上个月，隔壁老王的工厂又停产了。

原因特别离谱——仓库里明明堆着2000个轴承，但装配线上却缺一个特定型号。计划员抱着电脑冲进车间，ERP系统显示库存充足，其实那些轴承是给另一款产品备的，压根不通用。老王跟我吐槽：“这破系统，数据和现实就像一对离婚十年的夫妻，各过各的。” 这种事我见太多了。说实话，20年前我们上MRP的时候，就幻想过“按下按钮，物料自动到位”的完美场景，但现实总是打脸。

计划赶不上变化：MRP的先天缺陷

MRP逻辑的核心是“无限产能假设”——它默认机器永远不坏，工人永远不请假，供应商永远准时。对吧？太天真了。实际车间里，设备故障、模具损坏、临时插单，随便一个意外就能把排期搅成一锅粥。而且，MRP对时间的计算严苛到不切实际：它要求你精确输入每个工序的提前期，但有多少工厂能准确说出“这个工件需要3.6天还是4.1天”？往往是拍脑袋填个数，然后一错千里。

更抓狂的是，一旦某个环节延误，系统不会自动调整后续计划，必须人工重新运算。这就导致计划员整天疲于“追数”，根本没时间做优化。💡 我见过最极端的案例：一家注塑厂因为ERP跑出来的采购建议滞后两天，导致多买了30吨ABS料，最后当废品卖。

工厂MRP计划与现实脱节物料堆积混乱

数字孪生不是万灵药

近几年吹得很猛的数字孪生，能实时映射供应链状态，听起来像救世主。但实践下来——唉，坑也不少。最大的问题是数据质量：如果你的底层数据还是靠人工录入、扫码枪漏扫、库存不准，那孪生出来的就是个“数字鬼城”，看着华丽，实则一无是处。我去年参观一家汽车零部件厂，花300万上的数字孪生系统，大屏炫酷，可线上显示在制品数量总比实际少10%，原因仅仅是报工终端离工位太远，操作工懒得用。

还有，数字孪生对模型精度的要求极高。比如物流模拟，你得知道每辆叉车的平均速度、转弯半径、充电时间……这些参数稍微偏差一点，推演出的到货时间就不靠谱。❗ 很多企业忽视模型校准，上线即巅峰，然后逐渐废弃。

不过话说回来，数字孪生用来做“假设分析”确实爽。比如突然断供某颗芯片，模拟一下哪些订单受影响，调整优先级，比人工瞎猜强得多。但千万别指望它取代人的判断。

供应链数字孪生大屏监控实时数据

韧性的代价：要不要搞双供应商？

韧性的代价：要不要搞双供应商？

疫情后，“供应链韧性”成了热词。简单说就是别把鸡蛋放一个篮子里。可执行起来——钱呢？中小制造企业利润薄得像刀片，搞双供应商意味着备选渠道也得养着，最低采购量、模具分摊，都是成本。我曾帮一个家电客户测算，维持第二家PCB供应商每年得多花80万，而断供风险概率不到3%。老板咬咬牙：“抗着吧，真断了再说。” 结果去年夏天主供商所在园区限电，真断了…… 幸运的是，靠着现货市场高价扫货撑了过去，但毛利直接见底。

所以，韧性这事，本质上是个保险费，你愿不愿意为小概率事件买单？我的建议是：先梳理物料风险等级。对于长周期、独家供应、技术门槛高的物料，哪怕成本高也必须备胎；通用件就别折腾了，让库存缓冲来解决。

问：你怎么看“零库存”概念？现在还适用吗？
答：零库存是丰田在特定年代、特定地域搞出来的极致艺术，前提是供应商半径短、需求稳定、工序高度协同。现在的环境，动不动黑天鹅，零库存约等于零韧性。我见过太多“精益”工厂因为一个集装箱延误就全线停工。适当的库存不是罪恶，是保险。真正该追求的是“精准库存”——知道什么该多屯、什么可以少屯。

问：小工厂搞不起数字孪生，怎么提升供应链透明度？
答：不用一步登天。先从最痛的点入手，比如搞定库存准确率。哪怕用Excel，只要每天盘点关键物料，做到账实相符，就赢了50%的同行。然后，把供应商的交货数据和你的生产进度关联起来，一个共享看板就能减少80%的催货电话。别迷信系统，流程和纪律先于工具。

最后，我想聊聊一个反常识的观察：过分追求供应链的“最优”往往会适得其反。算法再精妙，也架不住人性——采购怕缺料就私自放大订单，车间为了省事提前领料，这些“微调”积累起来足以让整个模型崩溃。所以，与其把精力全花在“算得更准”上，不如建一套快速纠偏的机制。比如每天早上9点跨部门碰头，看实际产出偏离计划多少，当场拍板调整。这比任何AI都有效。

供应链的终极敌人不是不确定性，而是僵化。从MRP到数字孪生，工具在变，但核心从来没变：让人、流程、数据形成闭环。缺了任何一环，剩下的就是一坨昂贵的摆设。