多工厂产能计划需要同时考虑原材料采购成本，产能约束以及成品配送成本。生产计划员很难推导出全局成本最优的排产计划。规划求解算法能快速的给出排产建议，计划时间从 2 天缩短到 2 小时，整体供应链成本优化 5%-10%。
离散制造业经常为原材料准备库存。实际上不是所有原材料都需要配备库存。把原材料库存存放在 2，3 级供应商可能带来整体的库存优化。多级库存算法能够有效的帮助企业探索原材料库存的优化空间。
当前不存在一个完美的算法解决所有供应链的问题。如何有机的整合不同算法的能力需要基于业务实践的供应链优化架构？来自顺丰科技的苏冠老师将在 6 月 14 - 15 日深圳 ArchSummit 架构师峰会上分享团队的智能算法在供应链中的技术实践情况。演讲最后会基于该框架总结之前的算法应用实例。
苏冠：系统统一性来源 3 个层面的标准化。1. 业务模型标准化。2. 领域模型标准化。3. 数据模型的标准化。一个需求是否个性化取决于它和以上模型的冲突有多大。
业务模型标准化可参考美国供应链协会的 SCOR 标准对业务流程进行标准化梳理，从业务需求端控制好个性需求的引入。
领域模型标准化更偏实践，可参考咨询公司、大厂在供应链端到端系统设计与落地的实践架构。例如德勤有基于 SCOR 推出 SCOR-DS，华为过去十多年 ISC，ISC+ 项目沉淀的领域模型，阿里在电商零售供应链的架构沉淀以及顺丰在物流领域的 LaaS 沉淀。
数据模型标准化应尽可能参考数学模型。举个例子，在优化供应链网络时需要描述网络节点、流向约束等业务规则，对应的数学模型是图论，那么系统的数据模型应以图论为基础进行建模。这样才能最大程度的保证系统底座的稳定。
苏冠：就像今天几乎每个现代化仓库都会用到 WMS，未来每家全国性的企业都会使用智能算法。
算法已经成熟。在预测、网规、库存计划、路径优化等核心领域的智能算法背后的学术理论十年前已经成熟。在具体场景的适用性已被证明。
使用算法的门槛会更低。一方面算法工程化框架已经在不同先驱项目中得到验证。另一方面大模型的加入未来一定会进一步降低门槛。
苏冠：供应链的成本是一个端到端的集合，包含原材料采购、入厂物流、产线生产、产线资产投入、成品物流等。这些成本项结合全国分布的上百家供应商、十几条产线、几千个 SKU、几十个 DC 就让“在哪个月在哪个城市的工厂的哪条产线，生产哪些 SKU”这个问题的求解每个月都会耗费最有经验的计划员几天时间。现在的规划求解系统，基本能在半小时内产出成本最优的方案。
优化类系统的落地需要 1 到 2 个月的并行运转，这段时间我们对比计划员 Excel 产出的计划和系统产出计划的差异，并给出合理解释。以此来验证算法的可靠性。
苏冠：多级库存优化的目标是全网整体库存成本最优。主要回答哪些物料在哪家供应商需要设置多少安全库存。算法本身的准确性已被学术界和咨询项目验证。实用性取决于链主企业对其 1、2、3 级供应商的影响力，或者说供应网络的协同计划能力。
苏冠：这个框架就是第一个问题中提到的领域模型。从业务角度链接企业战略和供应链执行，从数字化角度链接供应链设计、供应链计划和履约。
该框架最开始是我基于 MIT 一位教授的两本著作总结（David Simchi-levi, Supply Chain Design; logic of logistics)。后来在职业生涯中有幸参与到一些头部企业项目实践逐步完善。
算法选择的重点在于在决策的时间与空间维度把大的供应链课题拆解成架构独立、逻辑关联的小问题。比如我想优化物流履约成本，那么首先需要研究未来一年的分仓布局和品类分布（网规算法），然后研究每周合适的安全库存策略（预测算法、库存优化算法），最后再看每天的配送排班（运输排线算法）。
苏冠：挑战更多来源于算法结果的可解释性，而非算法本身的可靠性。比如多产线产能优化给出的 A 产品排产方案如果和计划员的预期不一致，有可能是某个产品 B 抢走了当地的产能。这就需要在项目上线后针对差异场景进行人工分析解释，从而构建计划员对算法的理解与信任。
生产网络的多级库存优化挑战在于算法建议方案的可落地性。比如算法建议某二级供应商需要在某个时间点备多少库存，该供应商和工厂没有直接的合同关系，他出于自身的效率可能选择不备那么多货。所以多级库存项目在国内我还没有见到特别好的落地案例。
苏冠：供应链计划本身分为战略、战术、运营三个层面，不同层面的计划关注不同的时间跨度、空间跨度和产品聚类颗粒度。所以需要供应链架构师能把一个实际的计划问题拆解成不同层面的计划问题去解决。比如做日常补货计划时需要计算最优的补货目标，而补货目标计算需要分析上游补货频率。当前很难有一个算法高效求解这个问题。那么我们就需要用网规的算法在一个季度的时间跨度研究线路的运输频率是多少，然后再用库存优化算法决定具体 SKU 明天的最优补货目标是多少。
苏冠：跟进最前沿的技术能力。每隔两三年阅读各领域内实践性高的论文，并自己搭建本地环境和数据集测试下算法能力和现有算法能力的差距。例如上个问题中，我提到的线路运输频率和单个 SKU 库存优化的问题，当前无法通过一个算法解决，但目前强化学习领域的进度还是让人看到了可能性。
个人应对供应链优化挑战的关键技能：
逻辑思维：快速拆解供应链问题的能力。
懂算法：理解算法能力边界的技能。
懂业务：从财务指标上评估算法优化价值的技能。
苏冠：我一直提到需要把一个业务问题拆解到成熟算法能够解决的一组技术问题，我刚入行时就思考是否有一套理论可以完整的解决供应链端到端的问题，后来看到学术界有类似的研究，之后结合我自己的项目实践做了简化。
因为演讲会分享很多点的案例，所以我把这个框架做为一张地图在最后总结不同算法如何分工协作帮我们解决供应链问题。希望未来也能帮到大家。
苏冠：理解供应链财务指标与各优化点间的关系。有时候业务方纠结的一项算法需求很可能对财务指标影响有限，那么在项目中我们就能更自信的管控项目边界。
认识算法的局限性和人工决策的互补性。越细致的领域人的决策优势越大，例如装箱优化，人自己可以通过各种角度的叠放、挤压来提升装载率，但是算法没那么聪明。那么可以让算法建议一个初步方案，人再做修改。放到整个供应链大域，算法与人工决策的这条线，就需要项目负责人基于项目经验和技术认知去更好的决策。
10+AI 系列专题，拆解从 0 到 1 构建大模型架构平台的实现路径｜ArchSummit
如何落地AI编程和可观测智能化？怎么从 0 到 1 训练大模型？阿里多位专家出席 ArchSummit 现身说法
“烧钱”的大模型如何为企业“降本增效”助力？腾讯的实践经验来了
本届 ArchSummit 会议上，重点聚焦 AI 大模型技术在各行业的落地实践， 顺丰集团、众安银行、天弘基金、鸿海科技集团、宁德核电、广发证券、微众银行介绍大模型技术的应用效果 。会议上还设置了大模型应用、架构升级、智算平台、AI 编程、成本优化等专题和话题内容。如您感兴趣，可点击「阅读原文」查看更多详情。目前会议 9 折购票倒计时最后 5 天，可以联系票务经理 17310043226 , 锁定最新优惠。
