人工智能應用于供應鍊創新的平台和場景

所有供應鍊都值得重做一遍？兩大鍊路、十個模塊，最全實戰總結來了！

導讀：我們經常聽到這樣一句話：“所有的供應鍊都值得重新做一遍”。在傳統“一維流程式供應鍊”失效的現狀下，我們認為，下一代供應鍊将會是一個以客戶為中心的“多維生态型供應體”。如何構建下一代供應鍊？供應鍊行業咨詢專家——第四範式供應鍊業務負責人向明輝從商業和技術視角，将商業生态系統、業務架構及流程層層分拆，抽絲剝繭似地解答了這個問題。

完善的供應鍊管理可以讓企業以最低成本來獲取最大的利益，同時可以提高企業的工作效率和生産效率。然而在疫情發展難預測、數字化浪潮加速、用戶需求多變、企業利潤率薄、斷鍊風險增加及成本上升等内外因素的驅使下，企業對供應鍊變革的關注愈發強烈。供應鍊承擔的任務已不再局限于推動企業業務流程，而是逐漸升級為支撐企業戰略轉型的重要抓手。

1．傳統供應鍊轉型迫在眉睫

傳統供應鍊以“一維流程式供應鍊”為主，在過去流程型驅動下，供應鍊呈現一維的、單向的、鍊條式的從A部門到B部門到C部門的協作特征。

（圖示：傳統“一維流程式供應鍊”）

傳統一維流程式供應鍊有着以下弊端：

（1）流程繁瑣，效率低下

商品從工廠到消費者手中要經過各種繁瑣的流程，在過去流程型驅動下，供應鍊往往是一維的鍊條式的協作，呈現出效率低且不透明的特征。一旦流程中出現斷點或問題，很難快速找到原因并做出響應。

（2）無法滿足多元化需求，用戶體驗差

個性化、多樣化的消費正成為當前消費增長的主流。用适當的産品、更快的速度滿足消費需求，正成為企業核心競争力的重要标志。傳統供應鍊下的企業仍以供應商/零售商而不是消費者為核心，對市場變化缺乏感知，在靈活性方面也存在一定短闆。

（3）依賴人工經驗，決策水平較低

許多公司在今天依然把量化的需求預測方法視為一個黑盒子，完全憑經驗和感覺來判斷。這種方式嚴重依賴決策者的經驗、水平與精力。1975年圖靈獎、1978年諾貝爾經濟學獎Herbert Simon曾表示，人在決策中尋找的并非是“最優”的标準，而是“滿意”的标準，是有限理性，這樣的決策方式往往并不是最精準的預測與判斷。

（4）系統複雜，成本控制難

多數企業都會面臨一個問題：越來越豐富的産品線以及越來越多變的需求，必然會形成一個更加複雜的供應鍊系統，囊括數量繁多的參與者（企業方、供應商、經銷商、承運商、最終用戶等）。企業不光要建立起降低各單項成本的管理方法，更難的是如何平衡。大多數時候，某些單項成本的降低不但導緻供應鍊總成本不降反升，還會引發産品質量和服務水平降低。

2． 如何重構供應鍊？

2.1什麼是下一代供應鍊

我們經常聽到這樣一句話：“所有的供應鍊都值得重新做一遍”。這是因為在傳統“一維流程式供應鍊”逐漸失效的現狀下，企業需要重新審視業務的定位，從原來以企業為核心的價值鍊，升級為一個以客戶為中心的“多維生态型供應體”。

當人們描繪商業未來的時候，“生态系統”的說法已經普遍使用。其包括參與者－在生态環境中的角色，比如企業方、供應商、經銷商、承運商、最終用戶等，以及交互－參與者之間交換的産品或服務。

把企業的商業生态系統進行數字化概括，有以下幾個關鍵詞：端、互、鍊、網、AI（人工智能）、雲：
1、端：觸點——指用戶和企業提供的産品或服務接觸的觸點，比如：APP、小程序、線下門店。

2、互：互動——絕大部分的技術是單向的，如：報紙、電視。但互聯網時代越來越多的技術，如：電話、短視頻電商是雙向的。未來擁有海量的人同時互動的能力會産生巨大的價值。

3、鍊：鍊接——一端通過互聯網鍊接人，另一端鍊接供給鍊。

4、網：網絡協同——是商業生态系統最重要的，網絡協同效率越高，生态就越繁榮，當海量的人同時互動時，怎樣通過協同的方式去完成價值交付，這個跟工業時代流水線的管理方式完全不同，需要通過數字化的網絡升級，将商業生态升級成一個數字孿生的商業世界。

5、AI：人工智能——它需要對應的數據、算力、算法的支撐，利用機器決策呈現幾何式的效率提升。

6、雲：計算基礎設施——PAAS/IAAS等，是IT科技的基礎設施。

端、互動、鍊接、網絡協同、人工智能和雲計算等要素的結合，将構建一個新的供應體——“多維生态型供應體”由此而來。“多維生态型供應體”可将消費者的需求、商品的部署、倉庫網絡協同、物流配送、服務等全鍊條數字化，即時響應，實現庫存部署、配送鍊路距離和時效識别、限時送達及按需送達等定制化的客戶需求。

2.2如何構建多維生态型供應體？

在新的定位指導下，企業需要從“親力親為”的實幹家轉型為“協作共赢”的組織者，從“主演”到“導演”——即從以自己為核心構建的價值交付體系（主演），向通過構建生态協同環境、組織各方資源共同完成價值交付的組織者（導演）方向轉型。

“多維生态型供應體”可以整體規劃為四大層級：

1. 最底層是業務運營層，從原材料、工廠加工生産、流通和零售領域、最後送達到客戶（C/B）的手中。

2. 在業務運營層之上要構建物理數字化層，即企業進行數字化轉型時需要将物理世界映射到數字孿生網絡，如果沒有這一層，很多數字化轉型都是PPT的數字化。

3. 業務整合層主要是業務側不同單據的生命周期管理，比如：銷售訂單、發貨單、采購單、收貨單等；另外就是整合管理，管理對應的數據對象包括：客戶、商品、庫存、價格、倉庫、配送等。為了業務整合，過去幾年不少企業投入建設了中台系統，但當深入挖掘這些系統時，會發現很多産品實質是更加靈活和快速地支撐業務流程，沒有真正做到智能的輔助決策。

4. 最上層是業務接入層，接入了不同的渠道和平台。

這樣的規劃和設計滿足了以客戶（C/B）為導向，線上線下多平台、全渠道、供應鍊一體化服務的需求，同時，在整個供應體的背後，更需要以人工智能的輔助決策支撐業務決策。

根據上述的整體規劃，整個智能原生架構的關鍵要素如下：

值得注意的是，由于下一代的多維生态型供應體比原來的傳統系統産品=流程 表單的模式更“厚”，對IT和技術人員的要求也更高，應遵循數字化的方法論，如下圖所示：

按照大數據的方法論，根據流程維度，下一代“多維生态型供應體”可分為入庫鍊路ISC - Inbound Supply chain和出庫鍊路OSC - Outbound Supply chain。根據數據維度，可分為策略層、計劃層、執行層。

• 入庫鍊路ISC：将商品從供應商/品牌商，再到最終可配送給客戶（B/C）的倉的正向/逆向的全流程管理；

• 出庫鍊路OSC：将商品從配送倉一直到客戶（B/C）的正向/逆向流程的全流程管理。

入庫鍊路ISC和出庫鍊路OSC在業務中有很多時候需要相互聯動，形成拉式供應鍊或推式供應鍊。

以機器學習和深度學習作為技術基礎，以自動化、智能化、端到端為目标，“多維生态型供應體”可拆解為兩大鍊路、十個重要模塊（具體如下圖），縱向從底層算力、中層算法模型延伸至上層決策，橫向做到事前計劃、事中執行、事後快速調整的閉環。下文将具體展開如何用數字化的方式，構建“多維生态型供應體”：

2.3“多維生态型供應體”下的入庫鍊路ISC

ISC入庫鍊路的五個模塊、定位、價值和主要功能：

模塊1：品類規劃

核心是商品計劃。這是商品運營的出發點，圍繞目标制定并管理、推動品類引入和汰換、完成商品銷售計劃，最終落地到采購和供應鍊執行鍊路。商品計劃簡單點說就是商品的寬度，如渠道 地點 時間 SKU。

從上圖可以明确看出一個做零售業務的企業，生意的核心是商品精度。在供應鍊中的整個ISC入庫鍊路都是在管理未來，以應對未來的不确定性，所以管理SKU的寬度是未來1個月甚至1個季度運營的商品（基于不同行業商品生命周期的屬性）。重要的是用客戶的視角思考和決策，永遠記住：

我們是為市場選擇商品，不是為自己；

我們是為未來選擇商品，不是為現在！

模塊2&3：銷售預測&自動補調退

“隻要把銷售預測做準了，就什麼問題都解決了”是最常見的誤區，原因在于把假設當成了結果。如果事前連品類規劃的商品計劃都沒有，怎麼做銷售預測？退一步說，事後銷售訂單背後需要回答三個核心問題：“what”、“how many”、 “when”，即用戶要什麼，要多少，何時送到。如果整條供應鍊的時效性、穩定性和連續性不能保障，無法敏捷地滿足需求，那預測出的需求便沒有任何用處。

銷售預測&自動補調退模塊主要是實現海量商品的自動采配退，提升供應鍊庫存的柔性，快速敏捷地響應客戶需求，全方位提升企業運營效率和競争力。用以下圖示描述：

銷量預測引擎可以通過構建“收集行為數據–收集反饋數據-模型訓練–模型應用”的全流程機器學習模型來獲得，踐行閉環數據管理模式。随着模型不斷使用，輸出的銷量預測結果将會更加精準，更加适合企業不斷變化的零售業态，大幅提升供應鍊效率并降低庫存成本。同時也讓整個鍊路的庫存流向更明細，提升配送時效，最終帶來全局供應鍊的業務價值提升。

下圖是基于機器學習平台的銷售預測的流程：

在銷售預測系統後，整體自動補貨、調撥、退貨等場景如何做？首先銷售預測模塊和自動補調退之間的聯動如下：

從上圖得知，整個體系設計非常複雜，并且各個模塊之間要實現聯動，才能獲取一份能夠執行的one plan。把上圖的技術視角轉換為下圖的業務視角：

重點是形成全網的外部補貨和内部調撥的整體最優，通過事前計劃（預測）、事中控制（庫存計劃）和事後處理（庫存健康）相結合的庫存優化，直接輸出對應的補貨單、調撥單等單據指令，讓業務能直接确認，并和當前的各個執行系統在執行側打通，比如：采購系統，調撥系統，WMS系統等。

模塊4：預約入庫

為了讓入庫鍊路更平穩，重點是根據組網和服務模塊（底層數字化基礎設施）各個倉庫的收發貨、庫容等能力數字化，進行預約入庫的安排，指導供應商按照采購單上确定的時間、SKU、數量送到指定的倉庫。

模塊5：庫存中心

在多維供應體中，庫存中心需要具備網絡化、平台化和智能化的特點。庫存中台必須向上對接不同的業務網絡，向下對接不同的實物庫存網絡，通過人工智能實現物理庫存、邏輯庫存以及銷售庫存的自動平衡，減少缺貨，實現銷售機會最大化和庫存效率的最優。

2.4“多維生态型供應體”下的出庫鍊路OSC

完整的出庫鍊路包含了營銷領域的建設，需要整合交易的核心要素：客戶ID，收貨地址，商品，數量，價格，優惠，時效（交易時根據确定庫存、倉、配計算實時反饋，所見即所得）及服務，并按照整體進行客戶需求的交付。

對于客戶下單時的時效計算，一定要明确庫存是否可用，倉庫是否覆蓋收貨地址，倉庫的波次時間，配送是否有對應的線路并且有能力配送……在這個高維複雜的決策體系中，需要人工智能根據N*N*N的笛卡爾集的可能性按照不同的策略确定對應的履約要素，讓訂單履約體系基于組網和服務核心對訂單做出最優決策并實時反饋給客戶。

因此，OSC出庫鍊路的模塊應具備：

模塊6：時效和服務表達

透傳時效和服務給客戶，讓客戶下單時就能實時的“所見即所得”，提升客戶體驗和轉化率。這裡比較抽象，用截圖說明：

前台頁面需要展示中後台按照訂單履約的所有聚集要素，體現對客戶這筆訂單的決策，依據時效最優、成本最優、客戶體驗最優做出的結果去呈現。計算邏輯如下：

·根據客戶的收貨地址找到發貨倉庫（有多個倉庫按優先級排序）；

·根據客戶訂單的數量和可發倉庫庫存匹配（是否拆單）；

·根據發貨倉庫到收貨地址找到對應的配送線路（多條線路清單）；

·取配送線路上的時效進行計算後的時效服務展現；

·在有預約配送的行業（大家電、家居等），則會幫客戶選取可以預約的第一天；

·核心數據：當前時間 截單時間 線路時效。

對于服務類的表達則要簡單很多，主要是通過對應的服務組 服務内容，在客戶下單後将對應的服務打到對應的訂單。比如一個重要的場景，是否可退貨？企業确定了該商品是否可以退貨後，就可以直接在系統中控制對應的業務規則和要求，在企業管控力和靈活性上取得平衡。

模塊7：訂單履約平台

訂單履約體系基于服務組網核心對訂單做出最優決策，該模塊連接了客戶下訂單、物流履約訂單、倉庫分揀、配送到客戶收貨地址的執行體系。重點是接入前台的不同系統産生的銷售訂單，接收銷售訂單後進行校驗，再根據對應的業務規則進行訂單的拆合并轉的動作。訂單履約平台是訂單的一個分發機制，需具備數字化、平台化和智能化的特點：

• 訂單系統的規劃需要考慮整體性和拓展性，同時能夠支撐新業務的快速導入；

• 對從訂單分類、訂單設計、訂單執行到訂單跟蹤的整體數字化閉環的管理和衡量；

• 需要建立智能化的主動式事件管理機制。可以采用閉環的管理方式，即根據預先設定控制點的報警時限，一旦發生異常，即在未來系統中自動觸發報警，并生成異常狀态的訂單清單與明細，再指派給相關人員處理，最後會定期跟蹤異常訂單的狀态與完成情況。區别于傳統的OMS隻進行訂單信息記錄，該方案實現由被動變主動的管理升級。

模塊8：庫存健康

機器學習可以很好地應對供應鍊中的“不确定性”，同樣可以讓庫存追求“多重變量制約下的最優解”。供應鍊中最日常的決策就是以銷售額最大化、毛利潤最大化、清倉等為目标的最優解。庫存健康模塊不是單獨存在，而是和銷售預測、自動補貨、庫存執行系統、營銷系統模塊統一整體考量。

某些公司按照如下方式進行設計和實施：

2.5供應鍊轉型需具備的基礎設施條件

最後，供應鍊數字化轉型有賴于基礎設施建設，對應到多維生态型供應體，重點在兩塊：底層組網和服務的建設，以及算力平台的構建。

模塊9：組網和服務

基于物理世界進行業務數據化，最終形成網絡服務化，方便上層業務系統調度。所有的決策都要基于網絡，整個組網和服務應該如何架構和建設，請參見下圖：

通過組網和服務的建設，讓企業可以将供應鍊的倉配資源即插即用，進一步拓展了整個網絡的可拓展性（不同的網絡類型）和無限延展性（業務到哪裡，倉配到哪裡，系統數字化直接配置可使用）。

模塊10：算力平台

基于人工智能架構的AI一體機。從上文可以得知整個體系是在一個高維的空間進行生态型供應體的建設，所以對算力和算法的要求比傳統系統要高出N倍，軟硬一體化的AI集成系統可從AI平台、AI核心引擎和硬件基礎設施三層架構設計，來支撐AI應用及其從1到N的規模化落地。

總結：

從一維流程式供應鍊到多維生态型供應體的轉型升級，企業需要思考如何通過生态協同依托技術創新，構建橫向端到端的整合，縱向虛實分離的産業生态網絡，實現“橫縱結合，虛實分離，人盡其才，物盡其用”的生态化大協作。

作者介紹：

向明輝，第四範式供應鍊業務負責人。擁有20年以上快消、零售、互聯網、智能商業相關工作經驗，曾服務于阿裡巴巴、IBM、埃森哲、HP等領先企業，具備數據科學和行業專家的複合能力，在電商供應鍊、數字化供應鍊、供應鍊管理咨詢方面積累了深厚經驗。操盤過多個新零售的前中後台業務、産品及智能化運營體系的設計與落地。

說明：因為文章的原創保護，本文作者标注為号主本人，題目為号主所加；文章作者實為本人的老同事向明輝。如有打賞本文，号主将相關金額轉給向先生。