S&OP Engineering III：Excel的终结（供应计划线性规划）
Source: Dev.to
“我们总是想要 4 周的库存覆盖。”
这句话在全球每一次 S&OP 会议上像咒语一样反复出现，具有财务毒性。
为什么？ 因为它是 对动态系统施加的固定规则。
如果你一月份的需求是 200 件，七月份的需求是 20 件，你就迫使自己分别保持 800 件和 80 件的“以防万一”。一月份会出现短缺，七月份则无缘无故占用资本。
替代方案并不是更高深的直觉，而是 数学。
执行摘要
在本章中，我们将来自Chapter 2的概率预测与线性规划引擎（PuLP）相结合，该引擎计算出在满足安全库存约束的前提下，最小化总成本（生产 + 储存）的精确生产计划。我们从被动预测转向主动处方。
从预测到决策：架构
在 第 1 章 我们清洗了信号。
在 第 2 章 我们预测了需求。
现在我们要迈出 Excel 做不到的步伐：优化。
我们在 GitHub 上的流水线连接到 Supabase，读取 demand_forecasts 表（我们预测的未来），并生成一个新的 supply_plans 表。系统已经从
- 描述性 – 发生了什么？
- 预测性 – 将会发生什么？
- 规范性 – 我们应该怎么做？
演进为运筹学——同样用于优化航空航线、军用物流和全球供应链的学科——我们只用了约 50 行 Python 代码来实现。
Source: …
商业数学
我们并没有隐藏方程式；它们是决策的核心。下面是我们 SupplyOptimizer 类的核心片段：
# Objective Function: Minimise total cost
problem += pulp.lpSum(
production_cost * production[t] + holding_cost * inventory[t]
for t in range(T)
), "Total_Cost"
# Constraint: Inventory Balance (Conservation of Mass)
for t in range(T):
prev_inv = initial_inventory if t == 0 else inventory[t - 1]
problem += (
inventory[t] == prev_inv + production[t] - demand[t],
f"Balance_t{t}"
)
# Constraint: Safety Stock (Risk Policy)
for t in range(T):
problem += (
inventory[t] >= safety_stock,
f"SafetyStock_t{t}"
)值得解释的三个工程决策
目标函数 – 它并不追求“大量库存”或“高产量”。它追求 最低的财务成本，即制造成本与储存成本之间的平衡。求解器会自动找到两者综合成本最小的精确点。
质量平衡 – 一个物理约束：你不能卖出你没有的东西。今天的库存等于昨天的库存加上今天的生产减去今天的需求。没有魔法；方程式禁止作弊。
安全库存 – 风险策略：库存绝不能低于安全最低值（在我们的案例中为平均需求的 1.5 个月）。该系统会计算这个值，而不是凭空在电子表格中填入一个数字。
主计划：从算法到业务决策
这正是运营总监需要看到的。
算法并非均匀产出。如果它在某一期检测到巨大的需求激增，它会在前几个月“预先构建”库存，以平滑生产负荷。若持有成本高，它会保持仓库为空，实行准时生产（JIT）。Excel 单独无法实现这一点；数学可以。
使用测试数据得到的求解器结果
| 成本类型 | 金额 |
|---|---|
| 生产成本 | €1,680 |
| 库存成本 | €540 |
| 优化后总成本 | €2,220 |
这个数字不是估算值。它是在给定约束条件下的 可证明的全局最小值。如果有人在相同参数下提出更便宜的方案，那就意味着违反了约束。
开放厨房：玩转求解器
我不信任那些无法付诸实践的理论。这就是为什么我准备了一个 Google Colab，您可以在其中对我们真实数据的快照运行优化器。
实验： 将 holding_cost 改为一个极高的值（例如 €50/单位）。观察算法自动决定采用准时生产（Just‑in‑Time），并使仓库几乎保持空置。随后降低生产成本，观察它倾向于批量生产和储存。数学会自适应；Excel 的固定规则则不会。
修改成本、产能约束、安全库存。做工程，而不是盲目信任。
完整链路：从数据到决策
在本章中，我们构建了一个端到端的 S&OP 系统，能够从脏的 ERP CSV 文件生成最优的生产计划：
下一步：向企业级扩展
我们现在在数据库中拥有完美的计划——但仅针对单一产品。当添加三个共享同一工厂的 SKU 时会怎样？
继续在 第 4 章 中的旅程。
工程 – 第 4 部分 – 企业
我们打破 MVP：注入具有截然不同特征的多产品数据，使用 MLOps 并行化预测，并构建统一的线性规划模型，使产品在共享生产能力上 在数学上竞争。
运营总监在 计划 与 优化 之间的区别在于他们直觉与现实之间的目标函数。