主计划包含MTO、MTS等几种模式，其中预测+订单的模式是消费品行业最常见的模式。周期订货模式TPOP是最常用的方法，包含独立需求、每日下达生产订单数量。公式如下：

Q=T-0H-00

Q 订单数量

T=DD(L+R)+SS

T目标库存水平

DDL期量时间内需求

DDR 评审间隔周期内的需求

SS 安全库存

OH 手边库存

OO 订单库存

笔者基于上述的模型，以一个消费品行业的真实出货数据，对预测、主计划与成品库存进行仿真分析。

1)制造模式：基于预测的MTO模式。

2)订单交付：接到客户订单后，当日交付。

3)制造周期：3天。

4)预测方法：每天基于过往8天的出货数据产生预测数据，滚动平均值。

5)主生产计划：每日进行排产，第N天排N+2天入库。

6)安全库存：以天数设定安全库存，安全天数×预测。

7)订单批量：有固定数值的生产订单批量。

8) 计划公式：TPOP计划公式，如表5-3所示。

表5-3 TPOP计划公式

表格中第二行是每日的实际出货数据，是笔者将一个客户的某个产品的数据进行等比例处理后得到的。

表格中第三行是预测数据，基于过往8天的滚动数据进行均值预测，表格单元（3，9）中的130是前8天真实订单的均值。

第四行是安全库存，以天来表示，这里用2天，那么计划是采用的安全库存数就是2天×当日的预测数。

第五行是生产订单，第9天是进行第11天的生产入库订单计算，单元格（5，12）

100+150+150- 130×3（制造周期）-2天×130，净需求是 252，然后考虑生产订单批量为50，因此当日订单是300。

第六行是期初库存，第N+1天的期初库存=第N天库存+第N天生产订单-第N天发货。

牛鞭效应：如果观察第2行的出货数据和第5行的生产订单数据，会发现生产订单波动远远大于真实订单的波动，在供应链管理中管这种波动叫牛鞭效应，就是说客户订单小的波动，转化为生产订单时波动扩大。一般书中都将其归纳为信息交流问题，但从前面可以看到，即使是企业内部数据充分的情况下，主生产订单的波动也会大于实际出货订单。这主要是计划模式造成的。如表5-4所示。

表5-4 牛鞭效应

安全库存：当安全库存是以天数维护时，就会存在波动放大的现象。例如第11天出货为300，导致从12天开始预测值增加，从第11天的146到第12天的171，为了补充安全库存和新增加的预测。

这样会在14天产生一个大订单428。

生产批量：生产为了减少切换，提升利用率，一般都会设定制造经济批量，这个取整订单也会产生波动。

控制牛鞭效用的方法：笔者刚毕业在通用汽车做海外零部件采购员时就遇到了上面类似的牛鞭效用，当时是从巴西进口紧固件，每周一次下达16周后到货的采购订单。当市场部调整整车需求计划后，由于安全客户和采购周期累计效应，供应商看到的每周需求订单巨大波动，经常无法按时交付。 笔者为此还投诉供应商，但这个供应商是通用汽车巴西采购中心，这是由于巴西的铁矿便宜，水电也便宜，基本这类铸铁的零部件都是巴西制造供应全球，因此这个供应商对我这个客户的投诉做出了强势反应，这个采购中心的计划经理从巴西飞到中国，当着笔者的科长和总监的面，展示了过往20周每周我们下达的订单的波动及分析，扎扎实实的给笔者上了一课。

解决方法也很简单，就是当市场部调整成品需求计划时，维持采购订单的均衡性不变。靠零部件库存来吸收市场部的均衡，而不是去控制所谓几天安全库存。当然，这个不能蛮干，关键是当出现一个出货波峰时，要深入分析一下看看这个出货是一次性出货，随机波动还是显示了某种趋势。