交期怎么报才靠得住:接单前先算,承诺后对表
报交期发生在接单那一刻,决定交期的车间负荷、瓶颈工序和物料齐套却分散在各处。本文借助可承诺量(ATP)与按产能可承诺(CTP)两个公开概念,说明接单前怎样先算、承诺后怎样持续对表,以及可以从哪一步开始。
先说结论
- 交期靠不住,问题多半出在报交期的那一刻:车间负荷、瓶颈工序、物料齐套和在途到货这四样当下的信息,报交期的人看不到。
- 接单前先算:把新订单拆到工序,放进已承诺订单占用之后剩下的产能里,看瓶颈、看齐套、看对老订单的影响,再说明依据和余量。
- 承诺之后要对表:跟踪实际进度、齐套变化和插单改单;一旦可能晚交,说清是哪张单、晚多少、为什么晚。
- 可以从一张已承诺订单表和一两道瓶颈工序开始,数据理顺之后,再交给排程系统自动试算和对表。
客户来询单,常问的一句是:「什么时候能交?」
这句话通常在接单时就要回答,回答的多半是销售或业务负责人。可是真正决定交期的信息,车间现在压了多少活、最忙的那道工序排到了哪天、物料齐不齐、在途的料什么时候到,分散在计划、车间和采购手里。报交期的时刻和决定交期的信息,常常不在同一个地方。
本文讨论两件事:怎样让报出去的交期有依据,报出去之后又怎样一直守着它。范围限于需要排产的离散制造;合同条款、违约责任这类商务问题不在本文讨论之内。
报交期在文献里叫什么? 在供应链计划的文献里,接单时给出交货日期这件事称为订单承诺(order promising):依据可用的物料和产能,为客户订单算出第一个承诺交货日期 [2][3]。这个日期直接影响订单的交付周期和准时交付 [2]。下文的可承诺量(ATP)和按产能可承诺(CTP),是计算这个日期的两种口径。
为什么报出去的交期常常靠不住?
接单时要给出交期,至少要回答四个问题:
- 车间负荷:已经答应客户的订单,把机台和人手占到了什么程度。
- 瓶颈工序:订单要走的几道工序里,哪一道最挤。整单什么时候完工,取决于最挤的那道工序能排到哪天。
- 物料齐套:做这张单要用的料,在库的够不够,不够的部分哪天能到。
- 在途到货:已经下了采购单的料,能不能按供应商答应的日子到厂。
这四样信息每天都在变。按以往同类订单的周期报交期、再加一点余量,是很常见、也很有道理的做法,车间负荷平稳时,经验周期往往够用。它的局限在于看不到当下:上周接了几张大单,瓶颈工序已经排满;某种料的在途晚了几天。这些变化在报价的那一刻,不一定传得到报交期的人手里。
按经验周期报交期,误差能有多大,有一项公开的案例研究可以参照。2024 年发表的这项研究,用了一家德国按订单小批量生产企业 2019 年 7 月至 2022 年 3 月的 16361 张订单:销售在报价阶段凭经验估计交期,并留出较大余量;这些订单平均约 18 个工作日交货。如果每张订单都按历史平均交货周期估计,估计值与实际交货的均方根误差约 12 个工作日;工艺计划部门核对图纸、查过原料、定下工艺和机台之后给出的计划交期,误差约 5.9 个工作日,大约是前者的一半 [5]。同一研究里另一家德国企业的订单平均约 27 个工作日交货,两种估法的误差分别约 10.2 和 5.8 个工作日 [5]。这是两家企业的数据,它说明的是:结合车间当下的情况再估,交期会准得多。
经验周期加余量,在经济学上可以看作一条事先定好的规则。《权力与预测》一书的看法是:人和组织在信息太贵、算不准的时候,用规则代替每一次的决定,规则背后藏着的,正是当时算不准的那件事;一旦信息变便宜、算得准了,一部分规则就值得改回按当下的情况来定 [6]。报交期「一律三十天」「再加一周」,兜住的就是报价那一刻看不到的车间负荷和物料。
交期一旦报出去,分量很重。一本供应链高级计划著作把「确定客户需求如何被满足」的计划过程称为需求履行,指出这个过程算出客户订单的第一个承诺日期,并因此强烈影响订单的交付周期和准时交付 [2]。
可承诺量(ATP)和按产能可承诺(CTP)分别是什么?
围绕「能不能答应、什么时候能答应」,供应链计划领域有两个常用概念,分别回答不同的问题。
可承诺量(ATP,Available-to-Promise)。 把现有库存和预计到来的供给,与已经答应客户的订单相抵,剩下的数量就是可承诺量,可以用来给新进来的订单承诺交期 [1]。它回答的问题是:现成的货,加上计划里会产出、会到货的部分,扣掉已经答应别人的,还剩多少、哪天能给新客户。
按产能可承诺(CTP,Capable-to-Promise)。 可承诺量不够时,可以依据按产能可承诺来答应订单,它指的是可用产能扣掉已承诺订单所占之后,剩余的空闲产能 [1]。它回答的问题是:这批货要新做,产能排不排得下,排进去哪天能做完。
| 概念 | 回答的问题 | 要用到的数据 |
|---|---|---|
| 可承诺量(ATP) | 现成的和计划中会有的货,还剩多少可以答应 | 在库、计划产出、在途到货、已承诺订单 |
| 按产能可承诺(CTP) | 需要新做的部分,产能排不排得下、哪天能完 | 工作日历、工艺路线、工序工时、已承诺订单占用的产能 |
对按订单生产、成品库存很少的工厂,报交期时更常碰到的是后一个问题。
研究中也在把两类约束放到一起算。有一项研究提出的报交期模型,直接把物料和产能在内的可用资源与客户订单关联起来,为一段时间内到达的一批订单逐单给出交货日期,并考虑了物料替代、产能利用等实际约束 [3]。文献中还报道过一种更直接的做法:每来一个新询单、需要报交期时,就把生产计划重新优化一遍 [1]。
这些做法有一个共同的出发点:新订单能答应什么,要看已经答应出去的那些占掉了什么。
把上面几种思路和最常见的经验做法放在一起,报交期大致有四种做法:
| 做法 | 依据 | 看得到什么 | 看不到什么 | 适合的情况 |
|---|---|---|---|---|
| 按经验周期加余量 | 以往同类订单的周期,再留一段余量 [5] | 平均水平 | 当下的车间负荷、瓶颈排期、物料齐套 | 负荷平稳、品种不多的时期 |
| 查可承诺量(ATP) | 在库和计划中的供给,扣掉已承诺订单 [1] | 现成的和计划中会有的货还剩多少 | 需要新做的部分排不排得下 | 有成品或半成品库存可以直接分配 |
| 按产能试算(CTP) | 可用产能扣掉已承诺订单占用之后剩余的产能 [1] | 新订单各道工序在哪天有空档、卡在哪道工序 | 没有录入系统的现场情况 | 按订单生产、需要新做 |
| 每来一个询单就重新优化整份计划 | 把新询单放进生产计划重新优化 [1] | 新订单对已承诺订单的影响 | 同样看不到没有录入的现场情况 | 数据维护得好、计算能及时算完 |
后两种做法都要用到工序、工时、日历和已承诺订单的数据,下一节的六步就是按产能试算的做法。
接单前怎样算出一个有依据的交期?
把上面的思路落到车间,「先算」大致是下面几步。
第一步,拆到工序。 按物料清单和工艺路线,把新订单拆成要做的工序:每道工序在哪类机台上做、要多少工时。
第二步,叠到已有的负荷上。 已经答应客户的订单占着的机台时段先不动,新订单的每道工序在剩下的空档里找位置,同时遵守工作日历、班次和换型时间。这就是按有限产能计算:产能按实际可用的算,已被占用的部分不再重复使用。
第三步,看瓶颈。 各道工序排进去之后,整单的完工日期由最晚排完的那道决定。先弄清楚交期卡在哪道工序上,才谈得上怎么提前。
第四步,看齐套。 一道工序开不开得了工,还要看它用的料是否全部到位。在库的算现成的,在途的按预计到货算,都没有的就要看采购周期。齐套时间和产能空档取较晚的一个,才是这道工序真正能开工的时间。
第五步,看对已有订单的影响。 新订单排进去,可能把原来的订单挤晚。报交期时除了看新单哪天能完,还要看有没有已经答应客户的订单因此变晚。这一步容易被忽略,忽略的代价是新单答应了,老单却晚了。
第六步,把依据和余量说清楚。 算出来的日期是依据当前数据的估计。有的估算只看物料何时到位、不看机台被别的订单占用,得到的只是「最早可能」的日期,这类结果要标明是最早日期,不宜直接当作承诺日。余量怎么留,研究中也有讨论:一项关于按产能可承诺的研究,用预留安全产能、向客户提出备选交期等预防措施,来应对订单和资源两方面的不确定性 [4]。
举一个假设的例子。一张新单要经过下料、机加工、热处理、装配四道工序。按标准周期估,大约三周能交。放进现有计划里试一遍,情况可能是这样:机加工这周已经被答应出去的订单排满,新单最早下周三才能上机;热处理按炉次组织,要等凑够一炉;装配用到的一种外购件在途,供应商答应的到货日在两周后。三件事叠在一起,整单完工落在四周之后。再看影响:新单挤进机加工,原本下周五完工的一张老订单被推到了下下周一,而它的交期就在下周五。
这时报交期就有了几种选择:按四周多报,并说明卡在机加工和外购件上;和客户商量先交一部分;或者安排机加工加班,把新单和老单都保住。选哪一种由人决定,但每一种的后果在报交期之前就看得到。
怎么选,取决于两种错误各付多大代价。交期报早了,付的是违约、加急和客户信任;报晚了,付的是丢单。同一本书建议把两种错误的代价都摆出来,再由对结果负责的人权衡 [6]。算出各种方案的后果,是计算的事;两种代价各看得多重,是销售负责人和老板的判断,最好事先说清楚,而不是每张单临场再争。
这几步做下来,报给客户的交期就有了来历:卡在哪道工序、等哪种料、留了多少余量,都说得出来。计算本身可以交给排程系统;排程计算为什么适合交给确定性的求解内核,可以参考《排程为什么交给确定性求解内核,大模型只在外围工作》。
交期答应出去之后,怎样及早发现会晚?
交期答应出去以后,车间、物料和订单还在不断变化。前面提到的综述把跟踪客户订单从录入、执行到交付的全过程,列为需求履行的任务之一;遇到设备故障这类意外时,还要做短缺计划,明确哪些已承诺的订单不能按时交付 [1]。
落到日常,对表主要看三件事:
- 实际进度对计划。 某道工序报工晚了,顺着工艺路线往后推,看后面的工序和整单完工会不会晚过交期。
- 齐套变化。 在途的料晚到了,或者过了供应商答应的到货日还没到,先找出用这批料的工单,再看这些工单所属订单的交期受不受影响。
- 插单和改单。 急单插进来,客户加量或改交期,重新排一遍,看哪些已承诺订单被挤晚。
一条有用的预警,至少要说清三件事:哪张订单可能晚、大约晚多少、为什么晚。「为什么」最好能追到源头,比如「某张采购单的料预计晚到,影响这两张工单开工,进而影响这张订单」。只说「有订单要延期」,接到预警的人还得自己一层层去查。
预警还要分轻重。离交期还远、有余量可以消化的偏差,和已经晚过交期、还牵连急单的偏差,处理的紧迫程度不同。全部一样对待,真正要紧的那几条反而容易被淹没。
对表的价值在于早。偏差刚出现、离交期还有一段时间时发现,销售有时间和客户沟通,车间有时间调整,采购有时间催料或另找货源。临近交期才发现,能做的事就少了。
发现风险以后,是加班、调整优先级,还是和客户商量改期,涉及客户关系和现场情况,由人来决定;系统能做的是把受影响的订单和原因列清楚。交期改了,什么时候改的、为什么改,也要留下记录,对内复盘、对客户解释都有据可查。
还没有排程系统,可以从哪一步开始?
这件事可以分步做,每一步单独做下来都有用:
- 把已承诺订单放进一张表。 订单、数量、承诺交期、当前状态,只认这一份。这是后面所有计算的底数。
- 盯住一两道瓶颈工序。 按周看它们被已承诺订单占了多少。报交期前先看一眼,这周和下周还有没有空。
- 报交期前查一次齐套。 关键物料在库多少、在途多少、预计哪天到。
- 每周对一次表。 把计划完工和承诺交期对一遍,列出可能晚交的订单,提前沟通。
- 再交给系统。 前几步做顺了,数据也整理出来了,再让排程系统自动完成试算和对表。
有一个前提值得先说:标准工时、物料清单、工作日历、在途到货日期这些数据不准,算得再细,结果也不准。整理和持续校准数据,往往比计算本身更花功夫。
这样做的代价和局限是什么?
- 数据要有人维护。 工时、日历、在途到货日期需要持续更新,这是一项长期工作。
- 算出来的是估计。 结果依据的是计算那一刻的数据,现场一变就要重算;对外报交期时,最好同时说明依据。
- 承诺是商务决定。 要不要接、答应哪天、为一张单挤不挤别的单,涉及客户关系和价格。计算提供依据,决定由人来做。
- 计算只知道录进去的东西。 没有录入系统的现场情况,比如某台机今天状态不稳,计算无从得知。
我们的排程产品 APSer-Aps 在这几处有对应的做法:批量导入订单后,把「不含这批」和「含这批」各排一遍,只在内存里试算、不写回计划,对比准时率、原有订单里新变延期的明细和各车间按周负荷;排程结果出来后,逐单检查计划完工是否晚于交期,并在采购预计到货晚于所供生产订单的计划开工时,列出受影响的生产订单。
参考来源
- Hartmut Stadtler. Supply chain management and advanced planning—basics, overview and challenges. European Journal of Operational Research, 163(3): 575–588, 2005. Elsevier
- Christoph Kilger, Herbert Meyr. Demand Fulfilment and ATP. 收于 Hartmut Stadtler, Christoph Kilger 主编 Supply Chain Management and Advanced Planning(第 4 版), 181–198, Springer, 2008
- Chien-Yu Chen, Zhen-Ying Zhao, Michael O. Ball. Quantity and Due Date Quoting Available to Promise. Information Systems Frontiers, 3(4): 477–488, 2001. Springer
- Ralf Gössinger, Sonja Kalkowski. Robust order promising with anticipated customer response. International Journal of Production Economics, 170(Part B): 529–542, 2015. Elsevier
- Alexander Rokoss, Marius Syberg, Laura Tomidei, Christian Hülsing, Jochen Deuse, Matthias Schmidt. Case study on delivery time determination using a machine learning approach in small batch production companies. Journal of Intelligent Manufacturing, 35(8): 3937–3958, 2024. Springer
- Ajay Agrawal, Joshua Gans, Avi Goldfarb. Power and Prediction: The Disruptive Economics of Artificial Intelligence. Harvard Business Review Press, 2022;中文版《权力与预测:人工智能的颠覆性经济学》,何凯译,中信出版集团,2024