制造业供应链成熟度评估模型与集成计划流程框架落地指南

简介：这份PPT资料面向制造业集团供应链管理者、计划与运营岗位从业者，聚焦供应链管理成熟度评估与集成计划流程框架搭建。内容围绕多种订单组织方式并存、计划模式规则不清、集成计划以职能为中心、采购执行多部门多窗口等痛点，给出顶层设计、组织研讨、体系建立、需求与订单管理、产销平衡、零部件计划与交付等解决思路，并延伸到长中短期计划体系、锁定区与柔性区规则以及IT平台产销存一体化功能。资源包共1个pptx文件，约3.92MB，以图文框架和流程梳理为主，便于直接用于内部研讨与方案汇报。已有66人学习，适合需要梳理计划体系、明确订单组织方式、推动供应链精益化改善的读者参考借鉴。

1. 制造业集团供应链管理成熟度评估模型：从一张 PPT 到可落地的诊断框架

制造业集团的供应链管理，最怕的不是没战略，而是不知道自己现在到底处在什么水平。我见过太多企业，年营收几十亿，供应链部门却还在用 Excel 手工对账，计划、采购、生产、物流各管一段，开会就是互相甩锅。这时候如果直接上 S&OP、上集成计划系统，基本等于给拖拉机装飞机引擎——不是引擎不好，是底盘扛不住。供应链管理成熟度评估模型要解决的就是这个问题：先用一套结构化的尺子，把集团总部、事业部、工厂三层的供应链能力量出来，再决定集成计划流程框架该从哪一层切入、按什么节奏推。这套方法适合年营收 5 亿以上、多工厂多事业部、正在从职能型供应链向集成型供应链转型的制造业集团。如果你手里正好有一份《制造业集团供应链管理成熟度评估模型及集成计划流程框架》的 PPT，想把它变成能汇报、能落地、能验收的方案，下面这套拆解路径可以直接抄作业。

2. 成熟度评估模型怎么搭：五级标尺与三层指标拆解

2.1 为什么不能用 CMMI 直接套供应链

软件能力成熟度模型 CMMI 在制造业供应链场景下有个致命问题：它假设流程是离散的、可重复的，但供应链的痛点是跨组织协同和需求波动。我一般会参考 SCOR 模型的 Plan-Source-Make-Deliver-Return 五个域，但把评估维度压成三层：集团管控层、业务协同层、执行操作层。集团管控层看的是计划体系是否统一、主数据是否集中、KPI 是否对齐；业务协同层看的是产销协同、采购协同、物流协同的机制；执行操作层看的是订单履行、库存周转、异常处理的具体能力。每层再拆成 3 到 5 个可观测指标，比如集团管控层里“需求计划准确率”和“S&OP 会议闭环率”就是两个硬指标。

五级标尺我习惯这样定义：L1 是救火型，计划靠电话、库存靠拍脑袋；L2 是职能型，各部门有流程但各管一段；L3 是集成型，跨部门有固定协同机制；L4 是预测型，能用数据驱动决策；L5 是自适应型，能根据市场变化自动调参。大部分制造业集团实际落在 L2 到 L3 之间，能到 L4 的凤毛麟角。评估时不要追求精确到小数点，关键是找到“卡在 L2 上不去 L3”的那个断点。

2.2 指标权重怎么设才不拍脑袋

权重设置最容易翻车的地方是“所有指标一样重要”。我一般用 AHP 层次分析法做一轮专家打分，但只做粗筛，最终权重靠业务影响度校准。具体做法是：先让供应链、生产、采购、财务四个部门的负责人各自给指标按 1 到 5 分打分，然后算几何平均，再归一化。下面这段 Python 代码可以直接跑，输入是四个部门对 8 个指标的评分矩阵，输出是权重向量和一致性比率。

import numpy as np # 四个部门对 8 个指标的评分，行是部门，列是指标 # 指标顺序：需求计划准确率、S&OP闭环率、主数据一致性、采购协同度、 # 生产排程柔性、库存周转率、物流可视化、异常响应速度 scores = np.array([ [5, 4, 4, 3, 4, 5, 3, 4], # 供应链部 [4, 5, 3, 4, 3, 4, 4, 5], # 生产部 [3, 4, 5, 5, 3, 3, 4, 4], # 采购部 [4, 3, 4, 3, 5, 4, 3, 5], # 财务部 ]) # 几何平均求综合评分 geo_mean = np.prod(scores, axis=0) ** (1 / scores.shape[0]) # 归一化得到权重 weights = geo_mean / geo_mean.sum() print("指标权重：") indicators = ["需求计划准确率", "S&OP闭环率", "主数据一致性", "采购协同度", "生产排程柔性", "库存周转率", "物流可视化", "异常响应速度"] for name, w in zip(indicators, weights): print(f" {name}: {w:.3f}") # 简单一致性检查：权重最大最小比不应超过 3 print(f"\n最大最小权重比：{weights.max()/weights.min():.2f}")

这段代码的逻辑是：先收集多部门评分，用几何平均消除极端值影响，再归一化成权重。参数说明：scores矩阵的行数对应参与打分的部门数，列数对应指标数，评分范围 1 到 5。跑完之后看最大最小权重比，如果超过 3，说明专家意见分歧太大，需要重新对齐指标定义。我一般会把权重结果拿回会上确认，避免“算出来没人认”的尴尬。

2.3 评估执行：从问卷到现场验证的四个步骤

第一步是问卷设计。不要用“你觉得供应链协同好不好”这种主观题，要换成“过去三个月，S&OP 会议决议的执行率是多少”这种可验证的问题。每个指标配 3 到 5 个事实性问题，答案分五档，对应 L1 到 L5。第二步是数据采集，问卷发给集团供应链总监、事业部计划经理、工厂厂长三层，每层至少 3 个人，避免单点偏差。第三步是现场验证，挑两个典型工厂，用半天时间走一遍订单履行流程，看实际动作和问卷答案是否一致。第四步是出报告，报告里不要只写“贵司处于 L2.3”，要写“贵司在需求计划准确率上处于 L2，但 S&OP 闭环率已经到 L3，建议优先补齐需求计划的数据基础”。

提示：评估报告里每个低分项都要配一个“如果补上，预计能带来什么收益”的估算，否则业务部门不会认账。

3. 集成计划流程框架：从 S&OP 到周滚动的五层设计

3.1 集成计划的五个层级和各自的时间颗粒度

集成计划不是一套计划，而是五套计划咬合在一起。第一层是战略计划，时间颗粒度是年度，看的是产能布局和供应链网络设计；第二层是 S&OP，月度颗粒度，平衡需求和供应；第三层是主计划，周颗粒度，决定成品和半成品的生产节奏；第四层是物料需求计划，日颗粒度，算采购和委外；第五层是排程计划，小时或班次颗粒度，落到机台和产线。很多集团推集成计划失败，就是因为把五层压成一层，让 S&OP 会上去讨论机台排程，或者让车间主任去背年度产能规划。

我一般会先画一张“计划层级-决策权限-数据来源”对照表，把每层计划的输入、输出、责任人、会议频率写清楚。这张表是后续所有流程设计的地基，没有它，集成计划就是空中楼阁。

3.2 用 Python 做 S&OP 供需平衡的快速验证

在推集成计划之前，我习惯先用一个最小模型验证供需平衡逻辑能不能跑通。下面这段代码模拟一个月的 S&OP 场景：输入是需求预测和期初库存，输出是各周的生产计划和期末库存。参数可以按实际业务改，比如安全库存系数、产能上限、最小批量。

import numpy as np # 四周需求预测（单位：台） demand = np.array([1200, 1500, 1100, 1300]) # 期初库存 initial_inventory = 800 # 安全库存系数（周需求的比例） safety_stock_ratio = 0.2 # 每周产能上限 capacity = 1600 # 最小生产批量 min_batch = 200 inventory = initial_inventory production_plan = [] for week, d in enumerate(demand): # 目标期末库存 = 下周需求 * 安全库存系数 if week < len(demand) - 1: target_inventory = demand[week + 1] * safety_stock_ratio else: target_inventory = d * safety_stock_ratio # 净需求 = 本周需求 + 目标库存 - 当前库存 net_requirement = d + target_inventory - inventory # 按最小批量向上取整 planned_production = max(min_batch, np.ceil(net_requirement / min_batch) * min_batch) # 受产能约束 planned_production = min(planned_production, capacity) inventory = inventory + planned_production - d production_plan.append(planned_production) print(f"第{week+1}周：需求={d}，计划生产={planned_production:.0f}，期末库存={inventory:.0f}") print(f"\n总生产量：{sum(production_plan):.0f}") print(f"总需求量：{demand.sum()}")

这段代码的核心逻辑是“需求+目标库存-现有库存=净需求”，再按最小批量和产能约束调整。参数说明：safety_stock_ratio设 0.2 意味着每周要备下周需求的 20% 作为安全库存；capacity是硬约束，超过就压不进去；min_batch是生产经济性约束。跑完之后看期末库存有没有出现负数，如果有，说明产能不够或者安全库存设太高，需要回到 S&OP 会上重新平衡。

3.3 集成计划落地的三个组织前提

流程框架再漂亮，组织不配套就是废纸。第一个前提是计划职能要集中，不能采购归采购计划、生产归生产计划、销售归销售预测，必须有一个计划部统管五层计划。第二个前提是数据要统一，物料主数据、BOM、工艺路线、供应商主数据必须在一个系统里，不能各事业部各搞一套。第三个前提是考核要挂钩，S&OP 决议的执行率要进事业部总经理的 KPI，否则会上答应的事会后没人做。我见过一个集团，S&OP 会开了两年，决议执行率不到 40%，后来把执行率纳入考核，三个月就拉到 85%。

4. 成熟度评估与集成计划的咬合：先诊断后开方

4.1 评估结果怎么映射到集成计划的推进节奏

成熟度评估不是终点，是起点。如果评估结果是 L2，集成计划就先从主计划和物料需求计划切入，把周滚动和日滚动跑通，别急着上 S&OP。如果已经是 L3，就可以推 S&OP，但要把需求计划准确率作为第一个要攻的山头。如果到了 L4，才考虑用算法做需求预测和自动排程。我一般会画一张“成熟度-集成计划推进路线图”，横轴是时间，纵轴是计划层级，每个阶段标清楚要达成的成熟度目标和验收标准。

4.2 一个集团型企业的推进案例拆解

某装备制造集团，年营收 80 亿，有 6 个工厂、3 个事业部。评估下来集团管控层 L2，业务协同层 L2，执行操作层 L3。问题很典型：事业部各自做预测，集团拿不到真实需求；采购各自谈价，没有集采优势；工厂之间产能不共享，有的忙死有的闲死。推进路径分三步：第一步，用三个月把主数据统一，物料编码、供应商编码、BOM 格式全部拉齐；第二步，用六个月推主计划和物料需求计划，周滚动计划在集团层面跑通；第三步，用九个月推 S&OP，月度产销平衡会固定下来。一年半之后复评，集团管控层到 L3，业务协同层到 L3，执行操作层到 L4。关键动作不是上了什么系统，而是把计划职能从各事业部收归集团计划部，考核权也跟着收上来。

5. 避坑与排查：成熟度评估和集成计划推进中的五个血泪教训

5.1 评估问卷收上来全是满分

现象：问卷发下去，收回来一看，大部分指标都是 4 分或 5 分，评估结果虚高。原因：填问卷的人怕暴露问题被追责，或者根本不知道真实情况。解决：问卷匿名填，但现场验证必须做，挑两个工厂走流程，用实际数据打脸问卷。我一般会提前跟工厂厂长说“我是来帮你们找资源的，不是来扣分的”，降低防御心理。

5.2 S&OP 会开成了吵架会

现象：月度 S&OP 会，销售说需求就这么多，生产说产能不够，采购说供应商交不了，吵三个小时没结论。原因：没有前置的供需平衡数据准备，会上才第一次看到数字。解决：会前三天发供需平衡初稿，各事业部先书面反馈，会上只讨论差异项。会议主持人必须是供应链总监，不能是销售总监，否则会变成销售批斗会。

5.3 集成计划系统上了但没人用

现象：花大价钱上了 APS 系统，计划员还是用 Excel，系统里的数据永远是过期的。原因：系统操作太复杂，或者系统算出来的结果和实际差太远，计划员不信任。解决：先跑双轨，Excel 和系统并行三个月，每周对比差异，找到系统参数哪里没调对。参数调准了，计划员自然愿意用。我一般会挑一个计划员当“种子用户”，让他参与参数调试，调好了他帮你推。

5.4 成熟度评估报告没人看

现象：评估报告写了 80 页，汇报完就进档案柜，没人再提。原因：报告太技术化，没有和业务收益挂钩。解决：报告前面加一页“执行摘要”，用三句话说清楚：现在在哪、卡在哪、补哪里能赚多少钱。后面每章配一个“行动建议”，直接告诉业务部门下一步做什么。

5.5 集成计划推进到一半换领导

现象：项目推了半年，供应链总监换人，新领导不认旧方案，项目搁置。原因：方案没有变成集团层面的制度，只靠领导个人推动。解决：推进初期就把集成计划的流程、职责、考核写进集团管理制度，走正式发文。领导可以换，制度不变。

注意：避坑的核心不是避免所有问题，而是问题出现时知道往哪查。我一般会建一个“问题-原因-对策”台账，每踩一个坑就记一笔，下次推进新项目先翻台账。

6. 用最小闭环验证成熟度评估模型：一个 Excel 加 Python 的快速技巧

如果你不想一上来就搞大评估，我建议先用一个最小闭环验证模型能不能用。具体做法是：选一个事业部，挑 5 个核心指标，用 Excel 收集数据，用 Python 算权重和得分，一周之内出结果。下面这个脚本可以直接跑，输入是 Excel 文件路径，输出是成熟度得分和雷达图数据。

import pandas as pd import numpy as np # 读取评估数据，Excel 格式：第一列是指标名，后面是各部门评分 df = pd.read_excel("supply_chain_assessment.xlsx", index_col=0) # 假设评分已经归一化到 1-5 分 scores = df.values # 几何平均求综合得分 geo_mean = np.prod(scores, axis=1) ** (1 / scores.shape[1]) # 映射到成熟度等级 def to_level(score): if score < 1.8: return "L1-救火型" elif score < 2.6: return "L2-职能型" elif score < 3.4: return "L3-集成型" elif score < 4.2: return "L4-预测型" else: return "L5-自适应型" print("成熟度评估结果：") for indicator, score in zip(df.index, geo_mean): print(f" {indicator}: {score:.2f} -> {to_level(score)}") # 输出雷达图数据，可以直接复制到 Excel 做图 print("\n雷达图数据（指标,得分）：") for indicator, score in zip(df.index, geo_mean): print(f" {indicator},{score:.2f}")

这段代码的逻辑是：从 Excel 读多部门评分，用几何平均算综合得分，再映射到五级成熟度。参数说明：Excel 第一列是指标名，后面每列是一个部门的评分，评分范围 1 到 5。跑完之后把雷达图数据复制到 Excel，插入雷达图，汇报时一张图就能说清楚哪里强哪里弱。我一般会把这个脚本存成模板，每次评估换个 Excel 文件就能跑，省去重复写代码的时间。

最后说一个我自己的习惯：每次做完成熟度评估，我都会把评估过程中发现的“数据断点”记下来，比如“需求计划准确率算不出来是因为销售数据没有按周颗粒度录入”。这些断点比评估分数本身更有价值，因为它们直接告诉你集成计划该从哪里开始补数据。希望帮到你。

本文还有配套的精品资源，点击获取