程晓华

2023-1-27

我的书《全面库存管理数学分析》上市整整一年的时间了，第一次印刷2,000册，第二次加印1,000册，到目前为止都卖得差不多了，这事儿在年前我亲自与编辑老师聊过 - 作为“专业书”，这本书的销量算是不错的了。所以非常感谢企业管理出版社的编辑寇老师、刘老师及各位领导们，更感谢广大读者们的捧场。

整个2022年，我一直在关注读者们对于这本书的反馈，尤其是那些来自我的新老客户、特别是来自我的TIM（全面库存管理）项目组成员们的直接反馈。我的整体感觉是，在过去的一年里完完整整地读完这本书的人不多。读完前三章的人占大多数，勉勉强强读完第四章的人也有，第五章则是个坎儿，也是个坡儿，它挡住了很多人继续读下去的欲望。

这不能怪读者们，这可能与我对整本书的总体设计有关系 – 第五章似乎应该放到最后，因为即使理工科学生，很多人可能也没有学过“判别分析”、“聚类分析”、“主成分分析”等知识，而这些内容都属于多元统计学、甚至是机器学习（Machine Learning, ML）的范畴。

我在本书（第一版）的前言里面反复说过，这本书的目标读者为“有志于吃供应链管理这碗饭的” 人。啥意思呢？

第一， 尽管你正在从事供应链管理相关工作，但是，你并没有把供应链管理当成一辈子的饭碗的话，你没有必要读这本书，因为这对你来讲可能的确是有点难；

第二， 你如果“高等数学”^① 基础比较好，甚至是数学类专业毕业的，你也没有必要看我这本书，道理很简单，书中的数学知识对你来讲可能是“太小儿科”了；

第三， 你是从事其他工作的，如研发等，你也没有必要看这本书，因为“这是一本作者意在把自己20多年的供应链管理实践与数学相结合的书”。

所以，我从来就没有宣扬说这本书“老少皆宜”。我写这本书的出发点很清楚，就像我在前言里面说的，在我这十来年的咨询生涯中我发现“很多人缺乏最起码的数学思维与逻辑思维能力”。应该说，这里提到的“很多人”其实也包括我本人在内 – 我当年的“高数”就学得一塌糊涂，只是自1995年以来，近30年的时间里，我一直在吃供应链管理这碗饭，我越来越认识到“高数”对于供应链管理的重要性。于是，我边干边学（数学），特别是在最近这10来年，我自己做独立顾问，时间比较空闲，我阅读了大量的“高数”类书籍，并在MOOC等平台上听了很多名校名师的数学课程，最终才绞尽脑汁地写出了这点东西。

我相信这本书对于那些想深入地研究供应链管理实践问题的人是有用的，因为其中的绝大部分知识是都被我亲自检验过，证明是好使的。即使是“最难的第五章”讲到的判别分析等，在供应链管理实践中我们可能不是这么称呼它们，但实际上其背后的思想、原理等，我们一直都在用，或者都在企图用到它们，这其中最典型的就是聚类分析（Cluster Analysis）。

做供应链管理的人肯定都知道有个ABC分类，甚至还有什么XYZ、PQR等分类，它们要么是针对物料，要么是针对供应商或客户，但无论是针对什么，背后的分类思想其实都是多元统计学上讲的这个聚类分析，即物以类聚的意思 – 20多年前我就知道这个“ABC分类”，但是直到这些年我才知道这个“聚类分析”。这说明了一个什么问题呢？

稀里糊涂，只知其然，而不知其所以然。

而一个专业、一门学问，如果你不知其所以然，但你却想深耕下去，你想靠它吃饭，那就会非常困难，甚至，这对于一个人的一辈子来讲也是一件非常危险的事情。

这就是我理解的数学的“无用之用”，它的很多思想、方法论、原理等，我们其实一直都在有意无意地使用着， 这些所谓的“高数”其实就在我们的日常工作和生活中，只是因为无知，我们自己不知道而已 。

好处是，随着时代与科技的发展，数学的作用好像变得越来越清晰起来了 – 学了一点R语言之后我才知道，这个所谓的机器学习的背后就有大量的聚类分析、判别分析、主成分分析的影子，它们被统计学家、机器学习专家们开发成了各种各样的实用模型，如著名的K-means（K均值算法）、KNN（最近邻点算法）、randomForest（随机森林法）等。这些模型通过R语言等可以直接应用到我们的供应链管理实践中去，譬如我们可以直接用K-means对客户进行基于多个特征维度的分类，而不是仅仅局限于ABC、XYZ等的产值、利润、波动率等几个有限的维度，这会极大地提高我们对于客户的认知水平，从而使我们更好地服务于它们。

即使是一些看似暂时用不上的数学知识，你明白了其中的道理之后，慢慢地就会发现，它们最终可能都会帮到你。

顺便跟大家分享一下，我个人读书向来是功利性、目的性很强的，譬如我自己学数学、学R语言、学机器学习，包括读一些人工智能、深度学习等方面的书，我的目的都是企图将它们其中的某些思想、知识等应用到供应链管理，特别是全面库存管理当中去，因为我相信大师们说过的话：一切问题，最终可能都是个数学问题。

备注：①这里的“高等数学”是泛指大学里一般理工类学生要学的微积分、概率、数理统计等，并非特指“高数”。