机器学习与运筹优化打造智慧供应链的最佳实践

导读 本文将从消费零售行业视角，剖析前沿技术能够为行业供应链变革带来哪些新的变化，并通过实际案例分享落地实践心得。

主要内容包括四个部分：

1. 关于杉数科技

2. 从 0 到 1 - 深入探索何为智慧供应链

3. 从 1 到 N - 传统供应链如何加速推进智慧供应链转型

4. 最佳实践 - 实际落地案例分享

分享嘉宾｜苏广俊 杉数科技 副总裁，供应链事业部负责人

内容校对｜李瑶

出品社区｜DataFun

01关于杉数科技

杉数是国内领先的智能决策公司，也是智能决策领域的探路者，从最早为京东提供服务，到陆续服务于更多的各个行业的大型企业，目前成立六七年时间，已经服务上百家企业。

杉数有两块核心服务，一个是底层的 COPT 的求解，另一个是服务于业务问题解决的 Planiverse 端到端供应链计划平台。COPT 是专门解决底层的、超复杂的、超大数据量的、快速精准的计算，能够提供非常强大的算力支持。Planiverse 是基于底层技术的支持，专门去解决实际业务的一些问题，特别是在供应链计划领域。因为在大多数企业中，供应链计划是整个供应链运营的大脑，是非常核心的需要运用数据、算法、平台去做出变革的环节。

接下来开始正文的分享。

02从 0 到 1 - 深入探索何为智慧供应链

首先来介绍一下行业中供应链变革的进程。从对数据使用的程度、协同程度、流程的规范性等角度，可以将企业供应链分为四个等级：

• 原始供应链，是随机的、分散的、无分工的；
• 初级供应链可能有一定的职能分工、但是缺少协同，平时各个部门沟通协调也都是靠吵架来完成；
• 协同供应链，能够有标准的组织流程和系统，去帮助各个部门之间实现协同决策；
• 智慧供应链，在协同供应链的基础上，加上更多算法的使用，去做数据驱动的决策。

从杉数过往的实施经验上看，目前大多数腰部及以上的供应链企业，都处于初级供应链往协同供应链转型的阶段，也有一些头部的外企、或者国央企、民企等，在积极地从协同供应链向智慧供应链升级。

在企业端，智慧供应链应该具备哪些特征呢？

首先是消费者洞察。现在很多企业在做供应链管理的时候，发现供应链管理其实不再是站在非常后端的一个角色，而是希望有更多的消费者洞察，能更敏捷地指导供应链各个环节的关键决策。所以如何对消费者行为做一些数字化，并结合这些消费者数据分析使用，是非常关键的。比如企业会通过消费者价格敏感度的研究，来指导促销、定价等等，这些也会影响后端应该怎样去备货，怎样做生产。现在数据的可得性、技术的完备程度，是能够支持供应链去做更深入的消费者洞察，并指导后续决策的。

第二个是需求驱动，在消费品行业里，供应链的源头是品牌商发往经销商的出货需求，但是这个出货需求其实距离终端消费者之间还有非常深的经销商体系，原来缺少这一部分信息，例如经销商有压货的行为，就会导致需求会被扭曲，误导后续的供应链决策。现在很多企业能够获得更贴近终端消费者的数据，就可以从源头去指导后续的需求计划、备货计划等。

第三个是更敏捷的库存管理，包括如何去优化仓网体系、做出多级库存的优化，怎么从原来静态的安全库存策略变成更加数据驱动的、更加场景化的动态安全库存策略，以及现在消费品企业推进的一盘货和 DTC 的一些概念。下文也会介绍在这样的业务变革情况下，怎样用技术去帮助客户提升库存周转。

第四个是协同计划，整个供应链管理是一个复杂的系统工程，是一环扣一环的，无法简单地用一个算法模型或者技术去解决，而是需要有非常标准的、清晰的、高效的协同机制和相应的系统去完成协同。

更重要是，在智慧供应链变革的过程中，不只是要去实现前文提到的这些特征，同时还需要在整个端到端供应链管理流程中追求一些关键指标提升。所以现在我们做项目的方式，与五六年前传统的系统项目方式已经很不同了，原来更多的是把企业的流程、管理落地到系统上，但现在做智能供应链系统落地时，除了要有一套系统、有一个流程帮助企业去做更好的决策，也要能够在落地系统方案之后，甲乙双方共担关键 KPI。这是现在供应链项目实施思路上很重要的一个变化。

03从 1 到 N -- 传统供应链如何加速推进智慧供应链转型

接下来介绍数据和技术如何帮助客户做智慧供应链转型。

无论是杉数还是其他头部厂商，在做智慧决策的时候，主要用到两个核心技术，一个是机器学习，另一个是运筹优化。机器学习，是用来从大数据里面发现规律，并对未来做一些预测。比如现在广泛使用的决策树类的模型，XGboost、lightGBM 等，还有一些厂商会用一些深度学习模型去做对未来的预测。

但仅仅有预测是不足以指导业务做出更好的决策的，这也是很常见的一个误区，认为把预测做好，那么后面很多事情就可以很简单地拿到效果。其实并不是的，因为很多时候我们无法达到非常精准的预测准确率，比如要做到周颗粒度、SKU 颗粒度，或者 by 渠道的预测，常常 90%，甚至 80%、70% 的准确率，都是没有办法达到的，那么基于这样有波动的、不准确的预测，还要做出更好决策，就需要用运筹优化的方法，去做一些决策的建模和求解，把其中的不确定性，以及一些资源的限制刻画出来，最终才可以形成能够指导业务行动的决策，比如如何补货、怎样调拨，怎样生产等等。

举一个详细的例子，真实世界里产品的销量是受到各种因素影响的，包括促销、天气、销售政策等等。销量变化的波峰和波谷是难以精准地去提前捕捉到的，很多时候可能只能达到 70% 左右的预测准确率，在此基础上还是要对未来的库存做出决策，什么时间、补多少、从哪里补、补到哪里。

这就需要用到运筹优化的工具，去定义在这个决策中的目标是哪些，比如订单的满足率、库存的周转、或者是调拨的成本等。同时，在做决策时，也会有很多资源上的约束，比如库存的约束、库容的约束，还有一些运输资源或是生产产能等约束。这些都需要结合对业务的理解，把目标和约束放到模型里面，去做出最优建模和决策。

总的来讲，机器学习和运筹优化的技术，为业务的智能决策赋能，进而实现智能供应链的变革。结合杉数过去六七年的经验来看，在整个端到端的智慧供应链环节里面，有几部分是相对比较好落地、而且落地效果也比较好的场景。

从消费端来看，怎么利用对终端消费者的洞察，去做一些定价策略的优化、促销的优化等，都可以用数据、以及机器学习和运筹优化的技术去落地，并且带来非常可观收益。履约端，像战略层的仓网规划、分仓优化，计划层的需求计划、库存、补货、生产等，生产端里的产能规划、高级生产排程等，这些也是可以利用上述技术去解决的。

杉数在过往的实施经验中，形成了几个核心产品模块，来解决上述问题。

首先是 Demand.AI，这个模块是用来支持企业全渠道需求预测的。很多企业原有的业务运作方式是人工在 Excel 里面拉取数据，做一些预测，再去做跨部门的协同，企业面临很多痛点，有一些迫切的需求：

• 本文地址：机器学习与运筹优化打造智慧供应链的最佳实践
• 本文版权归作者和AIQ共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出

• 第一是如何将流程标准化，把所有数据、协同的流程放进系统里面做，而不是全靠 Excel，各自拿着各自的版本交流协同；
• 第二是如何变革原来的员工拍脑袋、或者使用传统技术的决策，可以用一些机器学习的方法，去做更精准的预测；
• 第三是模型白盒化，对于客户来讲，如何解释机器学习模型在落地时是非常被看重的；
• 第四是协同，供应链管理是复杂的系统工程，除了有技术赋能以外，也需要有好的流程、好的系统、好的功能去辅助企业把整个计划协同起来，最后形成一个一致性的决策。

接下来分享杉数在做智能需求计划场景落地时的一些经验。

第一，在智能算法落地时，数据永远都是变革的基础，除了用客户内部的数据，比如历史销量、历史销售目标、历史的一些市场策略等之外，其实还有一个思路，就是用更多的外部数据去帮助客户提升整个预测的准确率，提前识别终端客户的一些变化。比如之前为一个防晒产品企业做预测，就会去看搜索指数的变化趋势，利用一些公开的数据，放到我们的模型中，以提升模型的预测能力。

第二，在做预测的时候，很多客户或者服务厂商会有一个误区，就是希望用尽可能复杂的、多特征的模型，才会有比较好的预测效果。但是我们发现往往一些复杂的模型，更适合去做一些像 Kaggle 那样的比赛，在业务落地的时候，其实很容易发生 overfit，对未来业务的变化也会显得非常不适应，结果可能是用了一两个月之后效果就会下降。所以结合过往的经验，杉数更推崇的是做场景化的建模，这需要有非常深入的数据分析以及对业务的理解，去对预测的场景进行精细的区分，从销售 pattern、产品场景等，做出区分之后，再去匹配合适的模型，有的可能用时间序列，有的用机器学习，有的是用深度学习等等。这是我们更推崇的一个经验，也是落地之后更 robust 的一种方案。

第三，预测永远无法做到 100% 准确，在落地时候很多业务会诟病这一点，再加上算法是一个黑匣子，业务不理解未来应该怎么去用，这里其实需要通过一些白盒化，用可解释性的方式，把模型里面考虑了哪些特征、这些特征会对最终的预测有哪些影响等等刻画出来，让业务更理解、更放心，也才会把模型用得更好。

第四，很多客户仅限于预测 sell in 的需求计划，但现在随着品牌商能够获取到更终端的客户销售数据，比如电商的销售数据、KA 的销售数据，就有条件从更贴近终端的角度去做预测，通过与中间经销商的数据做 CPFR，再去 align 我们的库存策略，可以推导出在各个时间、每一个产品应该要向品牌商出多少货，从而更好地安排后续库存、生产等，由此来提升整个预测的精准度，同时也能够让品牌商更敏捷地去了解到终端消费者的变化。

在做完需求计划之后，接下来要做的就是库存管理相关的补货、调拨等决策。这块有如下一些经验分享。

第一，线上线下一盘货是趋势，以往品牌商在管理库存的时候，常常是分渠道进行管理的，也就是把不同库存分配到不同渠道之后，会做一些锁定，但现在随着业务模式的变革，以及 OMS 平台的支持，逐渐推崇线上线下一盘货，不再将库存割离开，因此在做库存决策的时候，可能有渠道独占的库存、也可能有各个渠道之间共享的库存，通过 pulling 的方式进一步降低整个库存的水位，用更小的库存去撬动更大的生意。

另外，渠道方面 ToB、ToC 只是一级的划分，在二级比如 ToC 里，还会有天猫渠道、有京东渠道、有抖音渠道等，这个层级也可能再去做一盘货，这里可以有独占的，也可以有共享的库存。比较极致的做法是可以在每一个层级，每五分钟通过算法和数据，去算一遍究竟放多少在共享是最优的，多少分配给特定渠道是最优的。因此可以通过更敏捷、更数据驱动、更算法的方式，提升整个库存周转。

第二，越来越多的企业意识到了算法的重要性。为了提升履约时效，从原来的一级仓网变成二级仓网，甚至有些企业也会有三级仓网。在这个部分也可以利用算法建模，进行多级的库存联动优化决策，究竟产品放多少在总仓，放多少在分仓，放多少在前置仓才能达到最优的履约和库存周转这两个核心指标的平衡，这也是现在很多企业要去变革和升级的一个场景。

第三，很多业务的用户在接受和采纳了算法技术之后，会把整个决策优化变得更加高频，比如从原来每年 review 一下库存策略，评估一下安全库存应该多少天是合理的，到现在可能会提升到月度，甚至是到每两周都会实时地用模拟仿真技术去做更好的库存策略决策。

这种变化背后的原因为，一方面上线算法方案或系统释放了业务人员的时间，从原来将很多时间投入在数据拉取、员工协同等一些非常低值的工作上，变成现在根据算法建议只要确认一下就好了，所以有很大幅度的时间缩减和效率提升；另一方面，结合现在模拟仿真能力的成熟，很多业务也会转变其工作重点，从原来的运营到现在做更多的对未来的策略优化。

前面介绍的是成品端的需求计划、库存、补货方面的经验，在生产端，也能够运用运筹优化技术去做一些多目标、多约束的建模，输出更敏捷、更细颗粒度的主生产计划。原来很多消费品企业在制造端，其主生产计划跟生产排程其实是没有关联起来的，主生产计划可能做到 by 月 by SKU、by 工厂，或者 by 周 by 产线 by SKU 这种已经非常极限的颗粒度了。但近两年可以看到一些头部客户，已经把生产排程的颗粒度，细化到了 by SKU、by 产线、by 天的决策，计划与执行的边界已经变得有些模糊了，也希望我们输出的计划是更可落地、更可执行的。当然这也得益于算力和模型的升级迭代。

除了生产端以外，整个供应链物流也是一个很重要的环节，在这里面也有很多可以利用运筹优化技术的场景，比如仓网的布局、分仓的决策、运输干线的路由优化、厂内的调度、拼车，甚至在仓内的布局优化等等，所有这些场景，都非常适合去落地运筹优化的能力。

控制塔是当前业界比较火的一个概念。它分为以下几层：

首先是把供应链端到端的数据拉齐，解决掉数据孤岛的问题；

第二是在数据拉齐之后，把端到端的计划进行协同，将计划和执行串联在一起追踪；

第三是情景模拟的能力，很多客户会关注，比如销量预测提升了 10% 或者 20%，对前端的生产或库存会有多少冲击，产能是否可以满足销售的诉求。所以控制塔里面会去搭载场景模拟的能力，让业务能够去做到端到端的模拟，然后去做更好的策略优化。

04最佳实践 -- 实际落地案例分享

未来已来，需要智慧供应链升级来赋能企业的革新与未来。接下来通过四个案例，带领大家感受一下杉数科技的技术方案在具体客户场景中落地的效果。

第一个案例是在好丽友落地的端到端供应链升级项目，结合杉数经验和客户诉求，分了三个阶段完成。第一阶段是数据准备，先将产销各个环节的数据做到可视化，对各个 KPI 进行更加敏捷的跟踪；第二阶段，解决智能订单履约的问题，原来订单是先到先得、没有区分客户的优先级，落地智能订单履约模块后，会定时计算，形成订单池，基于订单池区分客户的优先级、订单的优先级，再去匹配在库的库存、或者在制的库存，由此来提升整个客户的订单满足率；第三阶段是端到端的计划，从需求计划，到库存补货、要货和生产。

回顾该项目落地的关键指标变化，可以看到利用算法相比于原来的人工方式，预测准确率有接近 15% 的提升，同时因为更好的、看得更远的智能订单履约引擎，再加上更协同的数字化的计划，提升了整个订单的满足率，进而拉动了上亿的营收增长。

第二个案例是给雀巢落地的智慧需求计划平台。其核心亮点为利用终端的消费数据去做预测，进而建模雀巢与各个经销商的库存策略是怎样的，然后推算 sell in 的情况。通过这样的方案，业务员对终端的销售趋势有了更清晰、更前瞻的理解，也进一步地提升了整个预测的准确率。

第三个案例是给一个啤酒巨头落地的预测补货方案。原来其业务领域是计划归计划，执行归执行，很多时候计划部门输出的补货建议是没办法 100% 给到物流去落地执行的，特别是啤酒这种重货品类，在做补货或调拨决策时，要尽量保证车辆满载。所以在做计划的时候，如何去把执行时要考虑的约束也纳入到模型里面就很重要，比如哪些产品要放在一起，哪些则不能放在一起，哪些产品有特殊的温层约束，以及多个 SKU 拼车时如何保证满载等等约束，都加入到计划模型中，以保证输出补货建议时，直接能够指导物流排车、拼车作业。依赖算力的提升、算法的升级，使得计划和执行之间的界限变得更加模糊，从而使计划能更直接地去指导执行。

最后是一个鞋服巨头的端到端供应链控制塔的项目。首先，实现了供应链各个环节的可视化，因为对于鞋服来讲，很多产品是在越南、柬埔寨等地生产，产成之后海运进到中国，从港口再发到企业的大仓里，这个链条很长，可视化有助于客户把各个环节了解清楚；第二是运筹优化的应用，因为仓库资源是有限的，同时在港口又会有一些免租期政策可以利用，我们要为客户排定产品什么时候发、在中间仓停留多长时间再发往下一个节点，这其实是一个非常标准的运筹优化问题。通过我们的建模，更好地利用了港口的免租期政策，缓解了客户的爆仓情况，也降低了其仓储物流成本，为客户带来了显著的经济收益。

以上就是本次分享的内容，谢谢大家。