步驟三：檢驗負面圖

從最起始狀況，一個一個情況項目（有直角的方塊）做檢驗，檢查因果邏輯和沒有箭頭進入的項目之正確性。找出並標示出，由中性或正面情況轉變成「負面情況」的項目。

步驟四：修剪樹枝、化解負面分歧(提出解決方案)

找出由中性或正面情況轉變成「負面情況」的項目，並針對導致「負面情況」項目的現況或原因做探討，尋找截斷因果箭頭的解決方案。當截斷負面效應之處越底層越能接近事件產生的核心，但是並非在現實情形發生時，總是能夠從最底層解決問題。需要依據事情發生時的不同情況，和能力範圍而定之。就是，可以從樹的上端開始解決，逐步下推，追求的是「持續的改善」。

除了上述教師應用負面圖引導學生省思負面效應、找出解決方案之案例外，以下提供學童應用負面圖-面對錯誤之案例。在學童的個人行為應用部分，行動研究小組成員目前僅止於引導學童了解其行為所產生之負面效應，負面圖在行為改善上無法立竿見影，但是負面圖之應用卻能突破既往由師長單向制止負面行為之規勸、或處罰方式，改由學生自行提出負面行為所導致之負面效應，進而減少負面行為之發生。

根據TOC原理，管理配銷　

Amir Schragenheim版權所有
本文經作者授權翻譯與刊登（本文將分次刊出）
譯自『Managing Distribution According to TOC Principles』

　
　
管理供應鏈之實踐
The current practice of managing supply chains

這是個週三的下午，我走進一家雜貨店，想要買些青辣椒，架上卻空空，也找不到任何看來不錯的蕃茄。接著去一家辦公用品店，聽過微軟(Microsoft)的報導，有一款相當不錯的新滑鼠，我想要買一支，總之，看到空蕩蕩的架子上，寫著『缺貨(out of stock)』。

有多少次，到鞋店去找一雙你想要的好看鞋子，卻發現沒有你的尺寸呢？為什麼商店不維持正確的庫存，以能滿足需求呢？為什麼他們不能做出正確的事呢？

供應鏈應用於現代營運上似乎有其道理。製造商擁有自動機械，以能自動化作業；時下許多製造商已裝置先進的ERP系統，以協助管理生產現場。配銷商與製造商擁有非常尖端的預測軟體系統，以預知每個產品或SKU(Stock Keeping Unit)正好會賣出多少個，因而，他們該知道在何時，將多少數量送往銷售地點（零售店）。

為何公司還有經歷管理供應鏈的問題呢？是否使用之科技系統不足呢？

推式行為的自然傾向（The natural tendency for push behavior）

當決定每個地點持有多少庫存時，什麼是製造商/配銷商的觀點呢？他腦中有兩個主要的問題：

　　■　供應鏈上游要保持多少庫存呢？
　　■　供應鏈下游要保持多少庫存呢？

自然的傾向是將庫存盡可能保持在接近消費者之處 – 假如產品不在消費地點，那麼會賣出的機會（更加）較小。只有少數消費者會讓他們的賣者在幾日內送到，而不立即拿貨 – 即刻消費就是操作的重點。因此，唯一合理的是製造商/配銷商應該將大多數庫存盡可能放在接近消費者的地點 – 能管理的最下游之處 – 通常在零售層面。這是典型的推式行為（push behavior）：為了增加消費，將產品推至下游。然而，推式行為需要一套優良的預測模型，為了預知何處及何時於庫存所在會需要某些產品。

為何很難找到一套優良的預測模型？(Why is it impossible to find a good forecasting model?)

當今既有的尖端預測模組（forecasting modules）試圖塑造需求，及製造一套回答可得性（availability）問題的優質答案：持有什麼產品，於何處及何時？然而，無論預測機制有多好，無法真正地預知什麼會是需求。從事十分精準的市場調查可能提供些答案，但是終究得考慮某些統計上的事實。

第一個事實是，聚集（the aggregation）越狹窄，答案越糟 – 指的是『就產品整體而言，在這個特定地點，將售出多少？』的問題。這個現象起源於一項事實，即是聚集情況下的浮動均分（fluctuations average out）的效果（假設它們是獨立事件），如果我們預知一百個不同的銷售點，我們可能得到一個答案是，銷售在一般的地點一天是從10到25個產品。如果我們問相同的問題，就我們需要製造的整體數量來看，我們會得到一個更加精確的答案 – 可能像是從1650到1850個。如果我們只拿個個消費點的高低數字，然後加起來，那我們會有更糟的答案 – 從1000到2500。

第二個現象是數據的錯誤詮釋 – 人們使用統計（statistics）必須對聚集機制(aggregation mechanism)有良好的理解。每天全球的業界都在操作某些嚴重的錯誤，因為缺乏對統計數字的理解。例如，一位聰明人但在統計上沒經驗，可能從上述的例子推論出，所有的消費點的消費量介於1650到1859之間，其中每個地點的消費是16.5到18.5之間 – 每個地點保持18個，結果相當多的地點缺貨，而其他地點卻持有很多賣不出的庫存。事實上，我們有的是一個總計數字，不表示能適用於實際情況。

另一個人可能建議每個地點存放15個以保護可得性 – 投資大大地增加，及一些已有過剩存貨的消費點的庫存大增 – 動用到不必要的空間與投資。為了正確地使用該演算方法，越是精密的演算方法，越是需要精通的使用者。

另一個問題是，沒有預測模型能考慮到突然變化的消費走向。一個例子像是報紙上一篇十分熱門的文章，突然地改變了整個地區的消費走向。在當今動態市場情境下，如此事件發生地相當頻繁。

正如在某個特定地點，對單一SKU的預測受到上述之浮動及不確定性的作用牽制，決定該SKU在某特定點所需的庫存水位的基礎薄弱。為了做這個決定，顯然需要另一種機制。

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

限制理論（Theory of Constraints，TOC）[或稱制約理論，約束理論] 對於供應鏈之庫存管理，分析供應與需求的作用，強化供應面機制。假如可能回應一個立即需求，就一點也不需依賴預測了！這樣的情形當然幾乎所有營業環境都做不到的，然而該考量朝此方向邁進的步伐。在供應鏈上保持正確庫存量的情形，目標是在所有消費點能有很好的可得性。這個目標受到現金與空間（cash and space）的限制，表示不可能在所有地點，所有商品都保持高庫存，即使是過期品不是問題的情形。不僅如此，本文後續會說明，而且低需求之SKU持續高庫存，會降低整體銷售。

TOC解決方案基於持續更新消耗的庫存，由幾個步驟組成：

　　■　盡可能聚集在供應源頭 – 工廠或中央倉庫。
　　■　於此設定一個高庫存水位（稱為庫存緩衝大小（stock buffer size））。
　　■　決定所有庫存地點的庫存目標（庫存緩衝大小）。
　　■　促使來自所有庫存地點的實際消耗數據之傳送。
　　■　盡可能縮短補貨時間。
　　■　盡可能經常補貨，從主要（工廠或中央）倉庫到消費點 – 只為補滿目標水位而運送實際消耗量（或得調整緩衝
　　　　大小）。
　　■　監控緩衝大小，根據消耗情形，且據此調整大小。

聚集：建造一處工廠/中央倉庫（Aggregation: Building a Plant/Central Warehouse）

為管理供應鏈，所提模式的重點在於將庫存保持在分支點（divergent point）-- 在該處，庫存能被用於服務很多不同目的地，及於目的地使用拉式機制來補貨。這個方法保證我們保持可能的最低庫存，以支撐不同消費點的需求。

為了在不同地點擁有產品的可得性 – 建議在源頭聚集庫存，及建造工廠或中央倉庫（PWH/CWH，plant/central warehouse）。如果組織是一家製造商，就稱為工廠倉庫（PWH），就是工廠的成品倉庫。如果組織是一家配銷商，就稱為中央倉庫（CWH）。在這個倉庫中，我們保持大多數的庫存。根據統計的原理，這樣的聚集保證比庫存放在不同消費點更加穩定。在消費點的庫存量很有限。一旦某個消費點賣出一件商品 – 賣出品會從PWH/CWH送來，盡快補齊。

當從PWH/CWH運送的時間很長，可能在PWH/CWH與消費點間需要區域倉庫（regional warehouse，RWH）。區域倉庫對PWH/CWH而言如同消費點，及如同中央倉庫對消費點般的服務。這只是TOC模式的延伸，而所有的假設與考量還是相同 – 構想還是只根據消費點向RWH拉貨的情況，再從PWH/CWH拉貨。

補貨前置時間及怎麼管理 （The Replenishment Lead Time and how it can be managed）

在不同地點，所需之庫存大小根據兩個完全不同的因素：

　　■　需求 – 這個因素影響庫存於不同消費點消耗的速率。
　　■　供應 – 這個因素影響多快消耗之數量能被補足。

足以令人驚訝，供應因素通常在做戰術與戰略的決策時被忽略。大多數的改善工作被導向需求面 – 特別在試圖弄出更加精準的預測演算方法。補貨前置時間（replenishment lead time，RLT）定義為：在供應鏈上，用於從賣出一件商品直到從前面供應環節補足的時間。RLT包含三個不同部分：

　　●　訂購前置時間（Order Lead Time）-- 這是用在從賣出一件商品直到一張補貨訂購單被發出的時間。
　　　　換句話說，這是訂購相同SKU的頻率。
　　●　生產前置時間（Production Lead Time）-- 這是用於製造商/供應商從決定發出工單直到完成生產的時間。
　　●　運送前置時間（Transportation Lead Time）-- 這是用於從供應點實際上運送成品到訂購庫存地的時間。

為了將補貨前置時間降到最低，TOC建議去挑戰這三個元素。藉由降低RLT，減少供應面的主宰因素，能達下列目的：

　　●　在消費點（及倉庫），所需庫存水位較低 – 因為需要涵蓋較少的需求日數。
　　●　當供應時間縮短，供應時間的浮動情形變少。
　　●　新產品銷售之需求預測更加精確 – 由於預測錯誤變得更大，則我們對未來需要預測更多（軌線圖形（trajectory）
　　　　變的更寬）。
　　●　顯然回應實際需求的能力更加快速。

TOC原理指引我們找出方法去縮減RLT的元素。這些是一般的指導方針。

當應用TOC方案在供應鏈上管理配銷，在考量運送頻率應該多頻繁，有些相關的元素。管理供應鏈，目前的作法是大量運送。主要的理由是：

關於經常運送可能投入的額外費用，及持有較低可得性的銷售流失之間的取捨 – 藉由較高之運送頻率，會有更好的可得性，然而運送費用增加。要有較低的運送頻率，不是需付出比能售出量更低可得性的損失，就是在消費點持有高庫存量。在大多數情況，額外費用會涵蓋在額外產生的收入。                       

在配銷環境，什麼是緩衝及緩衝滲透 （What are buffers and buffer penetration in a distribution environment）

TOC邏輯定義一個安全(safety)庫存，並持續監控該安全庫存如何使用。這個安全庫存稱為一個緩衝（buffer）。一個配銷環境中，在庫存地點（包含PWH與RWH）我們想要保持的數量，定義為緩衝大小（buffer size），而這是一種存貨型態的緩衝（stock type buffer）。於配銷環境中，緩衝大小（庫存式生產的緩衝大小，Make to stock buffer size）是整個供應鏈上，在某個庫存地點，一個想要保持的某個SKU產品的數量。例如，如果庫存大小是100個產品，目前在該庫存地點，我們有40個，我們期待有60個是在訂購中，或在來自補貨點及此地的途中（對PWH而言補貨點是工廠）。假如這60個不在途中，則一張60 個的補貨訂單應該立即發出。註：對一個相同SKU而言，不同的庫存點會有不同緩衝，因為兩者間之供應與/或需求情境可能不同。

緩衝滲透（Buffer penetration）定義為緩衝中缺少的數量，除以緩衝大小。以上述的例子來看，在該處之庫存緩衝滲透是60%（(100 – 40) / 100）。緩衝大小被分成三等分，並對不同區塊設定不同緩衝滲透的顏色：

　　●　少於33% 的緩衝滲透：綠色。
　　●　於33% 及 67% 間的緩衝滲透：黃色。
　　●　於67% 及 100% 間的緩衝滲透：紅色。
　　●　100% 的緩衝滲透：黑色。

緩衝滲透的顏色給予一個信號，在於某庫存補貨的緊急程度：

　　●　綠色 – 在某消費點，庫存量是高的 – 就當下而言，有充足的保護。
　　●　黃色 -- 在某消費點，庫存量是足夠的 – 需要向上游供應鏈訂購更多商品。
　　●　紅色 – 在某消費點，庫存量有耗盡的風險 – 在運輸/製造中的數量（根據某個消費點的情況）
　　　　應該納入催趕的考量，及一個緊急補貨訂單必須發給供應端，如果沒有貨品在運送途中。
　　●　黑色 -- 在某消費點，庫存已耗盡，表示在此階段，時時都有流失銷售的可能性 – 這樣的情況必須盡快解決，由於
　　　　這代表實際的損失，特別是供應鏈的下游環節。

對相同的緩衝，可能有幾個緩衝觀點 – 我們在Inherent Simplicity的軟體系統稱之為虛擬緩衝概念（Virtual Buffer concept）。我們來看下面的說明：

對此SKU，在該庫存地點，其緩衝大小是100個。在該處，我們庫存中有25個，且從PWH到該處的運送途中有25個。你看到上面在途的庫存之虛擬緩衝滲透 – 將下游總庫存納入。優先順序由下游庫存的虛擬緩衝滲透而定。

虛擬緩衝滲透給予我們一個非常有用的工具 – 我們只有一個衡量數據，而有不同的觀點，然而在供應鏈上所有決策者能根據他們的需求取得其優先順序：

　　■　在某地的庫存管理者能清楚看到某個SKU的優先順序是紅色（75%緩衝滲透） -- 他需要找出如何盡快取得更多
　　　　庫存的管道。
　　■　運送管理者能知道送貨的優先順序 – 哪些貨需要催趕 – 此例中，該運送需要迅速執行（75%緩衝滲透）。
　　■　工廠倉庫管理者能知道在某個地點，某個SKU的補貨優先順序 – 此例中，他需要補足SKU A之50%的緩衝大小，
　　　　在該庫存地點，而補貨優先順序是黃色（50%緩衝滲透）。

動態緩衝管理 (Dynamic Buffer Management)

TOC提出很簡捷的作法，以能讓大眾藉由使用而達真正理解，因此不傾向使用非常細膩的預測模型。本文前段已說明預測模型的問題，它需要對統計有深度的理解，以能正確的使用該數據。TOC的道理是動態地衡量實際庫存使用情況，並據此調節庫存水位。這個方法在當今TOC文獻中，稱為『動態緩衝管理（Dynamic Buffer Management，DBM）』。

藉由監控在某地每個產品庫存的緩衝滲透，我們能指出在該地對該產品的緩衝大小是否大約正確。動態緩衝管理方式主張，藉由監控與調節緩衝大小，在考量供應面之下（多快我們能將貨物送達某個地點），我們能易於知道『實際』需要在該地點保持的產品，以能涵蓋消費需求。

DBM觀察兩種不同情境 – 一方面是否緩衝大小太大，及另一方面何時緩衝大小太小。當試圖去衡量是否緩衝大小太大，信號是當緩衝滲透在某個SKU庫存地點太綠（Too Much in the Green，TMG），表示接連幾日（綠色檢查時段 – 通常等於補貨時間）都是綠色。這表示我們支撐需求的緩衝太高，至少是現在的時段，有幾個情形：

　　■　需求下降。
　　■　供應面有大幅改善。
　　■　初始的緩衝大小太大。
　　■　需求嚴重的浮動（那麼綠色檢查時段應該增加，而非縮少緩衝）。

處理太綠的一般建議是縮小緩衝大小。基本原理提出當需要時縮小33%，而此指引根據幾個因素：

　　■　當我們看到需求下降時，我們想要多快降低庫存。
　　■　我們認為該SKU冒多少風險/多重要。

一個很類似的機制使用於決定是否緩衝太小 – 決定是否該SKU在某個地點太紅（Too Much in the Red，TMR）。然而，演算方法通常不一樣，因為在這個情形，我們想要的方法是能有效反映出庫存耗盡的情況，不像太綠的情形，想要就安全考量慢慢下降。對於TMR大多數的最基本作法是，決定是否已有幾天（通常是補貨時間計算）是紅色，更進一步的作法是，同時考量紅色庫存在該地點滲透的深度。

落入紅色的理由：

　　■　需求增加（令人喜歡的理由）。
　　■　供應面機能下滑。
　　■　初始緩衝大小過低。
　　■　需求嚴重浮動。

一般處理TMR信號的方式是增加緩衝，一般是33%，而這僅是指引，需根據個案的情形加以評量。調節緩衝大小之後，該SKU需要進到一段『冷卻時期（cooling period）』於此時段不提出相同調整方針的建議（直到系統調整到更改的緩衝大小）。 這段冷卻時期應該要夠長，以讓調整機制生效（新的訂購量抵達存貨地點），卻也夠短足以防止未能察覺真正市場需求變化的可能性。對於TMR，冷卻時期是一整個補貨時間。對於TMG的冷卻時期是讓在庫之庫存降到新的綠色數量（由於降低緩衝大小，可能造成目前在庫之庫存比變更後的緩衝大小還大）。

製造優先順根據PWH的緊急程度 （Manufacturing priorities according to urgency in PWH）

通常製造商依照訂單生產，表示車間每張工單是為了某特定顧客，有個既定的交期。TOC為這樣的環境，根據生產訂單交期排列優先順序（詳細資料請見簡化鼓緩衝繩（SBDR）相關文獻）。當製造商採用TOC的配銷解決方案，應該從另一個角度思考。在此情境，生產訂單並非為了特定顧客，而只是去補充PWH的消耗。因此，正確的優先順序應該不是根據時間，而是照已定義的相同方式，某個SKU在某處的庫存情況來訂優先順序。最好的優先順序機制是，以在某處的緩衝滲透為順序，發出需補貨的工單。如果相同的SKU有多張工單，最好的優先順序機制是使用虛擬緩衝滲透，如下列方式：

每張工單看到接下來生產工作的虛擬緩衝滲透情況（在此之前投入的），以得知其生產優先順序。這樣一來確保生產與實際庫存使用情形一致，如果庫存快速耗盡，那麼工單要迅速通過生產，否則會在生產現場中漂泊，而用到生產系統之多餘產能來支撐。每個在供應鏈上的事項全然與系統的目標一致且同步，回應下個環節之實際庫存消耗，以能創造可得性，否則做不到。

為何供應鏈根據拉式配銷的成效較佳呢？ （Why does a supply chain based on pull distribution work better?）

讓我們看看零售店，及其環境中運作的不同個體。我們能將個體分成三類：

　　(1)　豹類 – 這是賣的很快，促使零售店達到高庫存周轉數（inventory turns）。
　　(2)　大象類 – 這是零售店無法賣出，運轉很慢，低庫存周轉數。
　　(3)　正常轉速類 – 這是那些不屬於上面種類者。

快轉類會發生什麼？

豹類產品的定義是，相對於我們保持的庫存，其市場需求高。因此，它們很可能賣光。如果我們去問零售商，有多少缺貨的經驗，很可能答案是：很少，可能2-3%。這裡的概念不正確，因為如果我們問他：讓我站在你的店門口，詢問顧客是否找到他們在找的商品，有多少機會是『沒有』的回答，即使商店本該有他們要找的東西呢？最可能的答案是：那麼，可能是10-15%。這表示商店遭遇缺貨的情形，比他們想的還高。假如在店裡典型的顧客消費行為是，一次購買超過一件商品，這個現象以十倍效應來看：當只有10%缺貨，而一個顧客能在店裡找到全部八個商品的機率有多少？答案是幾乎零，這個現象會影響幾乎每位來店顧客的購買經驗。

在分析這些缺少的商品時，出現一個很有趣的因素：該10-15%主要包含豹類產品！如果零售商知道這些商品賣的這麼快，他們會多買些。因此，他所經歷之銷售流失情況，遠比10-15%大，他承認此事！這是流行產業的實際情況。零售商一次採購整季的商品數量。因而快轉商品幾乎整季缺貨！例如，一種快銷商品，全部庫存在兩週內賣完，對於一季八星期來說，相對於流失三倍的銷售量。

另一方面是大象類，這些商品賣不出跟零售商在購買時的想像不同，否則他們就會避免。這現象發生在此是荒謬的，零售商投入很大的努力去銷售這些大象商品，而以付出其他商品為代價，佔據店裡銷售架上的空間！這個行為，在心理層面是可預期的，在營業上是種反直覺的作法，店面投入很大的力氣去銷售大象商品，而這個力氣本可用於豹類商品，以得到更高的收入。

這個現象有時壓抑到豹類商品缺貨的效應！有些產業甚至採取階段性操作，來隱藏他們反直覺的運作方式，因為他們熱切地試著要解決這些問題。產業界以『賣光（sold out）』的口號，來炫耀豹類商品缺貨的情況（TOC稱為流失銷售）。產業界則忽視大象商品的現象，以『促銷』方式，投入大量的力氣。在供應鏈上，根據拉式配銷，這些負面的現象降到最低。由於TOC機制基於反應實際的市場需求，及據此調節緩衝，如果市場需求上升，增加緩衝，且設置一套機制只允許很短時間有缺貨情形。這表示由於豹類商品缺貨而流失銷售的情況，被TOC技術所限制。由於事實上所有商品都保持在較低的庫存水位，而當銷售量低時，會進一步降低數量。由於大象類商品數量很小，其問題大量縮小。因此，使用拉式配銷是消除銷售流失非常有效的方式。

（待續）