述的目的，我们这里把服务水平（有货率）定义为需求产生时，我们立即有库存来满足的概率。当需求相对频繁时，企业一般会设预测，比如每周预测需求是80个，然后每周按照80个的平均需求来补货。当需求符合正态分布时，这意味着一半的情况下，每周的需求会高于80个；一半的情况下，每周的需求会低于80个。如果每周的供应是80个的话，这意味着50%的概率下，需求能够马上得到满足；50%的概率下，需求没法立即满足。也就是说，不放任何安全库存，我们的服务水平（有货率）是50%。而要达到更高的服务水平（有货率），我们就得设置安全库存。

当需求服从正态分布时，放1个标准差的安全库存，服务水平会提高34.1%，由50%提高到84.1%；再放1个标准差的安全库存（Z=2），服务水平再提高13.59%，达到97.7%；等放到第3个标准差的安全库存时（Z=3），服务水平会再提高2.28%，达到99.9%，也就是说，一旦需求来了，99.9%的情况下我们手头有库存来满足。如图2-4所示，在Excel中有个公式，能够把服务水平（有货率）转换成Z值。也就是说，如果要达到特定的有货率，需要放多少个标准差的安全库存。比如要达到95%的有货率，Z值就等于1.64，即放1.64个标准差的安全库存即可。看得出，服务水平（有货率）是个系数。服务水平越高，这个系数越大；反之亦然。

不难看出，安全库存的投资回报率递减。这就给我们100%满足客户需求提出了挑战：为了达到那最后的零点几个百分点的有货率，我们得建很多的库存，导致库存太高、库存周转率太低、资产回报率太低。那还要不要“100%满足客户需求”？答案是要，但不是立即满足需求，而是分不同的时段。比如有个企业是这样定义服务水平的：95%的情况下，客户的订单可以立即由库存满足；97%的情况下在2天内发货；100%的情况下在7天内发货。这种阶梯形的服务水平兼顾客服水平和库存投资，是精细化管理的一种体现。而服务水平的定义，需要达成跨职能的共识，是管理者必须正视的。

小贴士 你知道缺货的代价，但不缺货呢

销售对缺货很敏感，原因很简单，用一位销售总经理的原话，就是“缺了一箱货就永远也追不回来”。如果说这是缺货的代价，那不缺货的代价又是什么呢？要知道，天下没有免费的午餐。你得到的，总是有代价的，放在服务水平和库存水平上，尤其如此。我们知道基本的服务水平（有货率）与库存的关系，那就是库存越多交付越好。但是，两者的关系不是线性的。当达到一定交付水平时，有限的服务水平提升，伴随的是安全库存的几何数级增加，就如图2-5中的服务水平与安全库存关系所示。

图2-5中的横轴是服务水平（百分比），纵轴是安全库存（数量）。当服务水平从90%提升到95%时，安全库存水平增加了36%——每1个点的服务水平提升，以7个点的安全库存为代价。服务水平从95%上升到99%时，安全库存水平则增加了68%——每1个点的服务水平，以17个点的安全库存为代价。而当服务水平从99%提升到99.9%时，安全库存水平则上升了75%，也就是说，每1个点的服务水平提升，以83个点的安全库存为代价。显而易见，随着服务水平的提升，安全库存呈几何倍数上涨。尤其当服务水平达到一定高度后，要提升同样百分比的服务水平，需要付出十几倍、几十倍的安全库存代价。高昂的安全库存意味着高昂的库存成本，而高昂的库存成本则以吞噬利润为代价。

所以，服务水平不是越高越好，企业要在服务水平与库存成本之间取得平衡。缺货并不是洪水猛兽，合理的缺货率反而有助于维持整体利润率，防止供应链的能力冗余和低效。对此，有的公司甚至规定，服务水平达到既定标准后，禁止继续攀升，从而对成本进行控制，保护净利润。这在绩效考核上，就是同时考核服务水平和库存周转率。

小贴士 服务水平不能是一笔糊涂账

我们在很多企业培训、咨询，问他们对客户的服务水平标准是什么，从销售到供应链，大家经常是大张嘴，一笔糊涂账。首先，很多人对服务水平不理解。我们解释说，服务水平就相当于你去西贝莜面村，他们的小伙子、小姑娘下好订单，会把你桌上的沙漏倒过来，右手放在胸口，郑重地对你说：I Love莜，西贝向你郑重承诺，25分钟内上齐所有菜品，超时的话会送一个酸奶。看得出，有些销售已经在犯嘀咕，销售还得干这活儿？我们的任务不就是拿到订单吗？反正客户要求很苛刻，总是早晨下单，下午要货，没有哪个供应商能做得到。那他要什么我们就答应什么，先把订单拿到手再说。

对客户是这样，那内部职能之间呢，比如计划下达下去，生产多长时间交货，同样的服务水平概念，当然也是一笔糊涂账。生产经理会说，一般3天就可以生产出来。那“不一般”的时候呢？那估计要1周左右。究竟左多少，右多少？“一般”的情况有多少可能，“不一般”的又有多少可能？当然没有答案。

服务水平是职能与职能、公司与客户之间的横向指标。我们都在说客户导向，连服务水平都没有的话，客户导向其实是句空话——要知道，企业大了，没法统计的就没法管理。指标后面反映的是管理的精细度：管理能力越低下，管理指标越模糊。

服务指标是供应链上职能与职能、公司与公司之间的共同语言，也是弱势一方的保护措施——没有明确的服务指标，就没了客观标准，职能与职能、公司与公司之间就变成了弱肉强食的动物世界，客观上把弱势的供应链职能逼向100%的服务水平。因为内部客户、外部客户看到的都是做砸的那件事，而看不到做好的那些，最后以高昂的成本和库存为代价。

那怎么办？你得定义服务水平。这是管理层，特别是高层管理的一大任务。

从理论上讲，服务水平就是短缺成本等于过剩成本的那个点——缺货带来营收损失，以及对应的净利润损失；过剩意味着库存成本，比如资金积压，以及打折损失等。当两者相等时，理论上我们最大化了收益，那就是我们的服务水平。

对于特定的产品，我们可以做上面的分析；但产品一多，复杂度大增，这笔账就很难算清。所以，企业经常采取的办法呢，就是研究客户的期望，以及对标主要的竞争对手，来制定合适的服务水平。比如在半导体制造行业，一旦产线停机待料，客户的期望是95%的情况下，2～4个小时供应商就得送料过来。那作为供应商，这意味着你得在客户附近备足够的料，达到95%的有货率（服务水平），因为这么短的时间，你是没法从别的仓库调货的。

标杆竞争对手也是确定服务水平的常用方法。但挑战是，一方面竞争对手不让你标杆研究，比如不愿提供相关的数据，即使是第三方咨询公司标杆；另一方面，不同公司的统计口径不一样，导致没有可比性。比如对于一个产品，假定客户要100个，我们手头有90个，有的公司按行计算，那有货率为0；有的公司按量计算，有货率就是90%。在有些公司，供应链系统性地操纵指标统计，比如手头没货就不录入客户订单，“有货率”虽然好看了很多，但那不是真实表现。诸如此类，都让标杆研究大打折扣。

对我们来说，“从数据开始，由判断结束”或许是最佳的选择。“从数据开始”就是调查客户的期望，调查竞争对手的表现（尽管数字不一定可靠），标杆自己的表现（比如过去的交付表现）。“由判断结束”就是借助管理层的经验，决定企业要达到什么样的服务水平（有货率），再根据客户的重要度、产品的重要度、产品的生命周期等差异化服务水平目标。

比如有个公司对重点客户的紧急需求，有货率目标是98%，而一般客户是95%；对于重点产品，有货率是98%，而一般产品是95%；对于新产品是98%，对于老产品就低很多。这是整体目标，在落实到具体的产品时，由计划人员适当调整。比如产品越贵，有货率越低；产品越便宜，有货率越高等。

小贴士 承诺的是服务水平，还是库存水平

作为计划职能，承诺给内外客户的是服务水平，还是库存水平？服务水平就是有货率，即订单来了后，多少时间内发货满足订单，比如95%在24小时内发货，98%在72小时内发货，100%在1周内发货。库存水平就是承诺备一定的库存，至于能否满足客户的需求，那就不知道了。

能力低下的时候，承诺的更多是库存水平。外行的客户，比如有些不懂库存计划的采购人员，习惯性地采取强势做法，规定供应商一定要放多少多少库存，作为自己对内部客户的“功劳”：看，我让供应商投资了500万元的库存来支持我们。而外行的供应商呢，则是计划和执行都很烂，专业能力低下，没法确保服务水平，就由客户来做计划：你要我放的库存我都放了，出了问题可不要找我。

强势的内部客户也类似。销售来投诉，计划大多以花钱消灾结束：我花了多少多少钱，建了多少多少库存，专门来“改进”绩效。以后绩效有了问题，销售的常见问题就是，上次备的那些库存还在不在？一旦不在，就开始大做文章。所以，这样的库存放上去就很难拿下来，虽然时过境迁，不再需要那些库存。也就是说，库存被扣做人质。

作为一个计划人员，你当然不想承诺库存水平，让内部和外部客户束缚住自己的手脚。所以，你的目标是承诺服务水平。不过前提是提高组织、流程和系统的能力，增加供应链的可预见性，否则没法做出确切的承诺，承诺了也很难切实做到。

最后一步：综合需求的不确定性、供应的不确定性和服务水平，计算安全库存

到现在为止，我们量化了需求的不确定性、供应的不确定性和服务水平系数。最后一步呢，就是把这三者整合起来，计算安全库存。这里的关键，是把需求和供应的不确定性（标准差）整合成一个综合的标准差，乘以一个服务水平系数（Z值），就得到最终的安全库存。综合三个因素而成的安全库存公式如图2-6所示。

综合标准差的公式有点复杂，根号下的前半部分是需求的不确定性，后半部分是供应的不确定性。因为时间单位等不同，所以会有些换算，比如需求预测的时间单位是周（即按周预测），而平均补货周期的单位是天，那么两者得换算成统一的单位，比如都用天，这样就可以除得尽。举个例子。假定需求预测的时间单位是周，即每周的需求预测，那么σF就是按1周为单位，计算出的需求预测的标准差。再假定平均补货周期是3周。根号下的前半部分是把每周的需求标准差，转换成3周的补货周期内的标准差。对于根号下的后半部分，F是平均需求预测，我们用平均需求历史来代替，时间单位要跟σL一致，比如后者用的是天，那么前者也要转换成天，这样两者相乘，时间单位就可以消去。

在实际应用中，安全库存的计算公式往往会简化，比如假定供应周期恒定，因为有时候供应周期数据难以收集到：有的公司习惯于给供应商一个大订单，让供应商分次送货，信息系统能够统计供应商每次交货的日期，却没法统计供应商每次的开始日期。另外，如果实施VMI（供应商管理的库存），供应商根据需求预测和库存计划水平自动补货，采购方不再直接管理订单，也就没法统计供应商真实的供应周期。这时，安全库存的公式就简化为：

安全库存SS=Zσ

其中：

σF：需求历史的标准差。L：平均补货周期，换算成天。FP：需求预测的时间单位，换算成天。

读到这里，相信大家对安全库存的计算有了基本了解。我们不想探讨太多的计算细节，我们想强调的是，安全库存的设置是个“从数据开始，由判断结束”的过程：量化需求的不确定性、量化供应的不确定性、量化服务水平（有货率）的要求，计算出一个基准的安全库存，然后根据具体业务情况来调整。比如新产品要导入了，那么老产品的安全库存可适当调低；年头节下需求旺盛，安全库存可适当调高点等。再比如产品的成本高，就适当少放些安全库存；产品的成本低，就适当拔高安全库存，这样以较低的总体库存，实现较高的总体服务水平。

我们常犯的错误，就是“从判断开始，由判断结束”，凭经验、拍脑袋设置一定天数的用量作为安全库存。一刀切，结果就是安全库存高的高，低的低，短缺与过剩共存，整体库存高，整体齐套率低，我们在后面还会继续讨论。我们还想强调的是，上面的公式后面有相当多的假设，比如需求得有一定的连续性，需求和补货周期都服从正态分布。从数理统计的角度，我们可以验证数据是否符合正态分布。有些软件，比如EasyFit[插图]就可以帮助我们：把需求历史的数据系列输入软件，软件就能判断是否符合某种特定的概率分布。不过完美的数理统计模型不多，但尽管不完美，也从数理统计的角度帮助我们量化分析，提供一定的参考。

小贴士 适当拔高预测，不就替代安全库存了吗

安全库存是为了应对不确定性。有人说，那把预测适当拔高点，不也同样解决问题？其实不然。

首先，传递的需求信号不同。假定需求预测是每周100个，安全库存是130个。这传递给供应链的信号是，每周给我按照100个来准备产能；同时，我有个一次性的需求130个，这是安全库存，你帮我一次性备齐以防不测。这样，供应商会按照100个/周来备产能和原材料库存，对于那130个的安全库存，他们会以加班加点的方式一次性解决，影响的是供应链的短期运营成本。但如果适当“拔高”预测，比如把这130个的安全库存分摊到未来3个月（13周），每周分摊10个，那么需求预测就变成110个/周，供应商就得按照这个来准备产能，中长期产能就多备了10%，导致产能利用率低下，长期成本上升。

其次，在ERP软件里，对待安全库存和需求预测的方式不同：安全库存是“永久需求”，一直在那里，一旦库存低于安全库存水位，ERP就会产生“需求”，驱动供应链补货；预测则相对“虚”多了，根据用户的设置，过段时间没用的话就可以自动删除，驱动供应链来取消或延迟补货订单，并且把手头的多余库存用于别处。

对于不熟悉ERP的人来说，这比较难以理解。让我们继续上面的例子。假定你不设安全库存，而是把预测由100个/周调到110个/周，而真实需求是100个/周，这样每周就平均有10个是“多余”的，ERP的逻辑是先帮你留着，万一需求滞后呢。但也不会无限期留着啊，比如留了3周以后（用户可设置），发现需求仍然没来，ERP就认为，看来这个产品预测过高了，便把这“多余”的10个预测给自动取消了，同时传递信号给供应链，说我们预测虚高了，这里要取消10个的订单。得，供应商就给你少造10个。这也意味着实际的安全库存是30个，因为在这里，按照用户设置，ERP只保留3周的“多余”预测，即3乘以10等于30。等到不测发生时，你发现你手头该有的安全库存没有，因为你的实际安全库存远低于应该设置的值。

当然，在那些管理粗放，ERP没有这功能，或者有但纯粹不用的企业，这就不是问题。“傻人有傻福”，对吧？不要高兴得过早：该流的汗总是要流的，麻烦在那里，总是会造成问题。举个例子。有一次，我们帮助一个企业改进需求预测和库存计划，几位销售拉住我们不放手，纠缠来纠缠去，老半天才弄明白是两个问题：过剩预测的调整和安全库存不够“安全”，跟我们上面谈的两个问题都相关。

这个公司是典型的销售兼职计划，把安全库存分摊到需求预测中。需求预测虚高的话，成了过期需求，就得删掉一些，不然一直挂在那里，驱动供应。但究竟哪些该删（真正的过剩），删多少，哪些要保留（安全库存），保留多久，没用ERP的功能，全靠人工判断，一笔糊涂账，很难算清。这帮销售还弄不明白的是，明明设了“安全库存”，但总觉得不够“安全”——经常短缺，被客户投诉。他们的感觉没错：本来这130个安全库存，要求供应商马上就送过来；现在摊到未来13周送来，实际安全库存远比要求的要低，不短缺才怪。

解决方案就是需求预测和安全库存要“上帝的归上帝，凯撒的归凯撒”，不要混在一起，人为地增加不确定性。要知道，需求预测和安全库存相辅相成，前者对付的是平均需求，后者对付的是不确定性。这是两个不同的概念，应该分开处理。