简介这份PPT资料面向制造业集团供应链管理者、计划与运营岗位从业者聚焦供应链管理成熟度评估与集成计划流程框架搭建。内容围绕多种订单组织方式并存、计划模式规则不清、集成计划以职能为中心、采购执行多部门多窗口等痛点给出顶层设计、组织研讨、体系建立、需求与订单管理、产销平衡、零部件计划与交付等解决思路并延伸到长中短期计划体系、锁定区与柔性区规则以及IT平台产销存一体化功能。资源包共1个pptx文件约3.92MB以图文框架和流程梳理为主便于直接用于内部研讨与方案汇报。已有66人学习适合需要梳理计划体系、明确订单组织方式、推动供应链精益化改善的读者参考借鉴。1. 制造业集团供应链管理成熟度评估模型从一张 PPT 到可落地的诊断框架制造业集团的供应链管理最怕的不是没战略而是不知道自己现在到底处在什么水平。我见过太多企业年营收几十亿供应链部门却还在用 Excel 手工对账计划、采购、生产、物流各管一段开会就是互相甩锅。这时候如果直接上 SOP、上集成计划系统基本等于给拖拉机装飞机引擎——不是引擎不好是底盘扛不住。供应链管理成熟度评估模型要解决的就是这个问题先用一套结构化的尺子把集团总部、事业部、工厂三层的供应链能力量出来再决定集成计划流程框架该从哪一层切入、按什么节奏推。这套方法适合年营收 5 亿以上、多工厂多事业部、正在从职能型供应链向集成型供应链转型的制造业集团。如果你手里正好有一份《制造业集团供应链管理成熟度评估模型及集成计划流程框架》的 PPT想把它变成能汇报、能落地、能验收的方案下面这套拆解路径可以直接抄作业。2. 成熟度评估模型怎么搭五级标尺与三层指标拆解2.1 为什么不能用 CMMI 直接套供应链软件能力成熟度模型 CMMI 在制造业供应链场景下有个致命问题它假设流程是离散的、可重复的但供应链的痛点是跨组织协同和需求波动。我一般会参考 SCOR 模型的 Plan-Source-Make-Deliver-Return 五个域但把评估维度压成三层集团管控层、业务协同层、执行操作层。集团管控层看的是计划体系是否统一、主数据是否集中、KPI 是否对齐业务协同层看的是产销协同、采购协同、物流协同的机制执行操作层看的是订单履行、库存周转、异常处理的具体能力。每层再拆成 3 到 5 个可观测指标比如集团管控层里“需求计划准确率”和“SOP 会议闭环率”就是两个硬指标。五级标尺我习惯这样定义L1 是救火型计划靠电话、库存靠拍脑袋L2 是职能型各部门有流程但各管一段L3 是集成型跨部门有固定协同机制L4 是预测型能用数据驱动决策L5 是自适应型能根据市场变化自动调参。大部分制造业集团实际落在 L2 到 L3 之间能到 L4 的凤毛麟角。评估时不要追求精确到小数点关键是找到“卡在 L2 上不去 L3”的那个断点。2.2 指标权重怎么设才不拍脑袋权重设置最容易翻车的地方是“所有指标一样重要”。我一般用 AHP 层次分析法做一轮专家打分但只做粗筛最终权重靠业务影响度校准。具体做法是先让供应链、生产、采购、财务四个部门的负责人各自给指标按 1 到 5 分打分然后算几何平均再归一化。下面这段 Python 代码可以直接跑输入是四个部门对 8 个指标的评分矩阵输出是权重向量和一致性比率。import numpy as np # 四个部门对 8 个指标的评分行是部门列是指标 # 指标顺序需求计划准确率、SOP闭环率、主数据一致性、采购协同度、 # 生产排程柔性、库存周转率、物流可视化、异常响应速度 scores np.array([ [5, 4, 4, 3, 4, 5, 3, 4], # 供应链部 [4, 5, 3, 4, 3, 4, 4, 5], # 生产部 [3, 4, 5, 5, 3, 3, 4, 4], # 采购部 [4, 3, 4, 3, 5, 4, 3, 5], # 财务部 ]) # 几何平均求综合评分 geo_mean np.prod(scores, axis0) ** (1 / scores.shape[0]) # 归一化得到权重 weights geo_mean / geo_mean.sum() print(指标权重) indicators [需求计划准确率, SOP闭环率, 主数据一致性, 采购协同度, 生产排程柔性, 库存周转率, 物流可视化, 异常响应速度] for name, w in zip(indicators, weights): print(f {name}: {w:.3f}) # 简单一致性检查权重最大最小比不应超过 3 print(f\n最大最小权重比{weights.max()/weights.min():.2f})这段代码的逻辑是先收集多部门评分用几何平均消除极端值影响再归一化成权重。参数说明scores矩阵的行数对应参与打分的部门数列数对应指标数评分范围 1 到 5。跑完之后看最大最小权重比如果超过 3说明专家意见分歧太大需要重新对齐指标定义。我一般会把权重结果拿回会上确认避免“算出来没人认”的尴尬。2.3 评估执行从问卷到现场验证的四个步骤第一步是问卷设计。不要用“你觉得供应链协同好不好”这种主观题要换成“过去三个月SOP 会议决议的执行率是多少”这种可验证的问题。每个指标配 3 到 5 个事实性问题答案分五档对应 L1 到 L5。第二步是数据采集问卷发给集团供应链总监、事业部计划经理、工厂厂长三层每层至少 3 个人避免单点偏差。第三步是现场验证挑两个典型工厂用半天时间走一遍订单履行流程看实际动作和问卷答案是否一致。第四步是出报告报告里不要只写“贵司处于 L2.3”要写“贵司在需求计划准确率上处于 L2但 SOP 闭环率已经到 L3建议优先补齐需求计划的数据基础”。提示评估报告里每个低分项都要配一个“如果补上预计能带来什么收益”的估算否则业务部门不会认账。3. 集成计划流程框架从 SOP 到周滚动的五层设计3.1 集成计划的五个层级和各自的时间颗粒度集成计划不是一套计划而是五套计划咬合在一起。第一层是战略计划时间颗粒度是年度看的是产能布局和供应链网络设计第二层是 SOP月度颗粒度平衡需求和供应第三层是主计划周颗粒度决定成品和半成品的生产节奏第四层是物料需求计划日颗粒度算采购和委外第五层是排程计划小时或班次颗粒度落到机台和产线。很多集团推集成计划失败就是因为把五层压成一层让 SOP 会上去讨论机台排程或者让车间主任去背年度产能规划。我一般会先画一张“计划层级-决策权限-数据来源”对照表把每层计划的输入、输出、责任人、会议频率写清楚。这张表是后续所有流程设计的地基没有它集成计划就是空中楼阁。计划层级时间颗粒度决策权限核心输入输出物会议频率战略计划年度集团总裁市场趋势、产能现状供应链网络方案半年一次SOP月度供应链总监需求预测、供应约束产销平衡方案每月一次主计划周计划经理SOP 决议、库存策略主生产计划每周一次物料需求日采购经理主计划、BOM采购订单每日滚动排程计划班次车间主任物料齐套、设备状态机台排程每日两次3.2 用 Python 做 SOP 供需平衡的快速验证在推集成计划之前我习惯先用一个最小模型验证供需平衡逻辑能不能跑通。下面这段代码模拟一个月的 SOP 场景输入是需求预测和期初库存输出是各周的生产计划和期末库存。参数可以按实际业务改比如安全库存系数、产能上限、最小批量。import numpy as np # 四周需求预测单位台 demand np.array([1200, 1500, 1100, 1300]) # 期初库存 initial_inventory 800 # 安全库存系数周需求的比例 safety_stock_ratio 0.2 # 每周产能上限 capacity 1600 # 最小生产批量 min_batch 200 inventory initial_inventory production_plan [] for week, d in enumerate(demand): # 目标期末库存 下周需求 * 安全库存系数 if week len(demand) - 1: target_inventory demand[week 1] * safety_stock_ratio else: target_inventory d * safety_stock_ratio # 净需求 本周需求 目标库存 - 当前库存 net_requirement d target_inventory - inventory # 按最小批量向上取整 planned_production max(min_batch, np.ceil(net_requirement / min_batch) * min_batch) # 受产能约束 planned_production min(planned_production, capacity) inventory inventory planned_production - d production_plan.append(planned_production) print(f第{week1}周需求{d}计划生产{planned_production:.0f}期末库存{inventory:.0f}) print(f\n总生产量{sum(production_plan):.0f}) print(f总需求量{demand.sum()})这段代码的核心逻辑是“需求目标库存-现有库存净需求”再按最小批量和产能约束调整。参数说明safety_stock_ratio设 0.2 意味着每周要备下周需求的 20% 作为安全库存capacity是硬约束超过就压不进去min_batch是生产经济性约束。跑完之后看期末库存有没有出现负数如果有说明产能不够或者安全库存设太高需要回到 SOP 会上重新平衡。3.3 集成计划落地的三个组织前提流程框架再漂亮组织不配套就是废纸。第一个前提是计划职能要集中不能采购归采购计划、生产归生产计划、销售归销售预测必须有一个计划部统管五层计划。第二个前提是数据要统一物料主数据、BOM、工艺路线、供应商主数据必须在一个系统里不能各事业部各搞一套。第三个前提是考核要挂钩SOP 决议的执行率要进事业部总经理的 KPI否则会上答应的事会后没人做。我见过一个集团SOP 会开了两年决议执行率不到 40%后来把执行率纳入考核三个月就拉到 85%。4. 成熟度评估与集成计划的咬合先诊断后开方4.1 评估结果怎么映射到集成计划的推进节奏成熟度评估不是终点是起点。如果评估结果是 L2集成计划就先从主计划和物料需求计划切入把周滚动和日滚动跑通别急着上 SOP。如果已经是 L3就可以推 SOP但要把需求计划准确率作为第一个要攻的山头。如果到了 L4才考虑用算法做需求预测和自动排程。我一般会画一张“成熟度-集成计划推进路线图”横轴是时间纵轴是计划层级每个阶段标清楚要达成的成熟度目标和验收标准。4.2 一个集团型企业的推进案例拆解某装备制造集团年营收 80 亿有 6 个工厂、3 个事业部。评估下来集团管控层 L2业务协同层 L2执行操作层 L3。问题很典型事业部各自做预测集团拿不到真实需求采购各自谈价没有集采优势工厂之间产能不共享有的忙死有的闲死。推进路径分三步第一步用三个月把主数据统一物料编码、供应商编码、BOM 格式全部拉齐第二步用六个月推主计划和物料需求计划周滚动计划在集团层面跑通第三步用九个月推 SOP月度产销平衡会固定下来。一年半之后复评集团管控层到 L3业务协同层到 L3执行操作层到 L4。关键动作不是上了什么系统而是把计划职能从各事业部收归集团计划部考核权也跟着收上来。5. 避坑与排查成熟度评估和集成计划推进中的五个血泪教训5.1 评估问卷收上来全是满分现象问卷发下去收回来一看大部分指标都是 4 分或 5 分评估结果虚高。原因填问卷的人怕暴露问题被追责或者根本不知道真实情况。解决问卷匿名填但现场验证必须做挑两个工厂走流程用实际数据打脸问卷。我一般会提前跟工厂厂长说“我是来帮你们找资源的不是来扣分的”降低防御心理。5.2 SOP 会开成了吵架会现象月度 SOP 会销售说需求就这么多生产说产能不够采购说供应商交不了吵三个小时没结论。原因没有前置的供需平衡数据准备会上才第一次看到数字。解决会前三天发供需平衡初稿各事业部先书面反馈会上只讨论差异项。会议主持人必须是供应链总监不能是销售总监否则会变成销售批斗会。5.3 集成计划系统上了但没人用现象花大价钱上了 APS 系统计划员还是用 Excel系统里的数据永远是过期的。原因系统操作太复杂或者系统算出来的结果和实际差太远计划员不信任。解决先跑双轨Excel 和系统并行三个月每周对比差异找到系统参数哪里没调对。参数调准了计划员自然愿意用。我一般会挑一个计划员当“种子用户”让他参与参数调试调好了他帮你推。5.4 成熟度评估报告没人看现象评估报告写了 80 页汇报完就进档案柜没人再提。原因报告太技术化没有和业务收益挂钩。解决报告前面加一页“执行摘要”用三句话说清楚现在在哪、卡在哪、补哪里能赚多少钱。后面每章配一个“行动建议”直接告诉业务部门下一步做什么。5.5 集成计划推进到一半换领导现象项目推了半年供应链总监换人新领导不认旧方案项目搁置。原因方案没有变成集团层面的制度只靠领导个人推动。解决推进初期就把集成计划的流程、职责、考核写进集团管理制度走正式发文。领导可以换制度不变。注意避坑的核心不是避免所有问题而是问题出现时知道往哪查。我一般会建一个“问题-原因-对策”台账每踩一个坑就记一笔下次推进新项目先翻台账。6. 用最小闭环验证成熟度评估模型一个 Excel 加 Python 的快速技巧如果你不想一上来就搞大评估我建议先用一个最小闭环验证模型能不能用。具体做法是选一个事业部挑 5 个核心指标用 Excel 收集数据用 Python 算权重和得分一周之内出结果。下面这个脚本可以直接跑输入是 Excel 文件路径输出是成熟度得分和雷达图数据。import pandas as pd import numpy as np # 读取评估数据Excel 格式第一列是指标名后面是各部门评分 df pd.read_excel(supply_chain_assessment.xlsx, index_col0) # 假设评分已经归一化到 1-5 分 scores df.values # 几何平均求综合得分 geo_mean np.prod(scores, axis1) ** (1 / scores.shape[1]) # 映射到成熟度等级 def to_level(score): if score 1.8: return L1-救火型 elif score 2.6: return L2-职能型 elif score 3.4: return L3-集成型 elif score 4.2: return L4-预测型 else: return L5-自适应型 print(成熟度评估结果) for indicator, score in zip(df.index, geo_mean): print(f {indicator}: {score:.2f} - {to_level(score)}) # 输出雷达图数据可以直接复制到 Excel 做图 print(\n雷达图数据指标,得分) for indicator, score in zip(df.index, geo_mean): print(f {indicator},{score:.2f})这段代码的逻辑是从 Excel 读多部门评分用几何平均算综合得分再映射到五级成熟度。参数说明Excel 第一列是指标名后面每列是一个部门的评分评分范围 1 到 5。跑完之后把雷达图数据复制到 Excel插入雷达图汇报时一张图就能说清楚哪里强哪里弱。我一般会把这个脚本存成模板每次评估换个 Excel 文件就能跑省去重复写代码的时间。最后说一个我自己的习惯每次做完成熟度评估我都会把评估过程中发现的“数据断点”记下来比如“需求计划准确率算不出来是因为销售数据没有按周颗粒度录入”。这些断点比评估分数本身更有价值因为它们直接告诉你集成计划该从哪里开始补数据。希望帮到你。本文还有配套的精品资源点击获取
 vs 环形缓冲区实测对比)
