采购优化解决方案的出现，在最简单的术语，以帮助采购组织找到最复杂的采购挑战的最佳解决方案。面对平衡重叠和有时相互冲突的约束——包括供应商位置、项目覆盖范围、销售成本、转换成本和风险——采购专业人士发现，更传统的手工决策路径无法考虑所有这些不同的因素。
这就是优化解决方案要解决的问题。
通过在采购等式中添加业务规则和成本的大量约束，这些工具能够快速解析大量数据并评估多个场景，节省分析时间、协商时间，当然还有金钱。
但是采购优化工具也有一个持久的阴影:由于低可用性而存在很高的进入壁垒。自然，最经常应对复杂采购挑战的公司是那些拥有全球动态供应链的公司。
第一代采购优化提供商有崇高的目标，专注于为最先进的采购组织解决最复杂的问题。然而，这种心态限制了采购部门对采购优化的认知。虽然这些强大的工具可以完成惊人的分析壮举，但要达到理想的结果，需要付出大量的努力和复杂性。应该可以将这些功能应用到许多其他场景中，而无需用户所期望的高技术壁垒。
换句话说，采购优化可以(也应该)更广泛地应用于各种采购场景，带来更简单的方法和指导探索——在设计时考虑到日常采购用户。既然它能为品类和客户带来价值，为什么除了最复杂的物流投标之外，采购优化仍然遥不可及呢?
为了理解这种情况是如何产生的，考虑第一代采购优化解决方案设计背后的基本原理会有所帮助。
由博士打造，为博士服务的工具
采购优化未能成为采购组织的主流工具的主要原因之一是所需的大量培训、定制和复杂的编码。
今天，其中一个采购优化工具的目标用户是具有高级数学、技术和领域专业知识(例如，在运输采购方面)的人，这几乎不是一个常见的技能集。不幸的是，这意味着只有一小部分市场才能享受到这项技术带来的好处。
这就是为什么大多数采购优化工具仅限于物流和货运采购的场景。由于需要考虑多种运输方式(车道)、关税、交货时间等众多要求，确定理想的物流战略远非易事。因此，有效的采购优化需要能够应用大量的硬约束和软约束，比较数千条车道的投标，并有效地比较各种奖励分配。但由于这种类别专门化，这些平台并不是为了解决任何其他“开箱即用”的场景而构建的。
其他可以从优化功能中受益的行业，如食品和饮料、制药和生物技术以及制造业，它们的需求在很大程度上没有得到满足。
例如，考虑一下制造商现在所面临的决策，尤其是在全球化的背景下:
- 产品应该在海外生产还是在本地生产?
- 各种成本(如原材料成本、关税、运输成本)应如何加权?
- 我们如何在优化中表示这些成本的相互依赖性质?
- 退一步来说，公司是否应该生产这种产品，还是与第三方签订合同更简单?
像这样的决策编织了一个复杂的条件逻辑网络，将其交给采购平台比交给人类分析师要容易得多。其他市场的需求是存在的，但是大多数优化工具仍然不能适应其他行业的需求。
缺失的因素:人情味
不过，解决这个问题还有更多的方法:优秀的品类经理不希望工具为她做决定。相反，精明的采购专家正在寻找一个指导性的手，一套可以进一步调整的潜在解决方案。
用算法来分析最微小的因素是不值得的。事实上，解决方案提供者永远不会将每一个精神来源规则转换为计算规则。并不是所有驱动采购决策的细微差别都有意义，因此其中一些应该保留在单个团队成员的经验和专业知识中。
采购专业人士对每个供应商、类别、项目和事件都有不同的思考过程。这意味着跨类别的每个来源事件都是唯一的，因此要求用户编写特定模型所需的每个约束是低效的。对于一个如此具体(也许是武断的)的决定，如设定5000美元的门槛，继续与现有供应商合作，而不是更换供应商，将其标准化作为一项规则的价值是值得怀疑的。
采购优化的范围不应该服务于每一个短视的用例，而是应该迎合普通的采购用户，帮助她接近最佳决策，同时允许她自己的专业知识在此过程中填补空白。
为了实现这一点，提供商必须站在日常用户的角度考虑问题，意识到只有少数人可以利用高端线性优化和统计包。每个组织都可以从优化中获得显著的好处，但是当前解决方案的可用性很差。
为了重新设定叙事，解决方案提供商需要设计优化工具来完成采购专业人员最需要的工作:缩小选择范围，让个人对最终决定进行微调。
更好的道路:引导决策者做出更好的决策
现实情况是，采购决策取决于太多因素，无法完全量化，也无法由计算机大批量生产出来。我们可以构建软件，让我们实现大部分目标，但它应该这样做赋予决策者权力而不是直接做他或她的工作。
要做到这一点，需要改变优先级:交付灵活性和洞察力，而不是上一代解决方案所要求的复杂性和定制性。
就像老式收音机一样，这个过程现在找到了机器和人类之间的平衡。优化服务于大型调谐旋钮的作用，而较小的旋钮需要人类熟练的触摸才能微调出完美的结果。
这在实践中是什么样子的呢?下个月，在本系列的第2部分中，我们将探索采购优化的未来:一种智能的、平易近人的工具，它带来了旧方法的所有好处——而没有令人头痛的问题。
这篇Brand Studio文章是为童子军RFP,而不是花问题的编辑或分析内容。
讨论: