“DDMRP？這就是TOC換湯不換藥啦，看那三個顏色分區(qū)都一樣！” 

“呵，這玩意和訂貨點/安全庫存有什么區(qū)別么？” 

“這玩意是未來??！你看各大軟件系統(tǒng)商解決方案都跟進了！”

DDMRP作為一種全新的庫存計劃方法，這兩年興起很快速，同時也面臨很大的爭議，一時間供應鏈圈、TOC圈、SCP計劃系統(tǒng)圈大佬紛紛發(fā)文或褒或貶。

更有趣的是，Gartner每年發(fā)布的供應鏈計劃技術成熟度，早在2019年就納入DDMRP，卻很耐人尋味的認為【達到高峰期按會被淘汰】（果不其然，次年在曲線上DDMRP就消失了）

BT君作為大陸地區(qū)2020年第一位通過DDMRP的DDPP認證的供應鏈愛好者（當時還寫了篇考試心得 點這里），一直以來想談談個人的理解看法，近期把庫存優(yōu)化/自動補貨一類理論和系統(tǒng)邏輯，對比到DDMRP做了一些整理，方便進行差異比較

 近年DDI把DDMRP理論范圍越擴越大，今年已經到戰(zhàn)略層adaptive S&OP，本文僅特指DDOM需求驅動運營模型那個模塊里的DDMRP庫存計劃范疇，大致邏輯如下

 一 DDMRP整體邏輯

（想了解詳細邏輯，可以報名SCOM協(xié)會的DDMRP課程）

（有水印大家湊合看，2020年寫的DDMRP連載，被大量未授權全文抄襲轉載到知乎等等平臺，所以不得已要保護版權...不好意思)

1 設定庫存水位目標

2 通過累計逾期訂單/Spike峰值大單納入計算Net Flow凈流量判斷訂購觸發(fā)

3 按TOG計算訂購量/補貨量

      主要聚焦在庫存水位的設定上（或者叫凈流量設定），對于服務水平幾乎沒有納入考量（因此圖中打了個？有不同理解的朋友可以說說）

二 庫存優(yōu)化整體邏輯

從60年代開始的訂貨點，到如今AI算法/運籌優(yōu)化應用普遍的庫存優(yōu)化方法，特別是在電商業(yè)/零售業(yè)，應用庫存優(yōu)化來改善整體運營績效有著悠久的歷史，如今無論是電商RDC、物流前置倉、零售業(yè)門店都在采用類似的方法進行倉網布局、網絡優(yōu)化與自動補貨技術。具體到每家做法有所不同，但考慮點大致如圖。

從上圖可以看到，除了庫存水平設定外（短周期決策的自動補貨基本也只看這一點），還要納入整體的服務水平考量，TCO總擁有成本的考量（例如：經濟訂貨批量里要考慮的持有成本與訂貨成本平衡），再包括各類訂購規(guī)則復雜約束與供應網絡結構（主要面向多級庫存場景）。

三 DDMRP與庫存優(yōu)化的對比：過于簡化的模型

 從下圖對比來看，DDMRP通過VF，DAF，LTF，ADU，MOQ等參數(shù)對庫存水位設定上做了考量

（紅黃綠區(qū)的劃分，個人理解就是涵蓋了周轉庫存、安全庫存與預建庫存）

此外，在VF設定上，緩沖配置文件組合，DDMRP劃分了幾十種場景，其實這部分是用固定參數(shù)簡化了需求/提前期波動性

當前主流的庫存優(yōu)化模型，在需求預測和需求分布上有非常詳細而復雜的算法去進行對需求的描述。特別是在波動性上，而這一點DDMRP并沒有關于怎么設定參數(shù)的說明，甚至沒有計算邏輯，依賴人為經驗區(qū)設定是0.2,0.5，還是0.7。

在2021年SCOM的供應鏈年會上，我也問到DDMRP創(chuàng)始人Craol Ptak,怎么看待機器學習等算法在需求預測上應用的普及，DDMRP在波動性因子上是否有借鑒。當時Craol承認說ML/DL對于計算需求波動效果顯著，可以協(xié)助計算波動因子作為DDMRP輸入。這方面可以說DDMRP有對波動考慮的思路，但沒有提供工具方法指導。

此外，在服務水平與成本上完全沒有提及，也是該模型局限之處，當然也可能是更現(xiàn)實容易落地之處

DDMRP簡化了服務水平和成本，讓模型更現(xiàn)實更容易落地

畢竟能把TCO成本模型建立起來，把服務水平與成本損失對應起來，都是在理論上過于理想化的參數(shù)，而在現(xiàn)實中大部分企業(yè)很難拉通財務與供應鏈建立統(tǒng)一成本標準。

四 DDMRP的核心優(yōu)勢是優(yōu)先級

DDI提到了六大特點，個人看來這兩點較為突出

——解耦：打破供應端提前期相關性

——雙向利益：供需端雙贏，聚合供應，可靠產出

——訂單獨立性：庫存分配給訂單，就無法分配給其他

——初步計劃機制：通過緩沖等級觸發(fā)供應單信號

——相關優(yōu)先級：緩沖顏色提供相關優(yōu)先級

——動態(tài)調整：根據用戶使用頻率動態(tài)調整如DAU，V factor

DDMRP對整個供應鏈鏈路，重點節(jié)點建立緩沖點Buffer，來阻斷牛鞭效應的傳遞，從而使得供需雙方的穩(wěn)定性得以提高。

（在零售業(yè)不存在該問題，由于不存在加工制造過程，所以穩(wěn)定性不如制造業(yè)要求嚴格）

例如下圖，當庫存/供應不足時，怎么分配給補貨需求？在庫存優(yōu)化場景下假設任何補貨量都能滿足，又或是把每個點最大補貨量作為約束條件，結果是無法實現(xiàn)優(yōu)先級的輸出（按點/按補貨量都不太合理）

 DDMRP通過顏色分區(qū)來建立優(yōu)先級，同樣是補貨，55%與 25%的優(yōu)先級很容易判斷，這是個人認為最突出的貢獻。

綜合來看，DDMRP這套方法足夠簡單容易落地，在優(yōu)先級分配上也提供了更易于識別的畫面感，雖然在模型的參數(shù)細致程度與綜合考量上有所不足（例如無法用于多級補貨，更無法基于總成本指導決策優(yōu)化），但越簡單的方法越容易落地。

最后提個設想，需求預測+庫存優(yōu)化+仿真推演，如果這套方法能加上DDMRP的戰(zhàn)略解耦點+緩沖可視化優(yōu)先級來進行管理，是否意味著是終極方案？