全文总计3017字，需阅读8分钟，以下为正文：
安全库存（又称保险库存）是指为了防止由于不确定因素（如突发性大量订货或供应商延期交货）影响订货需求而准备的缓冲库存，安全库存用于满足提前期需求。
虽然很多人士对安全库存的概念非常清楚，但是具体而言，安全库存怎么设置，如何实现安全库存？大多数人都不是很清楚。本文我们一起来扩展学习一下。
很多厂商提出需求都有重复的部分，在一段时期不稳定过后，将迎来相对稳定期，这时我们就可以计算不稳定期的波动频率等数据，这是个非常重要的预测，也是在实际情况中被验证的方法。
对于一些产品供应商来说，他们常常会估算三个月甚至半年的稳定情况，以推测不稳定情况的出现；对于生产商来讲他们会计算设备的故障频次，产品的合格率；对汽车制造商来说他们会测试汽车的刹车，损耗等数据来预测车辆生命周期。
我们可以通过一个公式来计算。标准差可以代表其波动率，通过实际需求与预测值之间的差异可以得出其数据。标准差越大，表明需求的变动性越大，反之亦然。
还有，这里我们设定需求变量是符合正态分布的。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。当需求很不稳定，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，相应地找出类似于标准差的的参数，来量化需求的变动性。
同时我们在统计相关需求时，也要考虑样本的因素：如果收集数据太少，那么结果偏差则会越大。这就跟点化正态分布一个道理——点数越多，画出的曲线图越精准，在计算安全库存变量时，我们可以以13周为一统计单位，去收集数据。
13周为一个季度，这样去统计内容自然是比较方便的，如果收据的统计数据量少于13周的内容，自然统计的结果就会出现较大偏差，因为当统计数据小于13周时，基本无法形成一个可预测的点状分布图。
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星期，意味着大部分情况下，交期在3星期左右，有时候会超过3星期，有时候会短于3星期，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。
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。
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；
一般的情况下，每周的需求会低于80个。如果每周的供应是80个的话，这意味着有50%的概率下，需求能够马上得到满足；有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x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。
这种阶梯型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。
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。这里的关键呢，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，就每周的需求预测，那么就是按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。
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。
实际操作时，需要根据企业实际情况来调整数学模型，同时，因为有的企业购买的物料种类非常多，而物料需求是需要根据成品需求通过BOM拆分得来，想利用以上公式进行计算时还要确保BOM正确。
因此，不要沉迷于复杂的数学计算，要时刻想着80/20，在能满足交付要求和企业内部库存指标的前提下，尽量简化。
数学模型只是帮助我们优化管理的工具或手段，并不是目的。另外，制造业面临的情况是竞争加剧（VUCA），很多行业都呈现小批量多品种趋势，这就意味着客户需求的变化非常大，如果我们套用之前说的公式，就会发现计算出的安全库存数量会非常大，实操层面也不可能这样去做。因此一些建议的“组合拳”来尽可能降低安全库存。
热门跟贴