Re: [分享] 空軍想採購1038輛皮卡車

※ 引述 《mshuang (竹碳烏龍)》 之銘言：
: 標題: Re: [分享] 空軍想採購1038輛皮卡車
: 時間: Mon Jun 30 01:13:20 2025
: 　
: ※ 引述《sfsm (有初老症狀的鹹魚)》之銘言：
: : 想不到現在還能看到JIT這縮寫，
: : 現在工業已經不談Just In Time了，
: 　
: 先導，因為你的認識是錯誤的，你的認識是零倉庫不是零庫存
: 　
: 你講的東西比較白話是保修廠沒有一個零件，車主來技師下單
: 　
: 零件馬上出現，這是一開始的錯誤認識
: 　
: JIT是指你的零件一直再轉一直在預測期內完成交貨和出貨，
: 　
: 更直白一點零件部下十桶機油，他預測是三個月內售完，這十桶
: 　
: 就要在三個月內賣完，後端供應商就要根據這個預測去生產製造
: 　
: 也就是整體都是一直觸在生產運輸銷售，而不是堆在倉庫放幾年
: 　
: 才終於賣出去
: 　
: 供應鏈管理，在前面邏輯下你是沒有庫存的供應都是在預測時間內
: 　
: JIT
: 　
: : 以上都是廢話，接下來才是重點：
: : 『JIT不是在做保修零件庫存的』
: : 『JIT不是在做保修零件庫存的』
: : 『JIT不是在做保修零件庫存的』
: : 不要不懂裝懂，台灣沒零件要跟國外叫料，
: : 那只是台灣業者自己不想囤料而已，
: : 這跟JIT半點毛都沒關係...
: : 不管Ford還是Toyota，軍規還是民規都一樣會很慘。
: 　
: 我為什麼要囤料？這邊順便回前面一位為什麼沒辦法事先囤料
: 　
: 你的問題我當年在剛進福特六和底下經銷商的零件部我也問過
: 　
: 你不是第一個也不會是最後一個對這個有疑慮的人
: 　
: 原因很簡單資金積壓，很多業者會倒就是進了大量的零件然後很少換掛了
: 　
: 你進了一百萬的零件，八十萬賣掉了剩下二十萬，放了十年才賣掉，那你就是虧了20萬: 　
: 這20萬並不會為你帶來任何的利潤，相反他會占空間需要維持，你的倉庫
: 　
: 原本可以多放二十萬好賣的結果被占了，以季來計算的話，你虧了八百萬
: 　
: 反過來問你如果你只要花30秒就可以查到全世界哪個倉庫還有這個料件，送來台灣只
: 　
: 需要一天的時間，你為什麼要花20萬放在你的倉庫呢？
: 　
: 可以承諾交期，又節省營運成本何樂而不為？
: 　
: 這就是甚麼我會說你要找最熱門的車輛或品牌當BOV，因為消耗量夠大市場夠大
: 　
: 我可以對他做出比較多的預測代表我可以準備更多的零件，周轉速度更快速
: 　
: 因此當環境出現異常比如戰爭甚麼的，導致物流中斷，熱門的車輛在短時間內
: 　
: 還是有足夠的零件可以更換
: 　
: --
: ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.171.40.59 (臺灣)
: ※ 文章網址: https://www.ptt.cc/Military/E.oyU7LeFfs__k

啊……看到這文章緒就知道要出來說明了！

Just in Time在專案管理一開始時真的是「零庫存」，而且是「零倉庫」那種。為何會有哪種錯誤的認知？那就要回到當年美國專案管理學會如何誤解豐田JIT的觀念。

豐田的JIT，實際上是mshuang的觀點，因為豐田在每一個製造批次時，是會計算存量能否在該批製造重用完，而能減少不必要的堆倉；可是當年美國那些專家還真的誤以為是豐田做到「零倉庫」。甚至經濟學人某期雜誌都還抱持這個錯誤的觀念用到使用端備料上，整個牛頭不對馬嘴。

但是在經過這麼多年後，我們這些從西方取經的專案惡棍「終於發現」日本人說的「JIT」原來不是「零倉庫」那麼回事，而是製造時的控制備料成為在製造批次區間外的「零庫存」。

為何後來會發現呢？就是當我們開始計算Critical Path及導入85/15預測模型時才發現：

幹！如果專案進程中真的「完全沒有任何庫存」，那怎麼可能推lead time跟採納預測模型？

所以我們再次去認識日本的製造業之後，才發現人家的JIT是用在批次上，完全符合專案定義之「無反覆之特定目的性」。

而交貨之後就耗材備料，並不在專案管理範疇。交貨後耗材備料，可以由專責單位處理統籌，也可以採用「搜刮」的方式從多種供應來源（包過同行轉借調貨）籌得。這時候就會出現純軍用跟軍民通用商品的維修管理上的重大分歧；前者政府必須自己備料或者讓山姆大叔直接強力補充、後者可以透過戰時徵調及應急民轉軍工廠生產組裝。

上面這種誤解，也出現在「Kanban」與「看板（日文）」、「Gamba (Ganba)」與「現場（日文）」上。西方很多專案管理學者真的有非常嚴重的誤解日本製造管理模型。

追加：
剛剛才發現少寫一整段關於人工智慧對於備料的影響。

在過去，每個專案估料都是用過往經驗，很吃專案經理跟Domain Experts / Subject Matter Experts的知識與經驗。現在有人工智慧及巨量資料/大數據後，我們雖然還不敢玩LLM，但是多少也知道運用適當的Tagging跟Properties Picking 來讓電腦幫忙做草案估計。

我曾經試算過，如果利用人工智慧跟機器學習來壓縮「あそび （asobi）」從20%到10%，可以省下快一半的材料浪費成本，這個我有跟商業智慧部門經理認真討論過，他們也是這樣想。

本次因為我跟友軍在打「逆統戰：烽火」時在菲律賓被像是10+個紅軍真人玩家摸哨成功（2抗10+），失守佬沃非常不爽（不過同組夥伴趁紅軍玩家們貪心攻打菲律賓時偷襲大阪成功），所以沒有美食副時間！

--
智慧女神與其化身

https://i.imgur.com/imeGCqb.jpg

--