MathArt | 传统APS为何在汽车行业屡屡战败？
- 2020 / 12 / 24
- 阅读：5092
- 来源：转载自《汽车商业评论》
任何不以最终系统交付计划的准确性为衡量标准的APS实施，都是对客户的不负责任。
文 | 董事长兼CEO 张椿琳
首先，得从我最近读的一本书谈起。
以色列物理博士高德拉特博士《目标》系列的第四本也是最后一本著作《仍然不足够》。1985年，《目标》一炮而红，获得了无数企业管理人员的追捧。该书讲述了一位企业管理者如何借助科学家朋友的帮助，以近乎常识的逻辑推演，解决复杂管理问题的故事。其作者高德拉特也因此声誉鹊起，并逐渐成为一代企业管理大师。1998年，高德拉特博士受邀前往一位朋友的电脑软件公司，为其提供战略发展咨询。当时该公司发展势头迅猛，然而，考察完该公司所提供的软件解决方案后，高德拉特博士却倍感失望，他当时就预测，该类型的公司将在未来受到重挫。短短几年后，该预言就被事实所验证。高德拉特博士认为，电脑系统科技的威力在于其处理资料的能力，但科技的最终目标和价值则在于其到底减少了哪些限制。他认为，当前企业的核心限制在于，管理人员经常要在信息不全的情况下作出决策。虽然这类决策未必是惊天动地、关系重大的，诸如如何处理物料之类的问题，但却是真实世界中经常遇到的场景。《仍然不足够》同样以小说的形式，虚拟了一家ERP公司的经营和决策场景，并着重笔墨描写了该公司收购一家APS厂商的经历，突出如何通过对APS产品的改造，突破经营瓶颈，获得最大化收益。
APS(Advanced Planning & Scheduling)高级计划与排程，是诞生于九十年代初的概念，基于限制理论TOC、作业研究OR等技术的发展而逐渐流行，专门用于解决制造型企业生产计划和排程的优化问题，提升供应链的精益运营能力。自这一概念诞生后，APS就一直被包括高德拉特博士在内的各方专家视为前景远大“工业新星”，APS所关注的计划职能乃是整个供应链的发动机，用一个平台集成端到端的所有长中短期计划，这样美好的愿景令诸多供应链从业人员的心驰神往。然而事实是残酷的。过去三十年，APS企业的规模和成长速度远远没有达到ERP企业的量级。在SAP和Oracle逐渐成长为世界级软件企业的同时，APS却仍然被传统ERP企业视为产品的组成部分，APS企业也不断地被收购和兼并。 聚焦到国内的整车和汽车零部件行业的APS系统实施成果，更是一地鸡毛，成功案例难觅，失败案例却俯首皆是，尤其是国内零部件行业几乎已经到了“谈APS色变”的地步了。当我们弯下腰去，聚精会神地剖析一只只“麻雀”，就会发现：汽车行业大部分APS项目的失败，并非是项目上线和实施的直接失败，而是上线后，计划不能匹配企业真实的业务情况，可被执行率低，最终导致整个系统用不起来。企业下定决心做出改变，投入了大量的金钱和精力，最后却仍然回归到计划员拍脑袋排计划的传统，这样的APS系统如何能不令人失望，不令人生畏呢？
诚如高德拉特博士所言，系统要发挥威力，正是要避免资料和信息不全的决策，而汽车行业APS失败的症结也在于此，看似利用系统能力，将更多数据纳入考量，然而最终数据质量拖累了美好的设想。APS系统和人一样，也是在数据不全的情况下做出决策。我们需要认识到，APS排产对数据的精密度要求很高，一个正确的排产，几乎需要将企业供应链的全部业务变量都纳入考量，包括订单、需求预测、成品库存、中间库存、现场报工、发运情况等，并需要大量主数据都有精确的定义，包括零件、物料、模具、工装夹具等。
传统的APS产品及实施方，对自身的定位更偏向于一个优化工具，因此其关注重点在于，如何在准确及静态的数据基础上求解计划问题，从而忽视了对数据质量的考虑，或者将其作为甲方的责任。而甲方，即使有数据仓库，其数据颗粒度、准确性和一致性，都无法达到APS所需的数据质量要求。以零件数据为例，APS实施方只能提出零件数据需要有车型、产品类、方向、颜色等属性，而甲方往往只能依靠零件粗糙的中文描述给出相应信息，模具数据也是类似情况。基于不精确的零件和模具数据，换模换色、一模多腔下按产品类成套、按方向成套等约束和输入没有系统化的编码管理，APS排产将无法考虑复杂的工艺条件及约束。正确的做法是，在项目开始之前的数据治理阶段，就把一切零件属性、模具属性、工装夹具属性等编码化、规范化，并帮助客户制定完善的维护流程，此外，还需要注意，此类编码规则需要适用于所有工厂的所有场景，以便今后在其他工厂实施前，便可快速完成相关的数据治理。
传统APS实施方以产品上线为目标，为降低实施成本，尽量不触及数据治理内容，而甲方对数据治理的复杂性和难度也普遍缺乏认知，最终导致项目上线后，双方花费大量精力去沟通协商，无果之后，进而演变成相互扯皮和埋怨。APS实施方认为流程和算法逻辑都没有问题，是客户自己的数据不对；甲方则认为最终结果不符合实际，根本用不起来，实施方难辞其咎。这样的结局令人唏嘘，但在行业内却屡见不鲜。
我可以套用一句话：任何不以最终系统交付计划的准确性为衡量标准，不为最终结果负责的APS实施，都是对客户的不负责任，都是一种流氓行为。随着数据技术的不断发展，我们得以从以往失败的废墟中，寻找到胜利的光亮。目前市场上逐渐出现了一些以数据治理为基础，从数字中台入手，解决APS类问题的成功案例，并且都是落地在汽车行业，为业界带来新的希望。总结该类案例，我们发现为了成功地实现APS的计划功能，数据治理和数字中台的工作需占到整个实施工作量的二分之一以上。这类工作不仅涉及到数据的传统ETL，数据质量监控，还要为主数据的编码化制定规则，并建立业务维护流程，甚至还要在现有基础上，为支持APS的计划需要，对数据进行时间维度的一致性处理，确保事务型数据的动态一致性，并在APS系统日常应用的过程中，对数据质量进行持续性的监控和改善。以库存数据的实时性为例，许多ERP系统的库存并非实时冲销，而是每半小时冲销一次，这就导致了实际库存与账面库存之间存在半小时的误差，此时，实施方并不应该推脱责任，设置以半小时为最短周期滚动，而应该依据周边系统数据，例如LES的实时移库数据，对ERP库存数据进行实时处理，利用处理后的数据，来支持计划的高频滚动。只有这样，才能适应瞬息万变的工厂内部生产环境。这类数据工作，需要理念、方法论、平台工具和实施能力的高度融合，尤其是企业级供应链数字中台的搭建，难度高，投入大，但从我们的成功案例效果来看，可落地执行的端到端自动化一体化的计划体系，为汽车企业带来了更精益的管理和更低的成本。
实践证明，从数据角度切入，搭建数字中台，为排产结果负责，为所有影响排产的数据质量和实时性负责，才是成功实施APS的正确道路。沿着这样的实施范式前进，必然能实现高德拉特博士三十年前对APS的设想，也能为中国汽车行业的整车和零部件企业的供应链管理能力提供更强劲的动力。
解决方案
成功案例
数策洞察
加入我们