“物料需求计划（MRP）是企业根据生产、销售、采购、预测等需求来制定物料采购、生产、调拨的计划。物料需求计划的准确与否，可谓是牵一发而动全身。初始需求预测环节的微小偏差，会顺着供应链逐级延伸并放大，造成企业缺料、呆料等风险，进而给整个供应链带来无法预测的“蝴蝶效应”。
在大规模定制化生产模式日益普遍的当下，错综复杂的物料替代关系带来的超大计算量、多目标多约束带来的优化难题、企业对精细化管理的高要求等因素叠加，时常让传统的物料需求计划工具力所不及。
联想作为入选2022年“Gartner全球供应链 TOP25”的高科技制造企业，在全球拥有35家制造基地，向180多个市场提供产品和服务，与全球5000多家供应商建立了合作关系。生产规模大、定制化需求多、多工厂协同的业务特点，推动着联想在物料需求计划中寻求更加高效、灵活的MRP解决方案，以从初始环节降低供应链“蝴蝶效应”带来的潜在风险。
近日，联想研究院人工智能实验室智能供应链团队经理、资深研究员欧阳文理博士受邀进行了《运筹学在联想供应链物料需求计划中的落地实践》的主题直播，分享联想MRP在物料需求计划中的技术积累与实践经验。
运筹学在联想供应链物料需求计划中的落地实践
01 传统MRP面临待解难题
传统MRP的求解方式，通常是依据业务专家的规则，比如依据订单和物料的优先级依次去做物料的扣减、缺料的计算等。然而实际生产场景中更多的物料BOM层级、更复杂的物料替代关系、更严苛的约束条件，严重影响着物料需求计划的求解效率和准确性。传统MRP面临极大挑战：
● 敏捷响应难。VUCA时代下，计划业务中需要频繁、快速地评估物料需求计划，以增强供应链韧性，而传统MRP面对BOM的拆解计算和多物料间错综复杂的替代关系难以快速求解和响应。
● 多目标多约束计算困难。对于库存水平、采购控制、成本最低等多目标多约束的物料需求计划，传统方式常用的启发式求解无法得到全局最优的结果，成本的控制仍然有可优化空间。
● 库存管理精细化。库存管理是供应链中的重中之重，而如何安排采购和消耗库存是库存管理的核心，如何在需要时候买，需要多少买多少，保证需求满足的同时降低库存积压的风险是对库存管理精细化的更高要求。
02 智能决策的解题之道
物料清单（BOM）是MRP系统中最重要的基础数据，其结构的复杂度直接影响求解难度。以电子产品为例，成品的BOM通常存在几十个层级，每个层级又存在几十到上百个不同物料种类。尤其是当BOM中存在替代料的时候，最终成品的装配方式可以达到一个天文数字，这也是制约MRP系统的求解能力和效率的关键因素。联想MRP通过优化求解模型，实现了通盘决策，全面提高供应链效率。
● 高效求解：联想MRP通过对模型的优化，极大简化了模型的复杂度。以一个简单的BOM为例，成品由15个物料组装而成，每个物料均有3种替代料，如果采用传统MRP的混合整数规划（MIP）模型来求解，装配方式数量可达十亿种以上。在通过在物料之间建立虚拟物料节点，将装配方式数量的增长从几何级数转变成线性累加的关系，对MIP模型进行优化后，该成品装配方式的数量从十亿以上降低到了6750种，降低了求解难度，实现了分钟级响应；
● 通盘决策：联想MRP通过按订单优先级匹配，消耗物料时，优先消耗通用性差的替代料的策略，通过全局优化求解，解决了传统MRP逐个处理供给、需求，各环节孤立、分段式输出结果等方面的不足，通过通盘决策，实现供应链的精细化管理；
● 场景优化：物料的不完全替代关系属于行业痛点，传统方法开发难度大，无法实现全局优化。联想MRP通过对物料需求场景进行优化，实现了物料不完全替代组的全局最优求解，同时兼顾计划与库存调拨，提高了库存利用率，降低整体库存水位。
此外，针对传统MRP模型重复利用率低、功能迭代周期长的问题，联想MRP基于全OR算法优化建模方式，构建了通用化的产品架构，提升了产品的通用性和可扩展性。
03 实践显成效
目前，联想MRP已经在联想供应链多个场景中落地应用，在保证结果准确性的同时全局优化求解的优势在复杂需求场景中展现出了显著成效。
● 在不考虑替代料、多工厂联合计划、不同时间段优化的情况下，联想MRP输出的供需匹配结果、物料库存消耗和新发采购数量与传统MRP系统一致；
● 以平板电脑业务为例，在有不完全替代料存在的情况下，基于物料的不完全替代关系和不同的消耗逻辑，联想MRP通过全局优化求解，消耗了更多的库存，每周物料新发采购数量从4643件显著降低到203件；
● 面对传统MRP无法直接支持的多工厂联合计划，联想MRP通过全局优化算法可直接生成决策建议，实现全局化物料调拨，降低新采购物料。
联想MRP的成功实践意味着制定生产和采购计划这一制造业供应链难题已经有了更有效的解决方案。至此，联想供应链智能决策解决方案的蓝图也铺展开来：以供应链决策为切入点，用智能化连接制造业与未来。
（关注公众号ML OR 智能决策，分享更多干货，欢迎交流~）