自上世紀九十年代起，外資汽車(chē)品牌紛紛實(shí)現在中國合資落地生產(chǎn)。發(fā)展迅速的國內消費市場(chǎng)和規模龐大的汽車(chē)產(chǎn)業(yè)，促成了合資汽車(chē)品牌市場(chǎng)的百花齊放。然而，受海外供應商長(cháng)期合作關(guān)系、質(zhì)量控制和技術(shù)壁壘的制約，汽車(chē)零部件，尤其是關(guān)鍵零部件的進(jìn)口量一直居高不下。
      一方面，以海運為主導的進(jìn)口件運輸方式，使得運輸時(shí)間依附于供應商和承運商構成的運輸網(wǎng)絡(luò )；而天氣、國內外節假日差異等因素，又造成了進(jìn)口件長(cháng)期以來(lái)運輸周期長(cháng)、到貨時(shí)間不穩定的特點(diǎn)。
      另一方面，由技術(shù)壁壘所造成的庫存成本高、價(jià)格高等痛點(diǎn)長(cháng)期以來(lái)未得到有效的解決。
      大多車(chē)廠(chǎng)最初在制定進(jìn)口件采購和庫存策略時(shí)，通常依賴(lài)車(chē)廠(chǎng)自身過(guò)往經(jīng)驗，通過(guò)大量堆積庫存，輔以緊急空運補貨，來(lái)彌補需求的不穩定。但這種粗放的備貨模式通常又會(huì )造成大量的資金占用和庫存積壓，可如果盲目減少庫存，一旦進(jìn)口件無(wú)法滿(mǎn)足生產(chǎn)需求導致生產(chǎn)停線(xiàn)，代價(jià)往往會(huì )更大。

      庫存掩蓋的問(wèn)題

      于是，如何在及時(shí)響應市場(chǎng)波動(dòng)的基礎上，平衡進(jìn)口件的庫存成本和空運成本，優(yōu)化進(jìn)口件的安全庫存量，是目前很多國產(chǎn)化程度相對較低的車(chē)廠(chǎng)的重點(diǎn)研究議題。
      傳統零售行業(yè)應對庫存優(yōu)化所使用的策略通常為：以安全庫存計算方式——經(jīng)典SS（Safety Stock）公式為主，輔以簡(jiǎn)單的經(jīng)驗法則。但汽車(chē)行業(yè)與零售業(yè)畢竟不同，汽車(chē)進(jìn)口件采購運貨周期波動(dòng)大，零配件特性積累會(huì )顯著(zhù)影響需求量，經(jīng)典SS（Safety Stock）公式此時(shí)就無(wú)能為力了。
      對汽車(chē)行業(yè)而言，最常用的進(jìn)口件采購優(yōu)化方式通常為固定周期訂貨模式。這種訂貨方式要求確定一個(gè)比較恰當的庫存額，庫存額包含采購提前期內的正常消耗量和安全庫存量，這兩個(gè)量又分別取決于需求的預測值、采購的提前期和服務(wù)水平。具體方式主要體現為：在每個(gè)周期將要結束時(shí)，業(yè)務(wù)人員對存貨進(jìn)行盤(pán)點(diǎn)，基于庫存額決定訂貨量。
      基于汽車(chē)行業(yè)的特殊性，我們在經(jīng)典SS（Safety Stock）公式的基礎上，將進(jìn)口件采購特性轉換為約束條件，引申出OPIO模型TM（Overseas Parts Inventory Optimization Model），有效地幫助了國內主機廠(chǎng)解決進(jìn)口件庫存優(yōu)化難題。
      該模型將零部件周期性的訂貨量描述為一個(gè)由時(shí)間、零部件、運輸節點(diǎn)構成的三維變量，以訂貨成本、運輸成本、庫存成本、缺貨懲罰成本等構成的綜合成本值作為模型的目標。約束條件則主要包括：

      1、訂貨方式和訂貨策略 

      不同訂貨方式的需求特征不同。舉個(gè)例子，零件級別的訂貨方式認為每個(gè)零件都是特殊的，因此會(huì )以單個(gè)零件的實(shí)際庫存和質(zhì)量作為模型變量求解的依據；一旦該零件發(fā)生非正常的消耗，會(huì )及時(shí)反應到該零件的需求預測——即基于單個(gè)零件測算安全庫存策略。一般情況下，訂貨量總是要求訂滿(mǎn)某個(gè)固定值的整數倍，這也會(huì )作為模型的約束之一。

      2、網(wǎng)絡(luò )結構

      供應網(wǎng)絡(luò )的差異主要反映在倉庫或配送中心的數量和結構上。若只存在一個(gè)中心倉庫，網(wǎng)絡(luò )結構相對簡(jiǎn)單，變量會(huì )從三維直接降到二維；但若存在多個(gè)配送中心，則除了優(yōu)化的對象變多外，每個(gè)對象的提前期也會(huì )自下而上形成影響，加大模型復雜度。

      3、歷史需求

      庫存的不確定性通常來(lái)源于提前期和需求的不確定，這兩類(lèi)信息決定了庫存優(yōu)化模型的基調。在模型訓練的過(guò)程中，歷史需求的數據量不斷累積，新鮮的“血液”也會(huì )不斷注入。
      例如，在歷史需求里收集到新的零件報廢率特征后，系統會(huì )自動(dòng)將其作為影響需求的因素之一，作用到模型的下次訓練中?；谔崆捌诤蜌v史消耗情況，系統可以自動(dòng)升級優(yōu)化，完善后期安全庫存策略輸出結果。

      4、服務(wù)水平

      服務(wù)水平的確定需要綜合多方面的因素，歷史的進(jìn)口件生產(chǎn)需求滿(mǎn)足率以及完備率是核心因素。車(chē)廠(chǎng)是無(wú)法站在一個(gè)客觀(guān)的角度來(lái)判定滿(mǎn)足與否的——對車(chē)廠(chǎng)而言，只要生產(chǎn)還在繼續，就不存在需求沒(méi)有被滿(mǎn)足的情況。但站在數據分析的角度，一旦出現臨時(shí)或高成本的非常規性補貨措施，例如空運補貨，便視為是一次需求未滿(mǎn)足的情況，其所對應的是不同的服務(wù)水平。

      OPIO模型

      可見(jiàn)，為實(shí)現進(jìn)口零配件優(yōu)化，需考慮多方面因素。OPIO模型的優(yōu)勢主要體現在：當所有業(yè)務(wù)特征轉換為約束條件被納入模型后，系統可根據定期的數據輸入，為業(yè)務(wù)人員提供周期性的訂貨策略，有效地預測未來(lái)需求，降低物料風(fēng)險和成本，從根本上節省車(chē)廠(chǎng)的人力物力成本。
      我們認為，隨著(zhù)汽車(chē)行業(yè)步入數字化時(shí)代，車(chē)企在加快零部件國產(chǎn)化進(jìn)程的同時(shí)，在算法的有力支持下，實(shí)現零部件供應鏈的完善升級，完成從粗放的進(jìn)口件訂貨和庫存模式的優(yōu)化轉型，是現時(shí)最好的可行方案。