海信：微利时代下的供应链数字化决策之路

2022年，海信凭借其广告语“中国第一，世界第二”在世界杯成功出圈，背后展示了其发力海外市场的决心，也折射出国内家电行业现状：后疫情时代地产需求驱动乏力，家电内需疲软。在此情况下，海外增长成为家电企业重要的发力点。

困境

疫情过去后，艰难的经营环境和快速变化的风险与机遇加剧了家电企业的挑战和难题：

1)家电渠道较多，管理难度大。除了传统线下经销渠道外，京东、天猫、抖音、小红书等新兴渠道层出不穷，渠道分散进一步加快，且渠道间互通性较差，对企业准确感知市场需求提出的更高要求。难以适应如此变化的企业会疲于应付剧烈变化的市场环境，增加经营负担；

2)供需信息断层，供应链协同差。不同渠道，不同区域的数据分离，使得企业内部无法做到销售，库存、物流业务全局协同；企业本身与上下游供应商协同效率低、信息延迟、反应不及时，导致后端需求评审得不到有效保障，供给侧与需求侧的匹配度下降，影响整体运营效率。

3)仓网布局不科学带来高成本。随着用户对时效的要求越来越高，供应链长度不断缩短，涌现出了大量的前置仓、门店仓，增加了管理难度，大量仓库间调拨使得企业物流成本居高不下；

4)商品布局及库存结构亟需优化。一方面，企业需求预测、库存调拨及补货计划往往缺少系统支撑，需求预测的不准确会导致库存积压或短缺；另一方面，企业缺少科学的商品分类布局策略和多阶库存优化计算方法，库存结构有待改善。

破局

海信为了应对这些挑战，认为必须大幅度提升供应链决策能力。殊途同归，行业内各个先进企业其实也在纷纷采取动作，与专业的合作伙伴共同展开供应链转型，提升供应链能力。海信经过审慎的评估和比较，最终决定使用SCATLAS供应链决策平台来支撑其决策能力的提升和转型。

海信供应链数字化能力结构示意

在SCATLAS供应链决策平台的框架基础上，结合海信的业务现状，海信集团数字化决策能力建设被拆分为了三个主要步骤：

Step1：建立数据标准，挖掘数据资产价值

Step2：建设业务决策五大基础模型，应对市场挑战

Step3：培养供应链数字化决策人才，持续产生价值

海信数字化决策能力建设三大要素

数据标准化

供应链决策优化的基础决策模型需要可靠的数据输入，好的数据通过科学的算法可以得到可靠的供应链决策建议，差的数据只能得到不准确的结果，可以说数据是供应链数字化智能决策能力的基石。由于供应链决策需要考虑各方面的业务情况，模型的数据来源于各种不同的业务执行和计划系统，这些系统因为建设时间有先后，采用的系统供应商各有不同，执行的数据标准也千差万别，更不用说数据的质量也是参差不齐的。所以说要想做好供应链智能决策，首先要建立一个标准化的数据体系，为数字化决策提供坚实的基础。

实现数据标准化的途径：标准化产品+标准化模型

输入模型的标准化数据是复杂多样的，不同应用场景下有些数据是共通的，另外一部分数据又是相异的。海信集团因其主营的产品不同划分了不同的产品公司，这又给标准化数据体系整理提出了另一个挑战：不同产品公司的数据框架又有共通和差异，容易产生数据二异性问题，即相同性质的数据在不同产品公司有不同的字段名称，也可能有相同字段名称代表着不同类型的数据。

海信集团以往的做法是由IT部门收集业务部门的需求，按照业务的要求进行数据的开发工作，这种方式在系统集成时难以应对上述的数据复杂度。蓝幸软件的SCATLAS平台提供了一套标准化数据框架结构，将各产品公司、各业务场景的数据规范成一套统一的数据逻辑，再由海信的大数据平台进行数据转化和对接，接入标准化数据模型，解决了IT团队在梳理业务部门需求时会遇到的技术方面和业务方面的困难。同时，标准化数据框架也帮助海信发现IT数据治理的缺失环节，帮助海信提高数据质量

五大业务基础模型

海信业务决策模型与供应链计划职能模块间的关系

五大模型分别为：

1)指导仓网布局的仓网模型，由物流部承接使用

2)指导库存策略的库存模型，由产品公司供应链计划团队承接使用

3)指导产能布局和供应计划的产能模型，由产品公司生产运营计划团队承接使用

4)指导需求预测的预测模型，由产品公司供应链计划团队承接使用

5)指导补调货计划的补货模型，由产品公司供应链计划团队承接使用

得益于海信长久以来的数字化建设，业务部门各自均有一套基本完善的基于现有业务流程的计划或执行系统。供应链决策能力建设中的核心部分包含五大业务决策模型，将现有系统中的数据输入进模型，通过模型和算法进行智能决策运算，再将运算结果输出回到海信原有计划和执行系统中，指导业务决策。

a)仓网模型

仓网模型用于指导全国乃至全球的物流网络规划。通过分析历史运输记录，结合未来重点发展的市场区域和业务模式，得出最适合的仓网结构、仓库数量、仓库位置等结果，同时结合运输、仓储、装卸等成本项，确定仓库-客户之间的覆盖关系，工厂-仓库之间以及仓库-仓库之间的补货和调拨关系，以实现在满足客户服务时效水平条件下的物流成本最优。

除了得出指导物流配送的标准规则之外，仓网模型还为其他各模型提供规则支持。例如，为库存模型提供仓库覆盖关系规则、为补货模型提供补货路径规则等，深刻地影响着供应链计划和日常运营的方方面面。由于其影响范围广，不宜经常改动规则，因此仓网模型的常规刷新周期为一年。

b)库存模型

库存模型用于指导各仓库的库存策略。通过分析产品需求和供应特征，结合产品市场策略，得出产品在各仓的库存广度（是否备货）和库存深度（目标库存天数），在满足合理的仓库有货率要求下实现库存水位和金额最优。

库存策略的输出结果直接指导着两方面业务活动：

①指导需求计划。目标库存天数结合需求预测和销售单位的需求提报，在需求计划中得出净需求量；

②指导补调货计划。目标库存天数输入进补调模型，计算得出各分仓分货量、补调货路径及补调货货量。

同时，库存策略作为供应链运营的“变速箱”，对供应链其他业务模块也有着间接影响。例如，库存水位与供应策略有密切联系，因此库存模型帮助计划团队与生产运营团队共同制定供应和补货策略，如提高生产/补货频率以降低周转库存水位、缩短生产锁定期以降低安全库存水位等；再者，库存水位与物流网络和发运规则也息息相关，同样也帮助计划团队与物流团队共同决策物流网络和发运规则，如缩短供应链路长度以降低在途库存水位，允许采用更小车型发运以降低凑车天数，从而降低周转库存等。

不同商品布局策略和不同供应策略下的目标库存水位和目标库存天数

c)产能模型

产能模型可划分为长周期产能模型和短周期产能模型。

长周期产能模型主要用于指导一年或几年时间长度下全球产能配置。结合未来市场的发展趋势，综合考虑生产成本、物料采购成本、运输成本、关税、开启/关闭产线一次性投入、模具复制一次性投入等成本项的全局最优，确定未来各工厂应当具备哪些产品的生产能力、应当配备多少产能、应当供应多大的区域范围等决策项。

短周期产能模型是在长周期产能模型所确定的规则框架内，以月度和周度为时间长度，结合当前市场需求变化情况滚动刷新，考虑当前工厂产能可利用情况、产线产能均衡性、有限物料供应量等限制因素，同时考虑生产成本、物料采购成本、运输成本、进出口关税等端到端供应链路成本最优，确定未来一段时间各工厂生产量、向各区域的供应量，同时帮助决策产能缺口的情况下优先满足哪些需求，原物料供应缺口的情况下怎样实现生产齐套最大化。

产能模型作为供应端计划决策的核心中枢，对整个供应链规划、计划层都有着不可忽视的影响。长周期模型承担着未来几年产能资源布局的决策辅助工作，其结果基本上可以影响到整个供应链上至仓网，下至补货计划的方方面面。短周期模型上接需求计划作为输入，运算后的输出通过供应计划的制定和执行，间接成为补调货计划中未来可用货量的输入。

d)预测模型

预测模型提供基线需求预测，用以支持需求计划工作。通过对历史销量的统计特征、时间特征、产品特征和历史销量表现的学习，结合节日促销活动、价格调整、销售任务等影响因子的历史情况和未来计划，机器学习算法自学习得出未来每个SKU、每个分仓、每个时点的高准确率销量预测。

预测模型除了得出基线需求预测结果外，还可以辅助需求计划团队通过分析预测结果的过程，通过对模型预测因子使用权重的分析和解读，深入理解影响销量的各项因子，辅助市场团队制定更高效的市场策略和促销策略。

预测是整个供应链链路的起点和开端，高质量、可解释的预测结果可以对整个供应链的绩效改善都带来影响。例如，对于未来可售卖的库存天数，更准确的预测结果有利于在正确的时间放置更正确的库存品类和库存数量，从而提高供应链效率，减少库存分布不均的情况，减少站点间调拨和冗余库存，同时输入补货模型从而获得更准确的补货计划；再者，对于未来工厂排产的具体品类和数量，也需要未来的销量预测作为指导，因此作为产能模型的输入也可以获得更准确的生产供应计划。

月度预测准确率对比

预测因子权重占比分析

e)补货模型

补货模型用于支持补货计划工作。通过分析各仓各分公司计划需求量、各仓现有及在途库存水位和各仓的目标库存水位，结合工厂生产计划，基地仓期初库存，海信RDC期初库存，物流运费报价及单车、凑车规则，各仓装卸费，仓库-客户覆盖关系，工厂-仓库以及仓库-仓库的补货和调拨关系，得出周维度基地仓-海信RDC、基地仓-商家仓、海信RDC-商家仓的最优补货路径、发运产品、发运量以及车型方量建议，以实现在满足各仓需求均衡下的物流成本最优。

补货计划承担着保障商品向客户做交付的最终工作，除了承接库存模型、产能模型、预测模型等其他的输入，补货模型同样可以对其他计划层面给出建议和支持。例如，物流运费询价时通常为体系化询价，同时为了追求最大化折扣而与运输车队签订较高的起运方量规则，补货模型可以在充分利用现有运费价格规则的同时，找出难以凑车的分仓或线路，此时可以有针对性的调整和询价，以进一步降低物流成本。

五大模型之间的价值承接关系

五大业务决策模型基于各自的业务模块，相互之间也有着密切的承接关系。从决策范围和时间周期来说存在着战略层模型指导战术执行层模型，战术层模型落地战略层模型部分规划价值，自上而下逐层规范，逐层承接价值的关系。正因为这样，五大业务决策模型中既需要包含战略层决策模型，也需要包含战术执行层模型。战术执行层模型需要战略层模型输入高阶业务规则，战略层模型输出的优化规则也需要战术执行层模型来落地。

例如，仓网模型通过优化测算得出的最优补货路径，需要补货模型考虑实时需求量和现货库存等实时因素，得出当前情况下最优的补货路径、发运量和车型方量建议；而补货模型则需要仓网模型中得出的各方量下最优补货路径和车型作为规则输入和物流部门的运力资源储备，才有条件在补货测算中使用对应补货路径和车型。

因此可以说，两部分模型是相辅相成、缺一不可的。缺少战术执行层模型，则战略层模型规划的宏大变革策略无从落地，缺少战略层模型，则战术执行层模型只能小修小补，无法实现根本性变革。

数字化人才

大多数企业的数字化变革起始于外部团队的一两个项目，这些项目的成功仅能算作数字化变革的开始。随着数字化变革的深化，会遇到诸多问题要求企业自身的数字化人才介入，例如：

如何持续提升数字化变革所需数据的质量？

如何有效落地智能决策模型给出的建议？

如何保持决策模型始终与业务当前所面临的挑战匹配？

这些问题无法依靠外部团队解决，此时如果企业自身数字化人才建设跟不上，数字化变革往往会高开低走，逐渐艰难。数字化变革的瓶颈需要企业自身去突破，门槛需要企业自己的数字化人才带领大家迈过。因此，数字化决策人才的培养，是巩固数字化变革为企业持续带来价值，持续扩大价值的重要保障。

结语

海信的数字化能力建设还在轰轰烈烈的进行，随着其海外业务的不断增长，其供应链将变得更加复杂。供应链变革及人才培养是一个长期且缓慢的过程，未来企业的竞争就是供应链的竞争，谁提前布局，谁就取得先机。中国企业经过二十余年的信息化和数字化建设，积累了大量的运营数据和一定的数字化能力，急需持续深化数字化变革、深挖数据价值，在日益竞争激烈的市场环境和尤其追求利润的后疫情时代特征下，建立企业数字化竞争优势，形成自己的护城河。专家团队为海信设计的从框架，到功能，再到思维和行动方向的指导方案，为其数字化决策能力构建出一套完整、高效、灵活敏捷的逻辑闭环，源源不断地为业务变革提供创新动力。

供应链决策平台介绍

蓝幸SCATLAS供应链决策平台，近年来在国内收到很大关注，其团队来自于国际领先的供应链优化软件公司，是国内最早一批从事供应链优化的专家，曾帮助超过100家《财富》500强企业优化其供应链。基于其丰富的实战经验，他们将供应链“元素”抽象出来并打造了标准化产品，使用高度配置化的方式快速搭建供应链模型，让企业能快速建立数字化决策场景，回答从采购、生产、仓储、运输到交付履约的端到端供应链决策问题。