笔者在公司中参与了智慧供应链的项目,由于确实与笔者之前所研究的差异较大,从而陆陆续续也对该方向做过一些学习与调研,以此做记。
本篇主要记录一些供应链集成系统的案例
文章[1]提到,京东物流一体化供应链,是用数字化的手段来实现供应链的落地,建设了供应链的智能超脑系统。
超级大脑的建设是分层次完成的:前面几年主要聚焦在数字化基础设施的建设,包括长期沉淀的复杂业务系统,以支撑业务在网络上的执行运作,还有数据中台的建设,以及一些配套设施。 在数字化基础设施上,打造了一个算法中台,两套工程服务平台:易卜工程化平台和数字孪生平台, 孵化出3套系统应用:智能规划塔、智能计划塔、京慧供应链系统,用于对外部客户进行赋能和服务。
算法中台不是简单的算法组件堆砌,它是以业务场景为依托,通过京东内部和外部客户行业场景的积累,抽象和沉淀出的算法能力支撑平台。这套算法中台和行业上其他同类产品最重要的异同点是,建立了丰富的供应链行业知识,沉淀出了面向业务和解决具体问题的逻辑方法论和步骤。
一个工程化平台叫易卜,到目前为止,该平台更多的应用于商物的预测。算法中台有了算法策略后,在易卜平台上可以快速地部署和应用,提升算法工程的效能,实现快速的串联成型。易卜平台实现了让整个过程可视、可配,同时可以把它给予前台销售人员,以供他们做项目POC时,快速根据场景去配置一些预测的应用展现给客户,同时满足他们一定的准确率的要求。
易卜平台最底层是组件层,包含130多个预测模型,40多种算法策略,支撑30多种预测场景,以及十多种行业场景。
来自美团到店平台技术部的一次2021.7技术分享会,其中很多讨论供应链都是线下产品的供应链,很少会考虑到线上的一些产品也是有供应链方面的问题的,这篇技术分享非常有意思,让笔者打开了新领域的认知。 商品业务的主要供应链有:
来看一下到店产品的维度较为多元化:
上述产品供给流程为:
根据文章[1],提及了京慧系统是通过4层结构建设完成的,包括:
预测作为供应链优化的开端,是要为业务效果的优化进行服务的。在预测的基础上,我们开发了库存补调的产品体系,包含智能补货调拨系统,用于完成在不同级别的仓间进行补货调拨,在同级的仓里进行多级库存的优化均衡。
一个是消费品行业的案例,该客户在采用京东的供应链管理模式之前,由客户自己进行整体的商品布局供货。利用京慧系统对它进行赋能后,我们把全链路的数据进行整合拉通,同时基于需求预测的能力,对库存进行提前的布局和响应。客户现在把所有的供货的环节交给京东物流京慧系统,帮他在策略上制定和执行更优的网络布局、补货策略和管理库存。
京慧供应链系统依托于物流、商流和数字化技术,已经为中国4.1亿的活跃网络用户,提供了极致的物流体验。通过把智能系统服务贯穿到供应链各个环节,管理了数百万级的sku,服务了我们的头部客户,同时把服务能力赋能到中小商家,最终助力整个社会数字化的运营效率升级。
在此基础上,通过做定制化配置,来满足不同的个性化需求。
菜鸟网络 也由提供供应链数智大脑的产品矩阵包括:
数智大脑的产品矩阵:
分仓宝:
从商家到消费者端,我们重新做的重构:计划对供应链来讲是非常重要的,从选品开始,我们就帮商家做了智能选品;根据前端数据和商家的能力,我们会联合做一些预测;根据商家的货品,我们会给他建议一些补货计划和全国放仓计划;在大促的时候,我们给他推大促宝的产品;在决策优化上,我们有数智化供应链的决策大脑;在数据基础上,我们给他一键数智化的连接。
具体来讲,首先是从商品开始。因为作为供应链来讲,现在大部分的能力都是集中在物流上。而如果单一对物流要素的改造,其实很难对供应链发生最大的作用。对供应链能够产生巨大的作用,你就要从商流开始。从商流开始,我们就帮助企业从选品开始。如何打造高效的商品力,如何帮助企业打造爆品?通过前台数据,我们会帮助企业做新品培育。培育完了之后,协助商家进行正常品的运营,包括老品的淘汰,帮助整个商家做商品全生命周期的管理。
有了爆品之后,其实在整个销售中,我们根据大数据分析,我们看到日常销售量占全年销量20%,但是它占到全年天数150天;中小促,全年大概200天,占到整个销量的50%;整个大促其实占了10天,但是单量大概占全年30%。这个时候,作为商家来讲,他在打造爆品时候如果没有经验的话,很容易在大促的时候做不好,但是在平时的时候库存过多。作为菜鸟来讲,它有结合前台的能力,帮助商家管理好日常中小促和大促的库存,实现库存的降低和周转的加快,包括现金流压力的减低。
我们是怎么做到的?第一,通过SKU级别的算法协助它,包括天气、季节、消费者画像,我们协助它各种SKU应该如何备货;第二,根据各种中小促的历史经验,我们建议有一个促销日历共享,在整个日历上,我们告诉他在每个时间段他应该怎么样做中小促;在大促的时候,菜鸟会通过多方资源协调,保证他在大促时候能够正常出货。
有了爆品,有了出货计划,我们会根据商家的能力告诉他补货的计划和全国分仓的选择。其实以前的传统供应链跟计划脱离比较严重,仓库就像人的肚子,不管来多少货都吃下去了。而现在是我们有了对商品的打造,包括商品销售的预测之后,就会出商品计划。 刚才讲了我根据日常中小促和大促计划,就可以出全年商品协同计划。出了协同计划,我们再根据天猫的流量协同,就可以帮助商家合理选择全国的分仓,在每个仓库里面合理选择库存,再通过整个菜鸟精准的能力,只要你入仓,就可以享受整个全链路金融供应链的加持,当商家在资金有压力的时候,整个菜鸟供应链金融都能实现支持。
得体科技打造的得体供应链是平台赋能企业的S2b商业模式的典型代表。得体供应链提供服装供应链整合服务,为品牌商、分销商提供基于设计师原创设计的产品,进行OEM和ODM产品的生产和组织交付。
得体供应链平台的背后是一个开放的SaaS平台,服装行业生产链条上的所有角色,包括品牌商、分销商、设计师、样版房、面料商、辅料商、生产厂、物流商、金融服务机构等等,能够借助这一平台完成自身角色的扮演。
借助这一平台,得体供应链整合了服装行业供应链上的所有角色,为服装行业全环节的各类用户提供一体化的完备服务,包括设计图稿优选、版样出图、打版打样、选版下订单、生产分包、流程管理、质量和流程监督、收获验货、财务结算等服装行业的服务。
得体科技利用一个一体化的IT系统,面向服装生产链条全客户打造了一个开放共享的平台,单个企业可以将财务、业务、客服等系统数据整合在一起,提高公司运营效率,对于整个服装行业来说,设计师、供应商、面料商、生产方等角色在一个平台上完成对接,缩短了业务流程周期,减少了信息损耗,同时也降低了经营成本。
官方网址:http://www.digitforce.com/product/supply/
以数智化供应链计划协同平台(IBP)的作为核心,实现供应链计划的全链路协同;提供预测、选品等能力的策略平台(IBS);以及支持供应链全链路数据实时可视化、可预警,可协同的控制平台(SCCT)。为企业建设供应链智能分析决策平台,打造协同的、一致的、敏捷的供应链体系
同时配给一些可操作、交互的界面: 服饰行业供应链管理和商品运营的链路复杂,决策和协同普遍依赖电子表格和邮件等低效的方式,通过商品计划与运营全链路的方案,提升供应链计划协同能力和商品运营能力,形成品牌业绩增长核心驱动力。
官网:https://www.shanshu.ai/
整个智能系统分为:
还有开源了一款求解器COPT:
杉数求解器COPT(Cardinal Optimizer),是杉数自主研发的针对大规模优化问题的高效数学规划求解器套件,也是支撑杉数端到端供应链平台的核心组件。
COPT是目前中国唯一一个同时具备大规模线性规划(单纯形法和内点法)、混合整数规划、二阶锥规划、凸二次规划以及凸二次约束规划问题求解能力的综合性数学规划求解器,为企业应对高性能求解的需求提供了更多选择。
来自: https://bbs.huaweicloud.com/blogs/333213
在灵鲲数值引导里面,我们是构建了以智能算法为核心的系统,增强和辅助决策的能力。
双向模拟与双向牵引,实现资源在网络里的最优配置
解决方案地址:https://www.aliyun.com/solution/newretail/smartsupplychain 部分节选自【中国技术开放日】的讲座《阿里智慧供应链中台2.0》
智能供应链解决方案可以解决销售预测不准确、订单处理效率低、排产准确率低待细化、布局与物流成本高效率低等情况。
中台的整个技术架构:
中台业务分布也比较分散:
京东云旗下的一款产品,网址:https://ysc.jd.com/login 将行业领先的供应链管理理念,结合京东YAIR(Y AI Platform for Retail)零售行业人工智能平台提供的大数据和算法能力平台化、产品化,通过提供精细化、智能化、自动化库存决策产品,为商家提供最优库存管理决策支持,将更专业的智慧供应链全链路解决方案开放赋能
本节来自文档《新锐品牌数字化增长白皮书20210108 》 品牌需汇集多方数据并进行有效分析,提升供应链柔性与敏捷度,提前预测备货配货目标,使销售端到供应端全线协同,减少库存成本,完善履约交付能力,最大程度提升品牌效益
货,如战场中的“弹药”,是消费者与品牌方之间最重要的“触点”。对商品精细化的管理和分析,使品牌可以不 断优化和迭代商品质量、设计、功能、颜值等关键因素,以提升商品对消费者的吸引力,并精准指导后端生产。
文章[2]提到京东实现全链条的最优化,我们大部分工作可以归为三类:
900万的商品中爆品并不多,多数都是常规品,产品本身从预测到补货都很难。在预测不确定性很大的情况下,如何通过补货模型做兜底,给出很好的效果,是一个有非常挑战的问题。
想把补货做好,一定要把库存拆解得更加清晰,针对不同的库存层次,匹配不同补货策略和模型算法。目前我们主要是基于安全库存模型,对现有的库存进行拆解。基于库存模型拆解:
为了应对这种挑战,目前我们引入两种常见的补货策略:
第一类是常规补货
常规补货更多的服务于安全库存和周转库存。在这个过程中需要做两类工作:基于预测的不确定性,推荐出合理的库存水位,然后基于合理的库存水位匹配出对应的参数。在参数推荐过程中,目前我们会使用运筹的优化模型给出参数。比如要达到一定的库存水位,不同的商品要给出不同的参数建议,备货天数是多少,服务水平是多少。通过常规补货的参数模型,我们实现了70%的非常高的自动化水平。
第二类是大促补货
大促补货是一个非常特殊的场景,因为它的量在某一个时间点爆发得非常大。在这种情况下,我们会基于预测、业务进销存计划、物流产能和供应商产能,在长周期下把入库节奏和数量做一个拆解。这里的难点有以下几个:
另外很多时候业务会做计划调整,这种情况下对大促备货的输出结果会产生很大的影响。目前通过两轮试点,我们解决了主要的挑战。从目前跟进的效果来看,采纳率和自动化执行效率是非常高的,大促备货的采纳率在80%以上,自动化率维持在60%以上。
内容节选来自,杉数科技的王曦在 datafunSummit 工业数据科学论坛的讲座内容
根据产品特性及销量特征设计差异化的安全库存模型及补货策略模型;兼顾服务水平和周转效率等指标表现,实现智慧多级库存计划管理。同时,针对仓端/门店的缺货、积压与销量波动,生成日常补货和调拨计划,实现灵敏的执行层面优化。
差异化补货与安全库存策略:
多级库存网络优化解决方案
其在小米全渠道智能一级&二级分货优化:
将全局补货的逻辑抽象成智能算法模型:
节选自【中国技术开放日】的讲座《阿里智慧供应链中台2.0》 库存管理模型:
整个库存管理的预测流程介绍:
关于新品预测的流程:
整个库存管理的算法预测平台:
来自讲座 datafunCon 2021,汽车集团的林琳 数据分析专家的分享,题目为:运筹优化在汽车行业的实践探索
库存优化:
参考文章《智能补货系统的设计思路》
要设计一个满足业务需求的补货系统,目标是实现低成本和高效率的库存管理。补货系统应该具备如下能力:
在下补货单时,还要考虑业务上的约束。下面是一些常见的因素:
值得注意的是,不同商品(不同供应商或不同的入库仓),对应的约束条件可能是不同的,所以补货系统需要能处理差异化的约束。
补货系统的计算结果要可靠,还要能评估效果。我们引入仿真、监控和分析模块:
预测模型 在实际中,不同商品(不同渠道)的销售规律不同。建议实现多种预测模型,比如规则模型、时间序列模型、统计模型、神经网络模型等。
决策模型 功能是计算补货量,它是预测模型的下游,因为预测结果是它的输入之一。此外,它还要考虑业务约束。不同商品可能由不同的决策模型来处理。 例如,要实现如下补货功能:
来自网易有数的:严选供应链库存分级方法及策略探究
在严选库存发展的现阶段,制定一套库存分级方案,通过对现有商品划分库存等级,进行分类分级管理。不同层级的商品需要有不同的库转和缺货标准,制定不同的策略,覆盖计划链路的诸多场景,将有限的管理资源投入到能产生更大价值的重点库存中。
行业中有过研究的方法是ABC分类和XYZ分类,其中ABC以销售重要性为特征,XYZ以销售波动性为特征。我们在综合了实际策略应用后,也加入了库转特征,增加RST分类。
特征1:销售重要性 ABC分类法,即以销售重要性为特征进行分类的方法,应用于库存管理中,从销售重要性的角度,进行ABC类划分,来识别对于公司销售贡献优良差影响的商品。 分类标准上,按照销售重要性分为A类(优,重要)、B类(良,一般重要)、C类(差,不重要)。其中,A类商品,占库存商品总数的10%左右,但销售贡献在60%左右;B类商品,占库存商品数的30%左右,销售贡献也占比30%左右;C类商品,占库存商品数的60%左右,但销售贡献仅为10%左右。
特征2:销售波动性 ABC分类告诉我们,什么是对于销售最重要的商品。XYZ分类,则会告诉我们,商品的销售特征和需求特征是什么。XYZ分类法,就是以销售波动性为特征进行分类的方法。 分类标准上,常用的三段分类标准以0.67和1为界,根据各分界值对应的实际销售贡献,调整为0.6和1.2,划分为X类(优,稳定)、Y类(良,一般)、Z类(差,波动),三类商品的商品数和销售贡献基本呈现30%:40%:30%。
特征3:库转 基于严选实际的应用场景,引入库转特征。库转是反映供应端库存周转特征的关键指标,包含了供应端商品运作属性影响,与补货策略的应用相关。 指标制定上,通过库存/日均销量衡量库存周转速度。分类标准上,对比库存均分和sku占比均分,发现得出的库存、sku占比基本一致,故选择了其中一种,按照sku占比均分寻找边界值划分为R(优)、S(良)、T(差)三类。
三个特征综合会有27个维度,实际对27类考虑策略方向时,会有相似的表现,且会增加操作复杂性。因此基于全部27类商品的策略方向相似性,在一期应用中,将其合并为5类。
基于特征的优化方向,以及库存分级的商品特征,可以划分不同库存分级的商品的参数参数优化方向。
文章[2]提到了京东内部供应链系统下的智能预测平台的功能与算法,
为了使智能预测平台具有更好的适配性,我们会把一些业务的信息拿到智能预测平台里,比如不同的业态,像大家电是计划驱动的业态,时尚是期货的业态,中小件快销是需求驱动的,需要把不同的业态考虑到预测过程中去。
另外我们会建立不同的影响因子,不同的影响因子对最终效果的影响很大,比如促销因子、季节性因子,我们把各类因子单独建模,以方便支撑多种多样的业务形态,目前智能预测平台是支持的。 这一块目前的主要方向有三个:
整个预测模型体系分为四个部分:
训练时序模型在很多情况下,能比较好地解决销量预测问题。所以这里一些品类的适应性是相对比较好的。从我们的经验来看,在趋势模型上,包括周期性模型,表现效果都比较好,模型能较好地解决这类问题。
当时序模型解决不了的时候,就需要引入机器学习模型,包括深度学习模型。这种模型解决哪类效果比较好呢?比如促销、营销的信息,复杂的信息在时序模型中很难考虑进去,因为他的学习能力比较弱。这种情况下,把机器学习模型引入,效果会得到改善。
新品模型是目前行业的难点,我们也探索了很多新品预测的思路,目前来看没有特别完美的思路。一种比较可用的思路,是相似品逻辑,会在新品预测中发挥比较大的作用。比如很多商品,在引入平台后,有些老品和它的相似度非常高,把它引入后,就有相对完善的数据去做新品的模型训练,效果比较好。
因为上面三种模型是通过算法人员对商品分析后,针对不同的商品分层做差异化带来的效果提升,但效率比较低。因此我们提出了路由模型,希望通过算法的自动识别,自动匹配每个商品在某个时期,有没有合适的meta model适配。 通过一年多的探索,我们找到了一些选择机制,能很好地匹配商品之间的关系。从实际效果来看,路由模型对大盘精确度的提升发挥了非常大的作用。在不同的频率上,脉搏的提升是在一个点以上,提升是非常巨大的。所以路由模型是目前重点主推的一个模型,可以提升效率,改善预测的效果。
提升算法上线的效率,我们做了一些机制的完善,包括从去年开始完善了上线流程评估体系、回测体系,极大地加速了预测算法上线速度。
端到端补货 模型
我们从2020年开始推进一个前沿的技术是多端补货,前面补货的核心逻辑是先做预测,再结合补货模型,比如参数推荐,来下采购单。这种方式的一个劣势是环节很多,每一层环节都会有一个误差累积,使预测效果变差。所以我们想把预测和捕获决策,两个环节变成一个环节,直接给出最优化的建议,通过这种方式进一步提升补货的效果。
在整个端到端的模型里,会把现在的销量预测、VLT预测、补货决策三块内容,通过一个大的神经网络结合成一个大模型,最终给出建议。为了提升整个模型的可解释性,会把中间过程的结果,像销量预测和VLT预测的结果输出出来,供大家做参考。
从我们验证效果来看,在实际的落地场景中,我们选了三个具体的品类做线上实验,实验效果非常不错,周转和现货能达到双升,无论对于常规品、畅销品,都能达到比较好的效果。
我们也在不断地去探索预测的可解释性,到底怎么去做?目前我们在探索的过程中,有两步要走:
来自datafun 讲座的一篇文章《阿里巴巴数字供应链预测算法》
对于预测场景的梳理和划分,主要是基于时间轴的划分,即预测提前期。不同的预测提前期的应用和对应的算法不同。从远到近可以划分以下几个场景。
① 预测期长达一年 - GMV预测
GMV预测指对店铺或者平台的成交量做长期的预测,用于制定长期的经营计划。比如营销资源,或者一些扶持成长的核心资源怎么分配,取决于对未来长期的预判。长期的预判提前期为一年,比如现在去预测下一整年行业的成交情况。
② 预测期几个月到几周 - 销量预测
销量预测是指预测淘宝天猫以及各个阿里系新零售的,各种场景下的商品未来销量有多少。主要用于库存补货、调拨、商品流转,业务环节中的一些核心决策都取决于我们对未来的预测判断。
③ 提前一周到几天 - 仓库订单量预测
仓库的来单量是很重要的不确定因素,会影响仓库的产能、人力的各种提前准备,所以这个预测需求比较迫切。
以上是预测算法的主要支持方向。这些是用离线的预测算法进行预测的(离线的定义为提前期在一天或者一天以上的),底层数据和技术体系都是离线的。
实时的有一套完整的GMV预测、销量预测、单量预测的技术方案(实时指在一天以内的),做到小时级、分钟级刷新。实时的应用场景跟离线类似,但技术架构不同。
预测算法研发路线及结果
自研的算法框架
Falcon的核心优势是参数规模小,在几千左右。有些上万的参数,是因为block里有全连接的层,浪费了一些参数。目标是参数控制在万级别,我们的数据量大概就十万百万的级别,尽量把参数控制在一百比一,训练时间是一两个小时可以跑一个百万数据量的算法。
此外,跟上下游有些框架性的工作,主要是为使上下游匹配这个模型,快速对接业务,快速上线的工具。
算法Falcon在20年下半年基本上定型,业务上运行的结果基本达到目标。
针对一些细分的挑战有一些简单的解法,如图2-5中对于促销品,比如商品的替代性和季节品都有一些直接的解法。核心工作是把解法的思想融到算法模型里面,把它作为一个特别的block,或者更高层面的东西,把它塞得更完美一些。季节性部分基本上已经完成,促销部分也接近完成。替代品实验是比较有挑战的一项,在用一些图的方式来解决商品之间的关系,需要做一些探索性的工作。
在考虑多种业务约束条件的同时,全局统筹规划所有资源,在确保满足客户服务水平的前提下,尽可能减少运输成本,提升资源利用率的同时提升业务响应速度。
内容节选来自,杉数科技的王曦在 datafunSummit 工业数据科学论坛的讲座内容
确定调拨计划后,低成本高时效地执行落地
知乎文章: 新零售 - 多目标场景下智能调拨 新零售 - 智能补货模型 阿里健康的供应链是针对医药电商的货品进行订补货建模,需要根据健康商品特有的属性来进行针对性的分析优化。我们最初使用了业界应用最广泛的效果最佳的周期性(s,S)模型,能够快速的构建基础模型,再针对健康商品进行单点细粒度优化,构建适用于健康场景下的各个策略和模型,有两个模型:
周期性盘点(s,S)模型 因为市场需求是不确定性的,在周期性盘点下,供应商提前期+盘点周期(vlt+nrt)的在服务水平为
的情况下,库存消耗情况如下:
动态库存模型(DTIA)
动态库存模型(Dynamic Target Inventory Adjustment) 通过上述安全库存公式可以看出,其针对销量及VLT的波动均有一定程度的抵抗性。我们有一套缺货归因分析方法,能够针对商品的缺货进行归因归纳,找到影响缺货的主要原因。在健康场景下,通过归因分析发现,销量的波动,并不是影响缺货的最核心要素,供应商的影响才是导致缺货的重要原因。于是,我们提出了动态目标库存(DTIA)模型,它通过综合考虑供应商情形与动态调整目标库存来降低缺货风险。
(1)预处理层,在预处理及参数调整部分,按如下拆分:
(2)模型层,相关的包括:
(3)后处理层
通过预处理、调整层的处理,有效的应对爆品、长尾品、季节性、易缺货性商品所表现出的不同特征,在模型层也是适配不同的模型输出,再通过最后的后处理层,调整库存水位及箱规等,达到最终输出的要求。
库存仿真是对供应链系统中的补货模型进行模拟评判的过程,可以评价不同策略的模型在同一系统中的各个指标的表现情况,比较常用的指标包括:库存周转、缺货率(现货率)。
补货仿真根据历史库存、采购单等信息,考虑随机性因子,并行的对于不同品仓维度在一定期间内进行仿真,仿真epoch次数,计算仿真的平均值为最终结果。
调拨考虑的基本因素有:调拨成本、预计提升次日达、预计降低缺货率。目标函数需要进行相应的估计和量化,这里谈一下量化的相关思考。
调拨算法求解几种方式:
求解问题变换 原问题是一个多目标的非线性规划问题,直接求解问题比较难解,全局决策变量较多、求解费时,同时得到的单品子解集不直观;通过将求解思路转换,先求解单品次的子问题,之后在全局考虑相关约束,再结合上面的目标线性量化,可以将问题转换为多目标的整数规划问题求解。考虑子问题的话,可以使用并行计算的方法,每次独立的求解该品该怎么调拨及调拨多少量。
多目标求解
多目标优化是指考虑多个指标的最优化问题,这里其实对于每个目标的谁更优是没有明确界限的,各个目标之间可能存在冲突,所以最优解不一定是只有一个。
组合目标求解
除了多目标求解之外,可以用组合目标直接求解方式,思路是和上面类似,只不过提前将关心程度指标量化到目标的结合,将多个单目标化为一个组合目标。
内容节选来自,杉数科技的王曦在 datafunSummit 工业数据科学论坛的讲座内容
计划部门从此有一套完整的工具,具备对供应链计划的可视化、决策优化、模拟仿真的功能 大盘全局分析 +对未来每个环节做预见性分析+对库存、调拨、运输作出最佳决策
情景计划通过仿真模拟技术,最大程度还原供应链计划逻辑并串联端到端流程,通过强大的what-if分析功能让企业拥有提前预估未来的敏捷分析能力,比对不同的变化可能性对供应链的影响并作出最优决策
参考文章[1]有提到京东一台双塔,智能规划塔和智能计划塔
基于数字孪生平台,我们建设了一套产品体系称为一台双塔,台是指数字孪生平台,是对物理世界的数字化的表征描述。在此之上形成了双塔的产品体系:智能规划塔和智能计划塔,它们是算法驱动优化的产品,优化的结果会反馈到数字孪生平台里,用数字孪生对它进行仿真模拟,以优化效果,效果达到一定程度后推给生产系统,从而影响真正物理世界的运营效果。
规划塔的一个重要作用,是在数据智能的驱动下做物流的顶层规划。把物流网络规划进行抽象,就是时空网络的问题,是涉及到点线面怎么去确定的问题。
规划塔的一个重要能力是,在期望的业务目标下计算出最优解。因为现在整个网络的规模非常大,所以更多的是做静态方面的工作。 为此我们在技术上做了很多努力,比如传统的运筹学和AI机器学习的融合,把整个的计算效能提升了很多,从而解决更及时的问题。
这是一篇《供应链控制塔是如何加速数字化的商业效益》的介绍性文献
一个标准的控制塔应该提供整个供应链的端到端可视性–特别是对不可预见的外部事件。最终,这将帮助您更好地预测中断、提高弹性、管理异常情况并应对计划外事件。也许,供应链控制塔最根本的价值在于,它能够连接不同的系统 ,如WMS,TMS,ERP等,并带来一个版本的数据显示。
认知计算引擎:数字化需要智能行动。这一层的业务目标是使用来自外部和内部来源的数据,将智能应用于业务流程,预测问题并确定其优先级,预测中断,有效地缓解并确保智能自主决策。这是通过以下方式实现的: