丁平-AI打造企业供应链数智平台

2020年12月20-21日，全球供应链上合峰会暨第八次CSCMP中国大会在青岛胶州召开。我们精心组织了议题，邀请到了来自中国、美国、欧洲等十多个国家和地区的著名经济学家、全球著名供应链专家和企业领袖，探讨了后疫情时代全球经济、全球供应链、发展的重大趋势，探讨了物联网、大数据、5G、人工智能、区块链等颠覆性技术加速应用的前沿实践。这些重量级嘉宾的发展非常具有启发性。我们现在将演讲的内容整理出来，与协会的会员们和供应链的同行们一起分享，作为一项增值服务，也给没有机会参会者一个再学习的机会，这也是我们一直秉承的价值观，请大家珍惜这场学习的机会。我们希望真正想学习知识的人能够聚到一起，共同致力于发展供应链事业。

——王国文

非常感谢主办方提供一个机会跟大家做交流！

我先自我介绍一下，我叫丁平，来自Llamasoft。大家可能会觉得看上去不像典型的英文单词，我来跟大家解释一下，什么叫Llama。Llama其实是一种美洲羊驼，它在运输里面扮演非常重要的角色。

今天我们讨论的都是一些供应链的课题，我给大家分享的课题，我们可以聊一聊AI，我们知道AI的领域很大也很热门，其中通过运筹学一些算法建立模型，以优化的方式帮助企业降本增效是非常非常时下热门的话题。所以我今天的分享会有四个方面。我更多是代表企业或者是作为乙方，接触了非常多的企业，甚至是企业的一把手和二把手。供应链管理分为不同的等级，有执行层、有计划层、也有决策层。在企业的决策层，这些一把手或者二把手们他们在决策的时候会面临怎样的一些痛点。第二部分聊一聊为什么说优化，具备这样的能力帮助企业降低成本，提升效率。甚至有些场景下我们会发现，通过优化模型之后，营收可以进一步提升，我相信这样的结果对所有的人，CEO而言都是非常想要看到的结果。第三部分，我今天带来三个非常典型的案例，都是跟一些知名的500强企业的合作，从不同角度来阐述优化模型，具体能给企业带来具体的怎样的一种价值。最后跟今天的主题非常相关，聊一聊在整个企业决策或者经营的过程当中，人才是非常重要的一环，人才如何能够更好地赋能企业。

今天我们聊的主题有一个大的背景，是我们在当前的疫情或者说后疫情时代，我们都认可一句话叫“变化才是永恒不变的主题”。面对如此变化的环境，通常对企业的供应链的决策者或者是从业者需要回答哪些问题。第一个，需求预测。所有的供应计划都需要作为重要的收入，我们也承认，预测是没有办法做到百分之百准。但是每提升1%的预测准确率，意味着计划可以做得更好，也意味着库存可以平均下降2%或3%左右。能否利用人工智能或者机器学习的算法，大家知道这些模型给到越多的数据，它给到的模型是最好的，究竟怎么样通过人工智能或者机器学习算法能给企业带来收益，这是大家关心的第一个课题。第二个，很多企业对Llamasoft的了解开始于网络优化模型。如果说今天假设，还是以华为为例，我要打开一个新的市场，推出一款新产品，我的供应链从无到有要去建立，请问我应该如何去设定？是应该自己生产，还是外包给OEM、ODM？我的物流网络如何设定，是以一个国家仓库辐射所有的代理商，还是要建立一个多级的仓库网络？有中央仓、区域仓，甚至有前置仓。最重要平衡的，其实刚才嘉宾也分享到，成本和服务，这一块是非常非常重要的一些战略问题。采购战略同样非常非常重要。我们有一些企业他的供应链的成本组成，比如我之前跟广东这边的一些企业交流以后发现，百分之七八十的供应链成本来自于采购成本。我会问他们上一次去做采购配额的回购是什么时候，我们有多少产品，他是单一采购的？单一采购对企业来讲可能是一个非常大的风险，比如疫情情况下，我们也帮企业做了一些分析，如果你有一些原材料是单一采购的，由于疫情的关系，这些工厂没有办法再生产了，对你来说有可能会造成供应链的中断，所以你要找的是，你的供应商甚至是供应商的供应商。当然我们还有一些采购计划的问题，也可以通过模型来回答。生产策略同样非常重要，今天我带来的一个案例是，其中一个案例是一家半导体的生产方案解决商，他过去在去做他的产销一体化的生产计划的时候，是完全以生产为导向的，大批量的生产某一个产品。生产成本很低，产能利用率很高。但是会遇到一些问题，比如说有些客户的定单没法第一时间交付，那是不是成本最低的生产策略对整个供应链来说是最好的？未必。同样的分销策略，今天我第一个案例会讲到一个非常知名的跨国食品和宠物用品的企业，他在设定分销策略的时候，既会有一些经销商，也会有一些KA客户，通常是那些大型的超市，当然也包含一些夫妻老婆店。我们也知道随着电商平台不断的增长，企业要回答的问题是，我的分销策略能不能有进一步优化的空间。最后我们聊一聊老生常谈的话题，库存。有些企业对库存又爱又恨，我们要平衡的是什么，如果我缺货所导致的缺货成本，对比我备太多的库存，而占用的资金，孰优孰劣，哪个更重要？在座的各位都是老师，我们在课上也学过，以现在的水平开根号去做安全库存的计算，他有一个重要的前提是需求满足正态分布,是不是所有的需求类型都满足正态分布？这也是为什么很多企业所面临的痛点是，我确实在做安全库存的计算，但与此同时我们会发现有一些仓就是爆仓，但是有一些产品客户依然投诉。问题非常多，我们要回答这些问题需要一个什么呢？我们说叫供应链端到端的数字孪生，把他想象成一个沙河，在他的基础上面通过一些运筹学的优化算法作很多的假设场景分析。

我给大家举一个非常现实的例子。

这张图是我们之前跟一家国内非常知名的食品饮料企业所做的一个项目中的一环。首先我们可以看到他的全国的分销网络非常复杂，中间的这张图，当前我们以新疆区域的供货为例，客户首供是怎么做的？供货来源有来自于浙江供货，当然也有一部分来自于湖北供货，模型优化后告诉他湖北的供应量要增加，浙江的相应减少。当然大家觉得，明眼人一眼就能看出，从运输距离的角度来讲一定是湖北离新疆更近，为什么客户不会做这个事情，或者他没办法做到更优？第一，你看的只是局部的一个点，局部最优，肯定不代表全部最优；第二，如果这么做，虽然我们会发现新疆区域能够节省210万，但是湖北区域因为供应增加了，所以我的成本会上升。假设我是湖北区域的负责人，我不会愿意做这样的一个方案。假设我是生产的负责人，我也不愿意做这样的一个方案。但恰恰对企业来说，210减去40，每个月,就有将近1个点，就有将近170万成本的节约，所以这也是为什么决策，或者说优化非常有魅力的。

那么大部分的企业现在是怎么样做这件事情的？

头脑风暴为主，辅以Excel的计算支持。我们现在也遇到一些，特别是互联网企业具备足够的资金、资源和人才，通过像Python、TensorFlow、R等等，去写一些优化甚至是AI的算法，然后辅佐以一些知名的商用的我们叫Solver，像CPLEX、Xpress、Gurobi能获得一些答案。能获得一些答案。但问题是你是否具备这些人才？另外最终多快能够回答业务的问题，能否把他变成一个应用可重复的帮助业务，解决端到端的一些供应链问题？这是大家所遇到的痛点。

从数据分析的角度来讲是分不同层次的。第一层我们叫描述性分析，这里给大家举一个非常典型的，所有供应链从业人员都会面临的问题。如果某个产品在某个仓库发生了缺货，描述性分析告诉我们，这个产品经常在北京仓发生缺货。下一个我们叫诊断性分析，他告诉我们是什么原因导致的，可能是我的预测做的不准，或者是我的备货策略不对。接下来是预测性分析，不仅要知道当前做得怎么样，怎么会导致我当前的异常，还要知道未来有多大的概率会发生同样的情况。但最重要的是，我们叫决策性或者规范性的分析，我不仅要知道未来可能会做得怎么样，我还要知道怎样做才能最大化我期望。比如说在满足服务水平的同时，最小化我的库存的持有成本或者不必要的资金占用。

Llamasoft是谁？为什么有这么多的企业愿意跟Llamasoft合作？

通常我会跟客户说，如果今年供应链的指标是2到3个点的成本下降，我们可以通过一些精益的管理，我们可以跟供应商的一些溢价去获得。如果我们今年的目标是10%、15%甚至更多的成本节约，通过优化的方式，从我们的经验来讲，这些数据都是来自我们现有客户真实的分享，10%的供应链成本节约我们是非常有信心能够获得的。另外，还有两个维度同样非常重要，非常多的企业，尤其是在当前互联网或者是电商持续增长的前提下，越来越多的企业从成本导向变成了服务水平导向。大家探索的一个问题是，我每年依然有这么多供应链的预算，我可以把我的服务做到怎样极致？比如更快、更好或者我的现货满足率进一步提升。最后就是刚才提到的，营收为什么能增加2%。第一个方向，服务做得更好，客户黏性增加，一定会企业带来营收的增加。第二个方向，如果我是一个企业管理者，现在生产不同的产品，成本不一样，交付到不同的终端，售价不一样，那为什么不让模型以我的营收作为优化的目标，以最大化营收给我一个方案，这也是为什么能够得到2%营收的提升。

接下来给大家分享三个非常经典的案例。

第一个案例，这家公司是具有百年历史的全球糖果食品和宠物护理领导者的企业，在这个领域绝对是巨无霸的体量存在。

他的背景是若干年前，他们在欧洲当时有一个非常知名的事件，A公司和B公司合并整合成了一个新公司。合并之前，他通过模型测算，假如说今天要收购一家企业，对标的企业来说，在供应链的机会上有哪些整合的方向，比如说仓网的一些整合，生产的一些整合，因为客户是高度重合的。第二期我们跟他们合作，开始于中国区的，当两家公司合并完之后，变成一个公司两个事业部，一个是巧克力事业部，一个是糖果事业部，供应链有哪些整合的机会呢？这是非常大的课题，那我们提出了哪些方向？大家可以想象一下，当年我们跟他们非常的巧的，客户也是我其中的一个客户，帮他们做了很多的进行了分析。我们会发现电商对他带来的冲击很大，电商销售在增加，线上的销售在受到蚕食，另外大家越来越注重健康，所以巧克力、糖果他旗下有很多的品牌，未来的增长或者是减少趋势是不一样的。最终这家客户要回答的是什么问题？今天我们再来讨论的是全链路，我有线下的，也有线上的，如何把全链路打通，给企业一个最优的方案，这是他要去寻找的。但是我当年并不建议马上就做全链路的项目，太复杂了，数据不一定不支持。另外所有的供应链优化项目都涉及到变革，从变革的难度来说，我们是建议先从可触底或者可控制的方向去开始。大家看到他先从线下的部分，从分销网络开始做优化。这里我们提出了四个机会，第一个机会，当时他在全国11个城市是有19个仓库的，那我们为何不每个城市只保留一个仓？这些也不是我们空口去告诉他的，我们会做一些行业对标，比如说他的直接竞争对手，不管是来自于外资的背景还是来自于内资的背景，我们会告诉他，他们在国内是怎样的仓网布局，他们的供应链战略如何。第二个方向，我们叫配送网络优化，原本他的口香糖事业部在华南有一个NDC，也就是中央仓，过去中央仓的角色就是往区域仓做补货的，发一个个整车，但实际上他在中央仓的周围是有一些客户的，这些客户一旦货量达到一定规模的时候也可以发整车。那为什么我们不打开模型的限制，把中央仓周围的这些客户直接由NDC来覆盖，他们想看一下结果有没有收益，确实给了他几百万的收益。

下一个场景我们说叫分销网络优化，也就是意味着在给定你当前所有业务约束的条件下面，让模型来告诉你，每一个客户应该由哪个DC，哪个工厂去覆盖，能保证服务的同时成本有进一步降低的机会。但基本上我们也帮他分析了现有11个仓，是不是有进一步优化的一个空间，因为他是个外资背景的，我们认为可能8个左右，在国内是一个比较理想的情况。有一点非常重要的是，这4个场景价值是层层递进的，也就是说机会2是在机会1的基础上所获得的，机会4有一些产品是可以同时在两个甚至更多工厂生产的，他的收益又是来自机会3的基础上。所以最终的结果，大家可以看到右下角，这两张图怎么去向大家阐述一下，空心是代表模型测算出来当年他能获得的收益的总值，实心的部分是代表着，因为我们要考虑到项目是有实施周期的，比如说今天告诉你某些仓应该合并，不是说今天说关就关，明天我就马上能找到一个新的仓库，不管是自建花时间，还是要找第三方仓库，都是要花一定的时间。因此这个路线图考虑到实际落地的情况，给出的一个合理方案。但是更重要的是什么？首先我们在这个项目当中帮他建立了一个基准模型，告诉客户你当前做得怎么样。这一点非常重要，因为你的基准模型做得好，结果才会跟你实际落地差异尽可能小。第二对他们来讲，最终企业能否具备一个团队，这个跟人才非常非常有关系。他们也不希望每一次一旦遇到一个问题，就到外部的软件公司或者咨询公司花一笔钱去解决这个问题。因为商业环境是在不断的变化，组织架构也在不断变化，所以人才对企业来说非常非常重要。我记忆犹新，刚才那张图，一个是技术，一个是流程组织，还有一个就是人才。我们帮他们培养了一个Center of excellence供应链的卓越中心团队，这些团队的人是来自业务的骨干，如果你既懂业务又有一定的大数据分析，甚至懂优化的话，那是最理想的人选。他们可以随时根据外部环境的变化而触发、建立新的模型，得到一个新的结果。比如说这家企业做的是未来四年供应链的规划，他要满足企业或者说实现企业的经营战略。那我不能说每四年才刷新一次模型，也许慢则一年、快则半年就需要做这件事情。这家客户今年我们还在跟他们合作。回答完了一些网络战略性的问题，下一步要回答的是非常细的成本服务的问题。比如说，我站在每一个产品、每一个渠道的角度，盈利性如何？哪些不盈利的产品和渠道我们可不可以通过优化的方式降低成本、提升利润？甚至不排除作为企业经营而言利润是第一位的，对部分不赚钱的产品和渠道，是不是要考虑把他叫停？即使叫停之后，这部分的客户需求又应该由就近的哪个网络结点去覆盖？总而言之优化的场景源源不断的，也不是大家想象中的网络优化只能每几年做一次，这是第一个项目。

第二个我们聊一聊库存。所有的企业都很关心这个话题，大家也都在设安全库存。这家企业是一个非常知名的全球零售企业，即使是像这样的一家企业，他的库存策略是怎么设定的？

首先库存策略要设定一个服务水平的目标。他们公司设定是90%的服务水平目标，当前他的库存策略是非常典型一刀切的方式，所有的仓库和产品都放，并且就放三周的库存。他也不知道做得好不好，从运维或者供应链的角度上来说，感觉还不错，但是很多时候客户又会投诉，一看库存的中转率也不是特别好。因此他们去寻找，跟Llamasoft合作的机会，看看能不能有进一步优化的空间，所以这里这张图也跟大家解释一下，大家看一下右上角这张图，意味着是什么。同一个产品在不同的仓库或者不同的DC，需求表现也是不同的，很有可能，比如说大家喝的这瓶水，也许在北京卖得非常好，在上海卖得未必好。这也是为什么，如果你用一刀切的方式会造成有些地方缺货，有些地方库存过多。中间这张图怎么理解，其实模型是在满足服务水平的前提下去做优化，优化不是简单地，一味地说我要帮你去降低这些产品的安全库存，而是说有些像绿色空出来的部分，因为你的需求是属于平滑类型的，当前客户的服务水平要求是90%，实际你已经做到了100%，这也就是为什么你有10个点的服务水平，对应的这些库存是可以下降的。红色的部分什么意思，这部分产品波动是非常剧烈的，要不不下单，要不偶尔下单，要不突然来了很大一单。往往你的背后策略没有办法达到客户服务水平的要求，我们模型会反过来建议，你在这部分的产品应该多备一些。所以此消彼涨，对这家客户而言，以这个仓为例，他依然取得了5%左右的库存水平的下降。

我们再看一下最后这张图，右下角这张图，我个人觉得这个案例是非常经典的一张图。首先我们看一下这里有一个灰色的点，横坐标是客户的服务水平，纵坐标是为此而支出的库存资金占用的情况。这是我们通过仿真之后告诉企业，你的目标是90%，但不好意思，你当前平均只能做到80%，对应的成本库存支出大概在4000万美金的规模。我们帮他们做了绿色的这几个点，敏感性的分析。如果今年指标是降库存，可以从这个灰色的点往下看，看到绿色那个点，意味着还是保持80%的服务水平不变，我能释放的资金将近在1000万美金，也就是说A多备一点，B少备一点，C多备一点，马上能实现，非常容易获得。如果灰色的这个点往右边去看意味着什么呢？还是这些库存预算，4000万，但是服务水平可以做到将近90%，反而达到了公司的要求，非常非常重要。模型不是说给到你一个唯一的答案，而是希望企业的一些建模人员或者管理决策者，尽可能通过更多的场景探索供应链优化的可能性。真正建模的时候会发现，很多事情非常有意思，当你去设定一些场景之后，有一些结果未必如你所想的好，有一些结果反而比你想象的更好。

我再看一下最后一个案例，这个也有嘉宾分享到，我记得是右下角一张图，印象非常深刻，供需平衡，或者是S&OP，是中美之间现在差异比较大的一个主要领域。

这家企业是一个非常知名的半导体解决方案供应商，他们在S&OP流程里面会遇到什么问题？

本身半导体行业流程非常复杂，如果我们看他生产步骤的话，最多是200多个不同的生产步骤。另外全球有4个事业部共享产能，也就是说这个工厂可以生产给到A事业部，也可以给到B、C、D。另外，总部没有办法对全球产能的生产情况有一个很好的透明度，总部在Phoenix（凤凰城），有可能会发生一种情况，总部Phoenix（凤凰城）这个月的产能已经达到100%，但与此同时我在深圳的一家工厂，产能只有40%。他们希望在总部的角度做全球产能的调配。另外这两张图我也给大家解释一下，蓝色的场景是以企业当前的情况来跑的，后面一些不同场景我们有考虑到，比如说重点的VIP客户要优先满足，比如说我们不在意生产效率最高，或者不在意成本最低作为优化的方向，而使我转变成营收最大。有一些产品卖出去不怎么赚钱，有些产品卖出去甚至亏钱的，我有必要立刻生产这些产品吗？所以这个项目原本是以最大化生产为目标，现在转为营收为目标。我记得两个场景的差异应该是在2亿左右营收的差异。另外生产决策时间，S&OP每天都在开22个工作日，需要两到三周才能去给出一个答案，这显然是管理层无法接受的，有了优化模型之后，现在只需要两到三天就能得到一个结果。对工程师来说，他的好处是什么？他的精力释放了。原本很多时间都花在数据收集，建模，回答一些没有意义的东西，现在时间花在了结果分析，改善良率，这些对企业来讲更有核心价值的一个方向。因此最后一点也非常重要，也是帮他建立了一个COE的团队。

讲到最后，其实人才对团队来讲非常重要，我们的客户非常优质，来自行业的各个翘楚。我们在国内做市场推广和客户交流的时候，真真切切遇到的问题是，你们的东西很不错，但是我们的人好像还不具备这些能力使用。或者甚至是你们的东西非常不错，你们的结果前期验证我们觉得也非常不错，能不能介绍两个懂你们产品的人才来帮我们？庆幸的是我们跟络捷斯特或者是一些院校有了合作，我个人是非常非常期待，当这些学生他们既具备知识体系，又有上机实践过，同时又具备国际化视野的这些人，到了企业之后，未来我更期待的是整个中国的企业在供应链的核心竞争力上面能够比现在更快一个等级。

我今天的分享就到这里，谢谢大家！