APS 库存计划（Inventory Planning）体系化复盘

库存计划（Inventory Planning）是什么？ 它是 APS 智能供应链计划体系的MPS 资源校准点：把分散在 ERP、MES、WMS 里的 Fab 产能、Die Bank、库存、物料与外协资源，汇聚成一份全局资源池，为 MPS 提供"真实可用资源"的决策基线。

本文基于上海斯歌 APS 智能供应链计划管理解决方案中 Inventory Planning 库存计划的公开资料，做体系化复盘，不含营销表述。

六大模块协同作战体系

把 APS 六大模块视作一套协同作战体系：

• 需求计划 = 需求入口（感知市场变化，形成共识需求）
• 供应计划 = 供应保障（保障物料齐套与外协稳定）
• 生产计划 = 执行引擎（排产执行，将资源转化为产出）
• 库存计划 = 资源校准点（确认全局资源可用性，为 MPS 提供决策基线）
• S&OP = 经营取舍（决定资源优先保障什么）
• S&OE = 异常反馈（跟踪偏差与执行异常）

每一份 Wafer Start、每一批 Die Bank 分配、每一次外协调整，都有统一的资源基线作为依据。

库存计划回答的核心问题

MPS 排程的瓶颈不在排产算法，而在排程基线的真实性。一份主计划要敢下达，需逐层确认 4 类资源校验问题：

1. 产能是不是真的可用（Fab 窗口 / 关键设备 / 封装测试瓶颈 / 工艺路线）
2. 库存和 Die Bank 能不能转化（Binning 分档 / 封装路径 / 认证状态 / 客户归属 / 老化风险）
3. 物料、外协能不能接力（从 Wafer、Die 到封装、测试、成品交付的整条链路）
4. 有限资源优先保障谁（Allocation 规则 / 客户优先级 / 经营目标）

库存计划不负责判断 Forecast 是否可信，不替代管理层做经营取舍，也不替代现场批次排产。它负责回答：在既定需求、优先级和约束下，企业真正有哪些资源可以承诺、转化和分配——这正是 MPS 从"排得出来"走向"执行得了"的关键一跃。

全局资源池与 4 组 AI 引擎

库存计划构建覆盖全链路的全局资源池，统一纳入 Fab / 封装 / 测试产能、成品 / WIP / 原材料 / 在途库存、Good / Binning / Aging Die、关键物料 / 外协封测 / 物流网络、Allocation 规则与客户优先级——重点是把资源放进同一套计划模型，而非同一张看板。

在其上，4 组 AI 引擎联合工作：AI Capacity Intelligence 识别真实产能与瓶颈；AI Inventory Optimization 判断库存能否交付；AI Die Bank Intelligence 判断哪些 Die 可优先转化、哪些正在老化；AI Constraint Intelligence 校验物料齐套、外协交期与供应风险。

传统库存管理 vs 斯歌 APS 库存计划

维度	传统库存管理	斯歌 APS 库存计划
管理对象	库存数量、账面水位	真实可用资源能力
数据来源	ERP / WMS 各管各的，口径不一	全局资源池统一纳入，同一套计划模型
转化判断	只看"有没有库存"	判断 Die 能否转、库存能否交付
对 MPS 价值	提供静态库存表	三份结论 + 五类就绪（Capacity / Inventory / Die / Material / Constraint Ready）

结论：库存计划不是"更低的库存水位"，而是一份能被 MPS 直接使用的资源事实。

复盘结论

单点库存工具只能回答"仓库里有多少货"，企业真正需要回答的是"基于这批资源，MPS 能承诺哪些订单、哪些需提前调整、哪些不能直接下达"。这些问题无法由一张库存表解决，必须依赖 Inventory Planning 与需求 / 供应 / 生产计划、S&OP、S&OE 在同一套 APS 解决方案中协同运行，才能从"各自计划、各自优化"走向"统一资源、协同决策"。库存计划的价值，正在于把分散、滞后、口径不一的资源信息，收敛为一份面向 MPS 的统一资源结论——让每一份 Wafer Start、每一批 Die Bank 分配，都有真实资源基线作为依据。

技术判断：APS 库存计划的难点不在算法，而在前端资源事实的统一。把多源资源汇聚成一份面向 MPS 的真实可用性结论，是后端所有排程成立的前提。