步骤三：检验负面图

从最起始状况，一个一个情况项目（有直角的方块）做检验，检查因果逻辑和没有箭头进入的项目之正确性。找出并标示出，由中性或正面情况转变成「负面情况」的项目。

步骤四：修剪树枝、化解负面分歧(提出解决方案)

找出由中性或正面情况转变成「负面情况」的项目，并针对导致「负面情况」项目的现况或原因做探讨，寻找截断因果箭头的解决方案。当截断负面效应之处越底层越能接近事件产生的核心，但是并非在现实情形发生时，总是能够从最底层解决问题。需要依据事情发生时的不同情况，和能力范围而定之。就是，可以从树的上端开始解决，逐步下推，追求的是「持续的改善」。

除了上述教师应用负面图引导学生省思负面效应、找出解决方案之案例外，以下提供学童应用负面图-面对错误之案例。在学童的个人行为应用部分，行动研究小组成员目前仅止于引导学童了解其行为所产生之负面效应，负面图在行为改善上无法立竿见影，但是负面图之应用却能突破既往由师长单向制止负面行为之规劝、或处罚方式，改由学生自行提出负面行为所导致之负面效应，进而减少负面行为之发生。

根据TOC原理，管理配销　

Amir Schragenheim版权所有
本文经作者授权翻译与刊登（本文将分次刊出）
译自『Managing Distribution According to TOC Principles』

　
　
管理供应链之实践
The current practice of managing supply chains

这是个周三的下午，我走进一家杂货店，想要买些青辣椒，架上却空空，也找不到任何看来不错的蕃茄。接着去一家办公用品店，听过微软(Microsoft)的报导，有一款相当不错的新鼠标，我想要买一支，总之，看到空荡荡的架子上，写着『缺货(out of stock)』。

有多少次，到鞋店去找一双你想要的好看鞋子，却发现没有你的尺寸呢？为什么商店不维持正确的库存，以能满足需求呢？为什么他们不能做出正确的事呢？

供应链应用于现代营运上似乎有其道理。制造商拥有自动机械，以能自动化作业；时下许多制造商已装置先进的ERP系统，以协助管理生产现场。配销商与制造商拥有非常尖端的预测软件系统，以预知每个产品或SKU(Stock Keeping Unit)正好会卖出多少个，因而，他们该知道在何时，将多少数量送往销售地点（零售店）。

为何公司还有经历管理供应链的问题呢？是否使用之科技系统不足呢？

推式行为的自然倾向（The natural tendency for push behavior）

当决定每个地点持有多少库存时，什么是制造商/配销商的观点呢？他脑中有两个主要的问题：

　　■　供应链上游要保持多少库存呢？
　　■　供应链下游要保持多少库存呢？

自然的倾向是将库存尽可能保持在接近消费者之处 – 假如产品不在消费地点，那么会卖出的机会（更加）较小。只有少数消费者会让他们的卖者在几日内送到，而不立即拿货 – 即刻消费就是操作的重点。因此，唯一合理的是制造商/配销商应该将大多数库存尽可能放在接近消费者的地点 – 能管理的最下游之处 – 通常在零售层面。这是典型的推式行为（push behavior）：为了增加消费，将产品推至下游。然而，推式行为需要一套优良的预测模型，为了预知何处及何时于库存所在会需要某些产品。

为何很难找到一套优良的预测模型？(Why is it impossible to find a good forecasting model?)

当今既有的尖端预测模块（forecasting modules）试图塑造需求，及制造一套回答可得性（availability）问题的优质答案：持有什么产品，于何处及何时？然而，无论预测机制有多好，无法真正地预知什么会是需求。从事十分精准的市场调查可能提供些答案，但是终究得考虑某些统计上的事实。

第一个事实是，聚集（the aggregation）越狭窄，答案越糟 – 指的是『就产品整体而言，在这个特定地点，将售出多少？』的问题。这个现象起源于一项事实，即是聚集情况下的浮动均分（fluctuations average out）的效果（假设它们是独立事件），如果我们预知一百个不同的销售点，我们可能得到一个答案是，销售在一般的地点一天是从10到25个产品。如果我们问相同的问题，就我们需要制造的整体数量来看，我们会得到一个更加精确的答案 – 可能像是从1650到1850个。如果我们只拿个个消费点的高低数字，然后加起来，那我们会有更糟的答案 – 从1000到2500。

第二个现象是数据的错误诠释 – 人们使用统计（statistics）必须对聚集机制(aggregation mechanism)有良好的理解。每天全球的业界都在操作某些严重的错误，因为缺乏对统计数字的理解。例如，一位聪明人但在统计上没经验，可能从上述的例子推论出，所有的消费点的消费量介于1650到1859之间，其中每个地点的消费是16.5到18.5之间 – 每个地点保持18个，结果相当多的地点缺货，而其它地点却持有很多卖不出的库存。事实上，我们有的是一个总计数字，不表示能适用于实际情况。

另一个人可能建议每个地点存放15个以保护可得性 – 投资大大地增加，及一些已有过剩存货的消费点的库存大增 – 动用到不必要的空间与投资。为了正确地使用该演算方法，越是精密的演算方法，越是需要精通的使用者。

另一个问题是，没有预测模型能考虑到突然变化的消费走向。一个例子像是报纸上一篇十分热门的文章，突然地改变了整个地区的消费走向。在当今动态市场情境下，如此事件发生地相当频繁。

TOC方式 – 拉式配销（The TOC way – pull distribution）

限制理论（Theory of Constraints，TOC）[或称制约理论，约束理论] 对于供应链之库存管理，分析供应与需求的作用，强化供应面机制。假如可能响应一个立即需求，就一点也不需依赖预测了！这样的情形当然几乎所有营业环境都做不到的，然而该考虑朝此方向迈进的步伐。在供应链上保持正确库存量的情形，目标是在所有消费点能有很好的可得性。这个目标受到现金与空间（cash and space）的限制，表示不可能在所有地点，所有商品都保持高库存，即使是过期品不是问题的情形。不仅如此，本文后续会说明，而且低需求之SKU持续高库存，会降低整体销售。

TOC解决方案基于持续更新消耗的库存，由几个步骤组成：

　　■　尽可能聚集在供应源头 – 工厂或中央仓库。
　　■　于此设定一个高库存水位（称为库存缓冲大小（stock buffer size））。
　　■　决定所有库存地点的库存目标（库存缓冲大小）。
　　■　促使来自所有库存地点的实际消耗数据之传送。
　　■　尽可能缩短补货时间。
　　■　尽可能经常补货，从主要（工厂或中央）仓库到消费点 – 只为补满目标水位而运送实际消耗量（或得调整缓冲
　　　　大小）。
　　■　监控缓冲大小，根据消耗情形，且据此调整大小。

聚集：建造一处工厂/中央仓库（Aggregation: Building a Plant/Central Warehouse）

为管理供应链，所提模式的重点在于将库存保持在分支点（divergent point）-- 在该处，库存能被用于服务很多不同目的地，及于目的地使用拉式机制来补货。这个方法保证我们保持可能的最低库存，以支撑不同消费点的需求。

为了在不同地点拥有产品的可得性 – 建议在源头聚集库存，及建造工厂或中央仓库（PWH/CWH，plant/central warehouse）。如果组织是一家制造商，就称为工厂仓库（PWH），就是工厂的成品仓库。如果组织是一家配销商，就称为中央仓库（CWH）。在这个仓库中，我们保持大多数的库存。根据统计的原理，这样的聚集保证比库存放在不同消费点更加稳定。在消费点的库存量很有限。一旦某个消费点卖出一件商品 – 卖出品会从PWH/CWH送来，尽快补齐。

补货前置时间及怎么管理 （The Replenishment Lead Time and how it can be managed）

在不同地点，所需之库存大小根据两个完全不同的因素：

　　■　需求 – 这个因素影响库存于不同消费点消耗的速率。
　　■　供应 – 这个因素影响多快消耗之数量能被补足。

足以令人惊讶，供应因素通常在做战术与战略的决策时被忽略。大多数的改善工作被导向需求面 – 特别在试图弄出更加精准的预测演算方法。补货前置时间（replenishment lead time，RLT）定义为：在供应链上，用于从卖出一件商品直到从前面供应环节补足的时间。RLT包含三个不同部分：

　　●　订购前置时间（Order Lead Time）-- 这是用在从卖出一件商品直到一张补货订购单被发出的时间。
　　　　换句话说，这是订购相同SKU的频率。
　　●　生产前置时间（Production Lead Time）-- 这是用于制造商/供货商从决定发出工单直到完成生产的时间。
　　●　运送前置时间（Transportation Lead Time）-- 这是用于从供应点实际上运送成品到订购库存地的时间。

为了将补货前置时间降到最低，TOC建议去挑战这三个元素。藉由降低RLT，减少供应面的主宰因素，能达下列目的：

　　●　在消费点（及仓库），所需库存水位较低 – 因为需要涵盖较少的需求日数。
　　●　当供应时间缩短，供应时间的浮动情形变少。
　　●　新产品销售之需求预测更加精确 – 由于预测错误变得更大，则我们对未来需要预测更多（轨线图形（trajectory）
　　　　变的更宽）。
　　●　显然响应实际需求的能力更加快速。

TOC原理指引我们找出方法去缩减RLT的元素。这些是一般的指导方针。

当应用TOC方案在供应链上管理配销，在考虑运送频率应该多频繁，有些相关的元素。管理供应链，目前的作法是大量运送。主要的理由是：

关于经常运送可能投入的额外费用，及持有较低可得性的销售流失之间的取舍 – 藉由较高之运送频率，会有更好的可得性，然而运送费用增加。要有较低的运送频率，不是需付出比能售出量更低可得性的损失，就是在消费点持有高库存量。在大多数情况，额外费用会涵盖在额外产生的收入。                       

在配销环境，什么是缓冲及缓冲渗透 （What are buffers and buffer penetration in a distribution environment）

TOC逻辑定义一个安全(safety)库存，并持续监控该安全库存如何使用。这个安全库存称为一个缓冲（buffer）。一个配销环境中，在库存地点（包含PWH与RWH）我们想要保持的数量，定义为缓冲大小（buffer size），而这是一种存货型态的缓冲（stock type buffer）。于配销环境中，缓冲大小（库存式生产的缓冲大小，Make to stock buffer size）是整个供应链上，在某个库存地点，一个想要保持的某个SKU产品的数量。例如，如果库存大小是100个产品，目前在该库存地点，我们有40个，我们期待有60个是在订购中，或在来自补货点及此地的途中（对PWH而言补货点是工厂）。假如这60个不在途中，则一张60 个的补货订单应该立即发出。注：对一个相同SKU而言，不同的库存点会有不同缓冲，因为两者间之供应与/或需求情境可能不同。

缓冲渗透（Buffer penetration）定义为缓冲中缺少的数量，除以缓冲大小。以上述的例子来看，在该处之库存缓冲渗透是60%（(100 – 40) / 100）。缓冲大小被分成三等分，并对不同区块设定不同缓冲渗透的颜色：

　　●　少于33% 的缓冲渗透：绿色。
　　●　于33% 及 67% 间的缓冲渗透：黄色。
　　●　于67% 及 100% 间的缓冲渗透：红色。
　　●　100% 的缓冲渗透：黑色。

缓冲渗透的颜色给予一个信号，在于某库存补货的紧急程度：

　　●　绿色 – 在某消费点，库存量是高的 – 就当下而言，有充足的保护。
　　●　黄色 -- 在某消费点，库存量是足够的 – 需要向上游供应链订购更多商品。
　　●　红色 – 在某消费点，库存量有耗尽的风险 – 在运输/制造中的数量（根据某个消费点的情况）
　　　　应该纳入催赶的考虑，及一个紧急补货订单必须发给供应端，如果没有货品在运送途中。
　　●　黑色 -- 在某消费点，库存已耗尽，表示在此阶段，时时都有流失销售的可能性 – 这样的情况必须尽快解决，由于
　　　　这代表实际的损失，特别是供应链的下游环节。

对相同的缓冲，可能有几个缓冲观点 – 我们在Inherent Simplicity的软件系统称之为虚拟缓冲概念（Virtual Buffer concept）。我们来看下面的说明：

对此SKU，在该库存地点，其缓冲大小是100个。在该处，我们库存中有25个，且从PWH到该处的运送途中有25个。你看到上面在途的库存之虚拟缓冲渗透 – 将下游总库存纳入。优先级由下游库存的虚拟缓冲渗透而定。

虚拟缓冲渗透给予我们一个非常有用的工具 – 我们只有一个衡量数据，而有不同的观点，然而在供应链上所有决策者能根据他们的需求取得其优先级：

　　■　在某地的库存管理者能清楚看到某个SKU的优先级是红色（75%缓冲渗透） -- 他需要找出如何尽快取得更多
　　　　库存的管道。
　　■　运送管理者能知道送货的优先级 – 哪些货需要催赶 – 此例中，该运送需要迅速执行（75%缓冲渗透）。
　　■　工厂仓库管理者能知道在某个地点，某个SKU的补货优先级 – 此例中，他需要补足SKU A之50%的缓冲大小，
　　　　在该库存地点，而补货优先级是黄色（50%缓冲渗透）。

动态缓冲管理 (Dynamic Buffer Management)

TOC提出很简捷的作法，以能让大众藉由使用而达真正理解，因此不倾向使用非常细腻的预测模型。本文前段已说明预测模型的问题，它需要对统计有深度的理解，以能正确的使用该数据。TOC的道理是动态地衡量实际库存使用情况，并据此调节库存水位。这个方法在当今TOC文献中，称为『动态缓冲管理（Dynamic Buffer Management，DBM）』。

藉由监控在某地每个产品库存的缓冲渗透，我们能指出在该地对该产品的缓冲大小是否大约正确。动态缓冲管理方式主张，藉由监控与调节缓冲大小，在考虑供应面之下（多快我们能将货物送达某个地点），我们能易于知道『实际』需要在该地点保持的产品，以能涵盖消费需求。

DBM观察两种不同情境 – 一方面是否缓冲大小太大，及另一方面何时缓冲大小太小。当试图去衡量是否缓冲大小太大，信号是当缓冲渗透在某个SKU库存地点太绿（Too Much in the Green，TMG），表示接连几日（绿色检查时段 – 通常等于补货时间）都是绿色。这表示我们支撑需求的缓冲太高，至少是现在的时段，有几个情形：

　　■　需求下降。
　　■　供应面有大幅改善。
　　■　初始的缓冲大小太大。
　　■　需求严重的浮动（那么绿色检查时段应该增加，而非缩少缓冲）。

处理太绿的一般建议是缩小缓冲大小。基本原理提出当需要时缩小33%，而此指引根据几个因素：

　　■　当我们看到需求下降时，我们想要多快降低库存。
　　■　我们认为该SKU冒多少风险/多重要。

一个很类似的机制使用于决定是否缓冲太小 – 决定是否该SKU在某个地点太红（Too Much in the Red，TMR）。然而，演算方法通常不一样，因为在这个情形，我们想要的方法是能有效反映出库存耗尽的情况，不像太绿的情形，想要就安全考虑慢慢下降。对于TMR大多数的最基本作法是，决定是否已有几天（通常是补货时间计算）是红色，更进一步的作法是，同时考虑红色库存在该地点渗透的深度。

落入红色的理由：

　　■　需求增加（令人喜欢的理由）。
　　■　供应面机能下滑。
　　■　初始缓冲大小过低。
　　■　需求严重浮动。

一般处理TMR信号的方式是增加缓冲，一般是33%，而这仅是指引，需根据个案的情形加以评量。调节缓冲大小之后，该SKU需要进到一段『冷却时期（cooling period）』于此时段不提出相同调整方针的建议（直到系统调整到更改的缓冲大小）。 这段冷却时期应该要够长，以让调整机制生效（新的订购量抵达存货地点），却也够短足以防止未能察觉真正市场需求变化的可能性。对于TMR，冷却时期是一整个补货时间。对于TMG的冷却时期是让在库之库存降到新的绿色数量（由于降低缓冲大小，可能造成目前在库之库存比变更后的缓冲大小还大）。

制造优先顺根据PWH的紧急程度 （Manufacturing priorities according to urgency in PWH）

通常制造商依照订单生产，表示车间每张工单是为了某特定顾客，有个既定的交期。TOC为这样的环境，根据生产订单交期排列优先级（详细资料请见简化鼓缓冲绳（SBDR）相关文献）。当制造商采用TOC的配销解决方案，应该从另一个角度思考。在此情境，生产订单并非为了特定顾客，而只是去补充PWH的消耗。因此，正确的优先级应该不是根据时间，而是照已定义的相同方式，某个SKU在某处的库存情况来订优先级。最好的优先级机制是，以在某处的缓冲渗透为顺序，发出需补货的工单。如果相同的SKU有多张工单，最好的优先级机制是使用虚拟缓冲渗透，如下列方式：

每张工单看到接下来生产工作的虚拟缓冲渗透情况（在此之前投入的），以得知其生产优先级。这样一来确保生产与实际库存使用情形一致，如果库存快速耗尽，那么工单要迅速通过生产，否则会在生产现场中漂泊，而用到生产系统之多余产能来支撑。每个在供应链上的事项全然与系统的目标一致且同步，响应下个环节之实际库存消耗，以能创造可得性，否则做不到。

为何供应链根据拉式配销的成效较佳呢？ （Why does a supply chain based on pull distribution work better?）

让我们看看零售店，及其环境中运作的不同个体。我们能将个体分成三类：

　　(1)　豹类 – 这是卖的很快，促使零售店达到高库存周转数（inventory turns）。
　　(2)　大象类 – 这是零售店无法卖出，运转很慢，低库存周转数。
　　(3)　正常转速类 – 这是那些不属于上面种类者。

快转类会发生什么？

豹类产品的定义是，相对于我们保持的库存，其市场需求高。因此，它们很可能卖光。如果我们去问零售商，有多少缺货的经验，很可能答案是：很少，可能2-3%。这里的概念不正确，因为如果我们问他：让我站在你的店门口，询问顾客是否找到他们在找的商品，有多少机会是『没有』的回答，即使商店本该有他们要找的东西呢？最可能的答案是：那么，可能是10-15%。这表示商店遭遇缺货的情形，比他们想的还高。假如在店里典型的顾客消费行为是，一次购买超过一件商品，这个现象以十倍效应来看：当只有10%缺货，而一个顾客能在店里找到全部八个商品的机率有多少？答案是几乎零，这个现象会影响几乎每位来店顾客的购买经验。

在分析这些缺少的商品时，出现一个很有趣的因素：该10-15%主要包含豹类产品！如果零售商知道这些商品卖的这么快，他们会多买些。因此，他所经历之销售流失情况，远比10-15%大，他承认此事！这是流行产业的实际情况。零售商一次采购整季的商品数量。因而快转商品几乎整季缺货！例如，一种快销商品，全部库存在两周内卖完，对于一季八星期来说，相对于流失三倍的销售量。

另一方面是大象类，这些商品卖不出跟零售商在购买时的想象不同，否则他们就会避免。这现象发生在此是荒谬的，零售商投入很大的努力去销售这些大象商品，而以付出其它商品为代价，占据店里销售架上的空间！这个行为，在心理层面是可预期的，在营业上是种反直觉的作法，店面投入很大的力气去销售大象商品，而这个力气本可用于豹类商品，以得到更高的收入。

这个现象有时压抑到豹类商品缺货的效应！有些产业甚至采取阶段性操作，来隐藏他们反直觉的运作方式，因为他们热切地试着要解决这些问题。产业界以『卖光（sold out）』的口号，来炫耀豹类商品缺货的情况（TOC称为流失销售）。产业界则忽视大象商品的现象，以『促销』方式，投入大量的力气。在供应链上，根据拉式配销，这些负面的现象降到最低。由于TOC机制基于反应实际的市场需求，及据此调节缓冲，如果市场需求上升，增加缓冲，且设置一套机制只允许很短时间有缺货情形。这表示由于豹类商品缺货而流失销售的情况，被TOC技术所限制。由于事实上所有商品都保持在较低的库存水位，而当销售量低时，会进一步降低数量。由于大象类商品数量很小，其问题大量缩小。因此，使用拉式配销是消除销售流失非常有效的方式。

（待续）