ChatGPT这么火，供应链上的AI又是如何支持决策的？

案例：AI如何辅助多级仓网规划

杨华是某新兴电商平台的供应链负责人。平台成立时间虽然不长，但由于市场定位精准，商品适销对路，加之平台玩法新颖独特，用户数量迅速增长，GMV也快速攀升。

与此同时，平台的快速发展给供应链带来的压力与日俱增，原有的单仓快递发全国的模式显然已经跟不上公司发展的要求了。

一方面，随着商品数量、库存深度的增加，原有单仓的面积早已不够，仓内作业的效率逐步下滑；另一方面，单纯用快递的方式成本太高；此外，单仓服务全国的时效表现也不好，客户总是投诉送货慢。

为了能够给客户提供更快更好的服务，同时也为了降低成本提高效率。杨华决定在全国布局多级仓网模式。通过总仓、城市仓的两级仓网，通过库存前置、干线调拨、落地配、城市配送等方式来对供应链网络进行全面升级。

想法固然好，但是这里面有太多的细节需要搞清楚。例如总仓现有面积够不够，城市仓需要多大面积？什么品类应该放在总仓，什么品类应该放在城市仓？总仓和城市仓的库存周转应该设置多少合理？总仓到分仓的补货调拨周期是多长？通过落地配、城市配送的时效能做到什么水平？如何能够实现成本、时效、服务的最优化配置？……

杨华希望这不是一次性的规划，由于公司发展较快，未来最好能够每隔半年就对整个网络进行一次迭代。更为重要的是，仓网规划不仅仅只是杨华所负责的供应链一个部门的事情。这里面还涉及到商品管理部门、商家管理部门、各大区销售部门，甚至还包括财务部门。

例如销售部门需要提供未来销量的预估，商品部门需要提供入仓商品的种类数，商家管理部门需要提供主要供应商的入仓方式，财务部门需要提供整体的供应链预算和成本目标。只有根据这些预测数据，更为准确地说是根据这些商业假设才能推导出仓网布局和结构。

杨华希望改变过往在“开仓、搬仓、关仓”的决策过程中大家乱给数据、乱拍脑袋，事后无法对之前提供的商业假设进行复盘追溯的情况，能够通过一套产品系统将所有的商业假设作为各部门的输入记录到系统中，通过“假设-验证”的循环来提升仓网决策的质量和效率。

这事情听上去简单，但是越想越深、越想越复杂，杨华打算先根据自己的想法做一个初步的方案提交上去，跟大家讨论讨论再看下一步如何推进……

案例中的网络规划属于供应链战略层级的计划，它确定了供应链计划管理的上限和边界。当网络确定下来后，一切供应链的优化都是在这个框架之下的优化。因此，网络规划的重要性不言而喻。

不少人会觉得：网络规划不就是拿出地图，看一下产地在哪，消费者在哪，现在交通那么发达，在产地和消费者之间选一条最近的路线不就完事了吗？而事实上，与案例中所描述的场景类似，网络规划远没有想象得那么简单。

我们通过电商平台购买商品，可以根据平台所提供的页面查询到商品的路径信息。因此常常听见消费者抱怨说：“打开路径地图上看，我的商品怎么离我越来越远了呢？快递明明可以走直线，却偏偏绕了一个大圈去旅游了！”

事实上，为了实现时效、成本、服务的最优化的组合，实际的供应链网络并不会如消费者心中所想象的那样让所有货物都选择走直线最短路径。我们往往需结合“人（消费者）-品（商品）-商（商家）-货（库存）-仓（仓库）-配（配送）”等多个因素，综合考量计算之后才能做出最佳的选择。这里面还可以进一步分为宏观和微观两种类型。

宏观的部分我们通常称之为“网络规划”。它不考虑具体的品、具体的商家、具体的消费者，而是考虑一段时间内总的品类有哪些、订单的流向大致是怎样的、商家大致位置在哪里等等，在宏观角度通过算法来确定供应链网络的布局以及库存的分布等。

如图所示，我们根据商业假设推算之后，决定在沧州设立一个大的中转仓节点。因此来自深圳、东莞、金华等地的货物都会先被送到这个中转节点后再分发到全国各地。虽然单个货物看起来配送路径更远了，但总体的网络时效和成本是最优的。

微观的部分我们通常称之为“路由调度”或者“动态路由”。它是在确定的宏观网络框架之内，根据具体的消费者订单来匹配供应链网络上的商品库存，从而选择最优化的配送路径。例如，成都的消费者购买的商品产地虽然是深圳，但是经过动态路由算法计算之后发现在金华仓里有库存，而通过金华-沧州-成都的路径最短、时效最优、成本最佳，系统会选择由金华仓的库存来进行履约。

宏观部分的网络规划通常是离线的计算，结合不同的商业假设，通过算法给出几个不同的解决方案让用户进行选择；微观部分的动态路由通常是在线的实时计算，根据用户之前在系统中配置的路由规则，根据实时数据通过算法产出路径并进行立即进行执行。所以说规划通常是离线计算，执行通常是在线计算。

离线计算还有可能会应用到仿真技术或仿真产品，我们将前述算法计算出来的网络模型在仿真系统中进行搭建或配置，由系统根据历史数据模拟生成新的离散数据（如消费者订单、购买的商品等）注入到网络模型中，运行一段时间后，看这个模型所产生出来的库存周转、缺货、成本、时效、销量等一系列指标是否符合预期。

这个仿真技术通常被称之为ABMS（代理人基模型Agent-based model Simulation），是一种用来模拟具有自主意识的智能体（独立个体或共同群体，例如组织，团队）的行动和相互作用的计算仿真模式。

如今，仿真技术被大量应用在供应链管理中。我们经常听见的“数字孪生”即仿真的一种形式。这是为了减少每次仿真的工作量，我们可以根据企业的供应链场景提前搭建好仿真平台，并在平台内预设一些模型或者建立模型的快速配置能力。例如企业的仿真平台里预设有工厂的仿真模型（工厂的“数字孪生”）、供应链网络的仿真模型（供应链网络的“数字孪生”），实际使用时可以调出模型进行修改或配置，然后通过ABM技术注入模拟数据来推演结果。基本流程如图所示。

以上我们通过网络规划的例子来简单阐述了算法和仿真的应用。供应链上的算法和仿真应用场景非常之多，从供应链的战略层面到战术层面，直至运作执行层面都有算法和仿真的用武之地。

例如，在零售场景里，我们在战略层面上可以通过算法来辅助我们进行年度季度需求预测、网络规划、品类规划；在战术层面上，可以通过算法来辅助我们进行月度周度需求预测，制定库存策略，制定采购补货计划；在执行层面上，可以通过算法来辅助我们进行by天甚至by小时级别的需求预测，做库存的动态路由调度，以及对货物进行实时的追踪，对质量问题进行追溯。

再如，在制造场景里，算法和仿真也能帮助我们做产能规划、产线规划、排程计划和物料齐套、质量监控等工作。可以说，在智慧供应链中，算法和仿真的应用无处不在。

当然，从最初的供应链完全由人工进行决策（第一阶段），到通过数理统计的方法进行简单的分析判断（第二阶段），再到可以依据数据进行局部的算法优化（第三阶段），然后到可以通过多方协同，依据全局数据进行端到端的优化仿真（第四阶段），最后实现从战略层到执行层，能够随需应变，通过离线规划+实时动态优化的方法，实现最终的智慧供应链，我们需要逐步地对企业所需要运用的算法模型进行打磨、沉淀，甚至引入一些第三方成熟的算法为我所用。

对于有一定规模的企业或企业集团，并且是在数字化方面有自己的开发产品团队的企业，我们可以考虑在企业内部构建一个算法AI平台或者引入第三方的算法AI平台，用来支持通用及定制化算法模型的开发和沉淀。