下载掌阅APP，畅读海量书库
立即打开
“牛鞭效应”是指供应链的需求变异随着供应链链条的延伸而逐级放大的现象。
信息流从最终客户端逐级向原始供应商端传递时，因为无法有效地实现信息共享，使得信息因为被扭曲而逐级放大，会导致需求信息出现越来越大的波动。这种波动性放大最终会导致库存大幅升高、生产不平衡加剧，使订单交付难度加大。为此，企业不得不以加大库存、增加产能、增加加班时间、紧急生产等方式来应对，而这又大幅增加了企业的成本。
这种信息被扭曲放大的现象在图形上很像一根甩起的牛鞭，因此被形象地称为“牛鞭效应”。如果管理不好牛鞭效应，由于高库存和产能不均衡，企业的盈利能力和竞争力就会大打折扣。
2002年，我在香港科技大学参加供应链培训时，徐宁教授总结了4个形成牛鞭效应的原因：订单批量、价格波动、前置期长、不准确的市场预测。
许多企业为了获得价格优势，往往会下大批量订单。大批量订单容易获得价格优势和成本优势，包括获得好的折扣、降低运输成本、下订单的成本，等等；但同时会带来库存成本偏高、库存呆滞、占用仓储面积、占用资金等不利因素。
许多企业往往在低价时大量购买，以便获得低价优势。实际上，对于像石油、铁矿石这样的大宗商品而言，很少有人能够精准地预测价格走势。我认识几个老板，原来都囤积过矿石，最终因为赔了很多钱而终止了矿石贸易业务。相反，德龙集团年产钢3000万吨，并没有囤积矿石或者投资矿山，而是直接从现货市场购买矿石，然后加快库存周转，利润反而比那些囤积矿石的钢厂要好很多。
前置期长是导致需求变异的重要因素：采购、生产、运输、检验的前置期越长，需求变异越大。中国至欧洲的海运需要40天左右，一般的农产品需要4到8个月才能收获，所以，我们很容易理解采购、生产、运输的长前置期。
可能有人会问：检验时间会很长吗？会的。我辅导的某制药公司，其原材料需要6个月才能检出结果。可以说，长前置期自然加剧了需求的波动性。
不准确的市场预测也是导致需求变异的重要因素。只要是预测，就会有不确定性。一条供应链存在许多个环节、许多个供应商、许多个客户，他们都在预测下游客户的需求，其准确性可想而知。
“牛鞭效应”是当下制造业和流通业中普遍存在的问题，这个问题不仅对库存影响很大，对物流影响同样很大。
零售商的需求，往往相对稳定；到了批发商那里，就开始把需求放大；到了经销商那里，还会继续放大；到了工厂那里，需求就已经变得过大了（图2-19）。
图2-19 牛鞭效应
宝洁公司（P&G）在研究“尿不湿”的市场需求时发现，该产品的零售数量是相当稳定的，波动性并不大。但在考察分销中心的订货情况时，却发现波动性明显增大了。
进一步研究后发现，零售商为了保证订货量及时可得并且适应顾客需求增量的变化，通常会将预测订货量作一定放大后向批发商订货。
批发商出于同样的考虑，也会在汇总零售商订货量的基础上再作一定的放大后向销售中心订货。
这样，虽然顾客需求量并没有大的波动，但经过零售商和批发商的订货放大后，订货量就一级一级地放大了。
1998年，在英国举办的供应链管理专题会议上，一位与会者提及他的公司在生产、供应环节有这样的现象：从购进原材料，经过生产加工，再将产品配送到最终销售商，需要150天时间。虽然消费者买到这样的商品后并没有感觉到不好，而且所有的中间环节也都按照他们原本的最优效率运转着，但是这位管理者做了一个数据对比后感到非常惊愕：他的产品生产加工的整个过程仅仅占用了150天中的45分钟。
为什么供应链条被拖得这么长，而真正最有价值的只有45分钟？大部分时效被如何浪费掉了呢？
这就与“牛鞭效应”有关。这是市场营销中普遍存在的高风险现象，会导致库存升高、交付成本升高、产品呆滞升高、交付率降低。
要管理好牛鞭效应，就需要测量牛鞭效应的影响。一般情况下，人们用波动性来衡量牛鞭效应的影响，用标准方差测量波动性的大小。
需求的波动量和需求量是不同的指标，且有本质的区别。需求量很小但波动性很大的需求，其管理难度远大于需求量很大但波动性很小的需求。举个例子，如果每天都需要1000件某商品，则备货就比较容易；如果今天需求10件，明天需求100件，备货难度反而大（表2-4）。
表2-4 需求的标准方差
需求1远大于需求2，但需求2的波动却大于需求1——也就是说，管理需求2比管理需求1更难一些。
我在为一家快消品公司做改善时就遇到了这样的问题。通过对不同渠道的出货数据进行分析，我测算出了牛鞭效应波动系数的特点：越是远离末端需求的环节，需求的波动性越大。我们对制造商（A）、总经销（B）、销售渠道（C）三个点的出货波动做了分析。
该企业的产品为全渠道销售。在分析其产品在某商超（也就是图2-20中的销售渠道）的销售数据时，发现标准偏差和需求平均值的比率只有7.6%——我们姑且称该数据为波动系数。数据显示，终端需求是比较平稳的（表2-5）。
图2-20 快消品的流向渠道
表2-5 商超的需求数据
随后，我开始分析总经销商向销售渠道的出货数据，发现波动系数上升为24%（表2-6）。
表2-6 总经销向销售渠道的出货数据
我又对制造商向总经销商的出货做了统计分析，发现波动系数上升为35%（表2-7）。
表2-7 制造商向总经销商的出货数据
即便像牙膏这样几乎没有季节性的产品，牛鞭效应的波动也并不小；对于季节性的衣服和食品来说，牛鞭效应的影响就太大了。
大批量订单是造成牛鞭效应的原因之一（图2-21）。
当每周需求都是102的时候，如果按照方案1的方式备货（大批量订单），则需求的标准偏差为46，采购的标准偏差为122，牛鞭效应放大倍数为2.62；如果按照方案2的方式备货（小批量订单），则需求的标准偏差为46，采购的标准偏差为45，牛鞭效应放大倍数为0.97。
图2-21 牛鞭效应数据分析
因此，牛鞭效应是供应链管理中普遍存在的现象，研究并管理好牛鞭效应是供应链管理人士的必修课。要管理好牛鞭效应，就需要狠抓真实需求和供应链协同。
所谓真实需求，就是客户需要的真实货量，其中包括各个实体需求的真实货量以及各个实体的各个环节需求的真实货量。
由于种种原因（比如担心断货、担心库存不够、担心质量不合格、担心物流不靠谱，等等），出于安全考虑，各个环节的负责人往往都会在实际需求的基础上加一些富余量，但后来可能会发现富余量竟然比实际需求量还要大。
专业的供应链管理者可以用刚好的库存做出来刚好的订单。如果存在过多的冗余库存和大量没有按照承诺完成的订单，那就是需求管理的失败，也是供应链管理的失败。不少人有和面的经验（但更多的可能是教训）：高水平的人可以把水的量和面的量配合得刚刚好（也可以说BOM准确率高），水平差的人则不行：往往是面多了加水，水多了加面，很少有刚好的时候，最后面越和越多，像极了企业的高库存。
供应链管理要有全局思想和精益管理思想，做好协同，做好计划。不仅要考虑自己，还要考虑供应商和供应商的供应商，以及客户和客户的客户。
2020年初，新冠肺炎疫情暴发，一家汽车零部件公司因为资金管理不善而出现了资金断流。面对危机，该公司不得不向其客户求援。我的一位朋友卢先生在其客户公司担任供应链总监。
卢先生检查了一下这家公司的库存、生产计划、采购计划，发现了三个问题：
（1）在这家公司备的库存中，有很多不是他近期要用的；
（2）在这家公司计划生产的库存中，也有很多不是他近期要用的；
（3）在这家公司计划采购的库存中，又有很多不是他近期要用的。
最终发现，这些在库库存、计划生产的库存、待采购的库存中，有40%的库存不是他近期需要的。也就是说，这家汽车零部件公司并不是现在就需要很多资金。
为什么会出现这种状况呢？因为这家公司的管理和计划能力很弱，只是按照客户的历史数据备货，但由于和客户的沟通很少，所备的货中有不少并不是客户需要的。但是，这些库存却占用了大量的资金，适值疫情防控期间，资金自然更紧张。
卢先生告诉该公司，可以降低哪些库存，可以取消哪些生产，可以延迟哪些采购，并辅导该公司加强计划管理、加速库存周转、降低呆滞物料。这家公司根据卢先生的计划重新计算了一下资金需求，竟然发现资金够用了。