一、问题诊断：无差别膨胀正在透支供应链能力

过去二十年，消费品和离散制造业的SKU数量经历了系统性膨胀。

全球战略咨询公司Bain追踪了欧洲消费品市场2000-2011年的数据：SKU增长率40%，同期每1000平方米店面的SKU生产力平均被侵蚀超过2%。全球管理咨询标杆McKinsey的记录更为尖锐——某北美食品制造商三年内SKU增长66%，每SKU销售收入下降40%，特定品类毛利率下滑约10个百分点。

这些数字指向同一个事实：无差别的SKU膨胀正在透支企业的供应链能力。

更隐蔽的膨胀发生在消费者看不见的地方。

欧洲某食品企业2010-2013年间，配方数量增长12%，容器规格增长36%，标签版本增长51%，而销量下降2%——内部运营维度的复杂度增速远超市场表现。

消费者感知到的差异微乎其微，供应链却为每一版标签、每一种容器规格付出代价。

在离散制造业，这种隐蔽性更深。

成品SKU的膨胀只是表象，真正的复杂度藏在BOM层级：一个产品族的元器件规格差异、不同供应商的认证替代关系、工程变更的版本管理。

这些“隐性复杂度”不会出现在货架上，却直接决定采购批量、库存结构和生产切换效率。

事实上，SKU膨胀对供应链的侵蚀，遵循着一条清晰的传导路径：

• 需求预测环节

SKU增多导致需求信号分散，聚合预测难度上升。

• 库存管理环节

品种增多推高安全库存，整体库存水平存在膨胀压力。

• 生产制造环节

换线频率增加带来产能损失和效率下降。

• 采购供应环节

原材料规格碎片化削弱批量采购的规模优势。

由此可见，这绝非局部痛点，而是贯穿供应链全链条的系统性损耗。

全球信息技术研究与顾问机构Gartner在2024年将其提升到战略风险管理高度：产品组合过度复杂是供应链韧性的第一大障碍——在近年来的供应中断事件中，这一弱点已被反复验证。

当前，多数企业正深陷于一个核心困境：

SKU的增长缺乏明确的目的性，好坏混杂且缺乏退出机制，加之各部门各自为政，导致复杂度不断累积。当这种复杂度的增速超过了管理能力的进化速度，供应链的能力便会被逐步耗尽。

二、战略判断：先辨“好坏”，再谈“砍留”

面对“异常”膨胀，企业的本能反应是“砍掉销量低的”。

这种按销量排序、直接剔除底部20%-30%的“砍尾端”策略，在直觉上看似合理，但在工程逻辑上却存在三个明显缺陷：一是容易误伤处于爬坡期的战略新品；二是可能将运营成本极高、隐性亏损的“问题SKU”侥幸保留；三是缺乏对市场增量潜力的前瞻性分析。

McKinsey提出的“良性复杂度”与“恶性复杂度”框架，提供了更精细的诊断标准。

良性复杂度，是消费者能够感知并愿意为之付费的差异——填补新兴市场需求的全新SKU、创造更高价格带的新品层级、含有独特差异化成分的产品。增量收入超过增量成本。

恶性复杂度，是侵蚀利润、增加库存、降低敏捷性的差异——与现有产品高度重叠的产品线延伸、需要特殊生产条件但销量不足的SKU、为单一零售商定制的低周转产品。

区分两者的工具是“双透镜分析法”。

“从市场往回看”（Market-back）：哪些差异是消费者真正愿意付费的？哪些SKU只是在争夺同一笔预算？

“从供应往前推”（Supply-forward）：每种SKU的真实制造成本是多少？哪些差异导致了不成比例的运营负担？

两个透镜的交叉点，就是“复杂度热点”——对市场贡献有限、对运营负担沉重的SKU集群。

然而，必须强调的是，不同企业的“热点”分布截然不同，不存在所谓的“一刀切”方案。

例如，对于高度依赖并购、频繁引入新品的企业而言，其热点往往集中在产品组合的优化与新品引入流程的管控上；而对于产品组合相对有限、渠道较为单一的企业，其热点则更多体现在促销架构的合理性以及需求波动的管理上。

三、行动方案：不是“砍多少”，是“怎么砍”

识别出恶性复杂度后，必须坚决切除；而识别出良性复杂度后，则需要妥善保护。

然而，切除的方式至关重要。

以McKinsey服务的北美食品制造商为例，其采用基于增量性分析的精准削减策略，成功实现了25%的优化幅度。这一案例表明，"精简"本身不是目的，如何精准识别并差异化处理才是核心。

因此，对于多数企业而言，更推荐采用"渐进式削减"的组合策略：

关于削减幅度，目前业界并没有一个放之四海而皆准的标准答案。

企业的执行力度应视自身禀赋而定：数据成熟度高且品类替代性强的企业，步伐不妨激进一些；而对于数据基础薄弱、消费者品牌忠诚度极高的企业，则应采取更为审慎保守的策略。

在实际落地时，企业还需综合权衡市场反应、渠道关系以及供应链的调整成本。

对此，Gartner提出了一个关键的补充视角：SKU管理必须从“一次性精简”转向“全生命周期管理”。这意味着，企业需要建立起从产品引入到最终退出的主动管理机制，而非依赖运动式的突击“砍杀”。

四、技术赋能：AI是加速器，不是替代者

当SKU基数庞大、成本结构错综复杂时，仅凭人工经验已难以覆盖全量维度的成本分摊与情景模拟。

此时，技术赋能的核心价值便凸显出来：它旨在大幅提升诊断效率，而非替代人类的战略判断。

从数字化使能的角度来看，Gartner指出，智能工厂能够实现灵活的生产切换，需求与供应的同步化能有效减少供应链中的“牛鞭效应”，而数字孪生技术则能显著降低试错与决策的风险。

为了帮助企业更理性地评估自身的数字化成熟度并规划落地路径，全球供应链战略咨询领军企业Kearney将AI在产品组合管理中的应用科学地划分为三个层次，对企业评估自身成熟度具有参考价值：

但必须诚实面对技术的边界。

现有量化证据多为行业级估算或单一案例，不具备普适性。McKinsey提出的“AI驱动需求预测误差降低20-50%”是行业级估算，具体到某家企业可能只有5%，也可能达到40%。AI对数据质量、系统集成、组织变革管理的要求，意味着它并非“即插即用”。

更重要的认知是，技术不能替代“良性/恶性复杂度”的战略判断。AI可以告诉企业“哪些SKU组合在数学上最优”，但“消费者是否愿意为某种差异付费”仍需市场洞察回答。

当前最务实的技术策略：先建立“双透镜诊断”的数据基础——市场端的需求数据和供应端的成本数据，再逐步引入AI工具进行优化。没有数据基础的AI应用，容易沦为“垃圾进，垃圾出”（Garbage In, Garbage Out）。

五、组织保障：跨职能协同不是“最好有”，是“必须有”

复杂度的管理，绝不仅仅是业务层面的梳理，更需要坚实的组织保障作为支撑。

当前，许多企业面临的深层阻力，往往源于内部激励机制所制造的天然对立。

营销团队以“新品上架数”和“市场份额”为KPI，供应链团队以“成本效率”和“库存周转”为KPI，优化方向天然相反。

一个典型场景：营销高管决定淘汰某个SKU，供应链决策者不支持。产品组合像滚雪球一样膨胀，最终超出组织的供应链管理能力边界。

McKinsey提供了量化佐证：某领先食品制造商建立跨职能工作组，让产线工人直接参与SKU复杂度讨论，在3家工厂实现每年100万美元成本节省。一线运营经验必须纳入决策，而非仅由高层或单一部门决定。

然而，许多企业在初期取得成效后也往往难以维持，复杂度管理项目通常在12至18个月后出现“回潮”，其根本原因在于缺乏系统性的治理机制。

为破解这一难题，当前最推荐的治理架构应包含以下四个核心要素：

• 建立跨职能复杂度治理委员会

由品牌、产品开发与工厂运营等多方共同参与决策。

• 设立明确的SKU引入门槛

将评估标准从单纯的“能不能做”升级为“值不值得做”。

• 推行one-in-one-out的硬性规则

“引入一个、淘汰一个”，从源头严控产品组合的膨胀。

• 定期追踪多维度的复杂度指标

不仅关注销量表现，更要审视运营负担、库存占用及换线频率等隐性成本。

在此基础上，Gartner进一步提出了关键升级：将客户体验数据深度整合进供应链KPI中。传统的SKU管理往往局限于内部运营指标，而现代治理则应将零售终端的消费者体验数据（如货架可得性、产品新鲜度、交付速度等）纳入综合评估。

这一转变意味着，企业的决策标准正从单纯的“内部成本最优”迈向“客户价值最大化”。

结语：建立持续审视复杂度的供应链习惯

SKU复杂度管理的本质，不是一场“砍SKU”的运动，而是一种供应链认知能力的进化。

从“砍尾端”到“辨好坏”，从“一次性精简”到“全生命周期管理”，从“供应链部门主导”到“跨职能协同”——这一进化正在制造业中缓慢但确定地发生。

对制造业供应链决策者而言，比“找到正确答案”更重要的，是建立一种持续审视复杂度的组织习惯——定期问：

哪些SKU在创造价值，哪些在消耗资源？供应链能力是否跟得上复杂度的膨胀速度？

这些问题没有标准答案。但提问本身，就是进步。

若您正在规划相关方向或有相关咨询需求，欢迎私信交流具体情境，我们愿意分享更多一线观察。

关注【科瑞斯达】官方公众号，了解更多前沿资讯及落地经验