从排产到库存，智能算法在供应链优化中的应用与实践

1月前

嘉宾 | 苏冠

编辑｜Kimmy

在现代供应链管理中，面对日益复杂的生产和配送环境，智能算法的应用变得越来越重要。比如在复杂的多工厂产能规划中，不仅要考虑原材料采购成本、产能约束，还要兼顾成品配送成本。这使得生产计划员在推导全局成本最优的排产计划时面临巨大挑战。然而，利用规划求解算法可以显著提升效率，将计划时间从原先的 2 天缩短至仅 2 小时，同时实现整体供应链成本优化 5%-10%。

再比如，离散制造业中，原材料库存管理是另一个关键命题。尽管企业习惯为所有原材料配置库存，但并非所有原材料都需要这样处理。通过将部分原材料库存储存在二级或三级供应商处，多级库存算法能够帮助企业有效地优化库存配置，从而降低成本并提升整体供应链效率。

尽管如此，目前尚未存在一种完美的算法能够解决所有供应链问题。因此，如何将不同算法的能力有机整合，并基于实际业务需求构建供应链优化架构，是实现智能化供应链管理的关键。

在 6 月份举办的 ArchSummit 全球架构师峰会上，顺丰科技智慧供应链产品负责人苏冠 通过实际案例展示智能算法在供应链优化中的应用，并探讨如何通过算法整合和应用提升供应链的整体表现。

InfoQ 将于 8 月 18-19 日举办 AICon 上海站，聚焦大模型训练与推理、AI Agent、RAG 技术、多模态等前沿议题，汇聚 AI 和大模型超全落地场景与最佳实践。更多精彩议题可访问官网了解：https://aicon.infoq.cn/2024/shanghai/track

以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）。

上一位嘉宾分享了富士康 AI 升级的路线图，其中提到一个趋势矩阵。在这个矩阵的顶层，核心理念是“大规模自动化决策进程”。这里的两个关键概念是：“大规模”和“自动化”，即完全自主、自我决策的供应链系统。今天的分享也会涉及这两个核心问题：一，“大规模”到底有多大？二，我们是否能够实现整体的自动化？

这两个问题不仅关系到企业如何利用 AI 技术来提升决策效率，也关系到企业如何构建一个能够自我决策、自我优化的供应链系统。

复杂的供应链问题需要算法解决

首先，我想分享一个故事，这个故事我称之为“人形求解器”。这个故事发生在几年前，当时新零售业务如火如荼。一家公司在短时间内将 GMV 做到近百亿。面对激烈竞争，他们迫切需要提升配送时效。

为了提升配送效率，他们的目标是在现有配送时效的基础上再缩短两个小时，同时确保仓库的月台和车辆得到平均分配，使每辆车的货量均衡，从而既提高时效，又避免仓库和园区的拥堵。由于缺乏算法团队，公司管理团队在一个会议室内连续工作了四天。他们将配送地图贴满墙面，利用图钉标记配送门店，绘制不同线路组合，并通过 Excel 计算方案的时效和成本。事后经对比发现，这种人工方法的排班效果与模型结果非常接近，甚至在考虑乡间小道的特殊约束时，表现更为优越。

那么，我们回到一个问题：我们是否需要使用 AI？是否需要智能算法？算法的刚性需求来自于所要解决的问题的复杂程度。 用两个字概括算法带来的收益，那就是“效率”。算法能在更短的时间内完成复杂的任务，例如用 4 分钟完成原本需要几个人 4 天的工作。

供应链是一个庞大而复杂的系统，涵盖从原材料采购到最终产品交付给消费者的所有环节。在某些情况下，问题可能是局部的，比如一个仓库只负责向 100 多家门店供货，这时，人工排列组合可能足够。但当仓库网络扩展到全国，覆盖成千上万的门店，并同时考虑供应商和各个仓库的需求时，单靠人工优化整体成本就变得力不从心。

在这种情况下，算法的应用变得至关重要。无论是新兴的人工智能算法还是传统的运筹学算法，在实际应用中都展示了巨大的价值。供应链的传统模式从原材料出发，经过生产基地，再通过国家中心，如果是国际型企业，还涉及到多级配送网络，最终将产品送达多个渠道的客户。每一个决策和要素都是相互关联的。例如，若考虑节约配送成本，可能需要取消济南的配送中心，由天津配送中心负责整个山东省。这不仅会影响天津中心的成本，还需重新考虑东北地区的流量分配，因为每个仓库的容量有限。进一步追溯，可能还需要调整上游工厂的生产线分布及其覆盖区域。

供应链问题具有“牵一发而动全身”的特性，这为算法的应用提供了天然的场景。

算法在供应链中的应用

今天，我想和大家探讨的是算法在供应链中的应用。总体来看，供应链中应用算法主要依赖于三个核心技术：

多级库存优化：这项技术主要解决的是大规模库存分布的问题。它关注的是如何在供应链的不同层级上合理分配库存，以应对大规模的需求波动。
网络规划：这是基于运筹学的端到端供应链规划。在任何决策过程中，都需要综合考虑所有相关要素，以寻求成本最优化的解决方案，同时还要确保服务水平不受影响。
人工智能： 尽管人工智能技术还处于高速发展阶段，但在一些大型互联网企业和制造业巨头，如顺丰、富士康等，它已经展现出非常成熟的应用体系，并取得了显著的成效。

接下来，我将基于这三个核心技术，为大家分享四个案例。这些案例将展示这些技术如何在实际的供应链管理中得到应用，以及它们如何帮助企业提高效率、降低成本，最终实现更好的服务水平。

案例一：中长期生产网络规划

第一个案例是关于供应链中长期生产网络规划和计划的问题。这个问题对于公司的 CFO 来说至关重要，因为他们需要做出关键的决策：在经济上行周期中，何时应该新增一条生产线；而在经济下行周期中，何时应该关闭一条生产线。然而，这个问题并不是简单的生产线开启或关闭，它涉及到更复杂的因素。

当 CFO 考虑开设一条新生产线时，他们需要考虑现有生产线的利用率。新生产线的开设可能会降低现有生产线的产能利用率。此外，新生产线应该覆盖哪些区域，以及这些区域原本由其他生产线供应，新生产线的开设会对整个生产布局产生怎样的影响，这些都是需要考虑的问题。

这家公司是水饮行业的头部企业。大约在十五年前，他们面临一个挑战。当时，中国市场正处于消费品增长的黄金时期，公司需要不断地审视是否需要增设新的生产线，何时设置，以及这些生产线应该设在何处。他们的制造流程涉及原浆工厂，这些工厂负责生产浓缩的调味剂，然后由国内瓶装厂装瓶分销。

在工厂内，主要的生产设施是大型的自动化装瓶流水线。这些装瓶厂的复杂之处在于，它们需要根据不同的瓶子规格，比如 250 毫升、560 毫升等，配备不同的生产线。这些生产线之间可以互相转换，比如这周生产 560 毫升，下周则可以转换为生产 200 毫升的，但这种转换也会产生一定的成本。

由于水饮行业的供应链模式是分布式的，公司在全国范围内设有多个工厂。每个工厂都负责覆盖其周边省份，每个省份则设有相应的配送中心，这些配送中心再将货物发送到当地线上 / 线下经销商的仓库。

假设我决定在装瓶厂 B 新增一条生产线，记作 B.3。一旦做出这个决策，未来某个时间点，原本分配给装瓶厂 A 和装瓶厂 C 的一部分需求将会转移到新的生产线 B.3 上。这将导致装瓶厂 A 和 C 的生产线利用率下降。然而，生产线的利用率是生产中心负责人的关键考核指标，他们对此会非常关注，不会允许出现这样的情况。这还只是单个月的情况。

当我们将视野扩展到多个周期时，问题就变得更加复杂，这就不再是简单的人工计算可以解决的了。此时，我们需要运用先进的算法和仿真技术来进行预测和规划。通过模拟不同的生产场景，可以更准确地预测新增生产线对整个供应链的影响，从而帮助 CFO 和供应链总监作出更明智的决策。

当时，多时间周期的运筹规划求解在学术界已经相当成熟，而且工业界也开始出现了相应的产品，使得这种技术可以工程化应用。公司利用了这种新的工程化工具，直接计算不同场景下的成本，帮助他们更有效地进行长期产能规划和供应链管理。

水饮行业的需求波动具有极强的季节性，这种波动性使得多工厂、多产线在排产时面临巨大挑战。产线的利用率不稳定，直接导致供应链的单均成本上升，这是供应链总监和 CFO 都不希望看到的情况。

要解决这个问题，首先需要建立一套数学模型，用以描述供应链动态关系。算法的工程化至关重要，因为有了工程化的工具，供应链的各个要素可以被转化为 Excel 表格，然后批量导入到规划工具中。这些工具会自动建立起动态关系。在描述单周期动态关系时，还需要考虑每个周期的约束条件。例如，下一个周期的需求计划是什么？每条产线的产能约束又是怎样的？这些动态关系需要被详细描述清楚。

模型求解的过程是多周期、全端到端的供应链优化， 目标是实现全地域供应链的最优配置。求解过程实际上是一个 n 维的多维度求解过程，虽然听起来复杂，但通过技术手段，背后的技术被拆解并简化，从而优化供应链管理。

当我们讨论大规模自动化决策时，我们指的是一种涵盖整个供应链的决策过程。这种供应链不仅在地域上是端到端的，而且在时间上也是多周期的，跨越了从现在到未来的多个阶段。这种端到端、多周期的覆盖，才是真正的大规模。

案例二：供应链网络规划

第二个案例背后的技术与第一个案例项目中使用的技术完全相同，都是基于运筹学的网络规划，考虑的是端到端的整个流程。第一个项目的重点在于中长期的决策，需要进行不同的场景模拟和投资回报率分析。而第二个案例的重点在于一个所有分销和制造企业都无法避免的流程——销售和运营规划（S&OP）。

在 S&OP 流程中，特别耗时的是第四步——“S&OP 的预演”。在这一步骤中，生产总监和销售总监，需要共同面对产能的实际约束。生产总监需要说明，由于产能限制，某些产品无法按照需求生产出来，而销售总监则需要考虑如何处理那些生产出来却难以销售的额外产品。双方需要通过模拟不同的场景，来达成销售和供给之间的业务平衡。

如果没有合适的工具，这个过程就会变得非常繁琐，人们不得不使用多个 Excel 表格进行手动计算，拼凑出不同的生产排程场景。这种"人形计算器"的方式不仅效率低下，而且容易出错。因此，引入自动化的工具对于提高 S&OP 预演的效率至关重要。

网络规划工具在供应链管理中扮演着重要角色，我们通常称之为供应链网络规划。与物流网络规划相比，后者更多关注于产线的成本优化，而供应链网络规划则拥有更宽广的视野，它涵盖了整个生产过程、采购成本以及产能等多个方面。这样的工具可以更高效地帮助公司计算不同的场景，从而实现成本的优化，主要体现在两个方面：

分析时长的缩短：在没有使用计算工具之前，S&OP 的准备工作通常在月初就开始了，需要花费一周时间进行场景模拟、对比和协商。而有了计算工具之后，这个过程从一到两周缩短到了一两天，大大提高了工作效率。
模拟场景的增加：由于效率的提升，计划部门现在能够模拟出更多的场景，这有助于他们发现优化的机会。这些优化机会本身可以带来整体产品线的总供应链成本的降低。

这个案例在业界已经非常成熟。根据 Gartner 排名，前 50 的公司中都在使用这类工具帮助他们进行端到端的供应链规划。

案例三：多级库存优化

第三个案例是关于多级库存优化，被誉为运筹学界皇冠上的明珠。首先，我们需要明确多级库存优化所要解决的挑战。在离散制造业中，企业拥有多个层级的供应商，这些供应商的组件最终组装成为企业的产品。以富士康为例，其产品货值特别高，如果库存控制不当，不仅成品库存，还包括上游一级、二级原材料等关键高货值的库存，都可能对企业造成极大的影响。库存控制不佳可能导致无法满足交期要求，或者因为错误估计销售趋势而导致库存过多。

企业需要一套工具来帮助决定如何分配成品库存，是否应该在成品工厂备有成品库存，或者是否需要在关键的二三级供应商那里储备足够的库存，以应对未来供应链需求的波动或供应风险。这种复杂性在于，即使是在一般的集成电路（IC）制造业中，至少也有六级供应商，整个组装品加起来大约有接近 1 万件左右的 SKU。在如此复杂的情况下，还需要考虑物料清单（BOM）的关系、组装工艺等因素。决策者需要决定库存应该放置在哪一层级，既能保证如期交付，又能应对风险。这是一个复杂的问题，很难仅通过 Excel 来解决。

这个案例讲述的是一家北美领先的集成电路企业，其供应商网络遍布全球。在示意图中，每个方框代表一个工厂，绿色方框表示企业的自有工厂，这意味着企业可以更好地控制这些工厂的生产交期和生产节奏。相对地，白色方框则代表外采或外协工厂，这些工厂对企业来说更多是合同上的约束。

自有工厂下方的蓝色条表示生产周期，即从接到订单到生产完成所需的时间。紫色方框代表交期，即企业与客户签订合同后，必须在约定的天数内交付货物。最右边的淡黄色小方块代表是否备有成品库存，如果备有成品库存，则会用红色框表示。图中的白色数字表示成品从一家工厂运送到下游工厂所需的天数。

这家 IC 企业的成品工厂位于 D 州，D 州工厂旁还有一条生产线，负责进行包装等低成本的工序。但同时，这家工厂还需要一个关键的零部件，主板之类的主要组件。这个主要零部件由南美的工厂供应，紫色框框显示南美工厂与 D 州工厂之间的交期约束为 88 天，这是一个相当长的交期。而北美工厂负责包装，其交期为 0，因为它是自有工厂，可以即时响应。

作为成品工厂，这家企业对客户的交期是 30 天，但其组装生产周期实际上只有 15 天。从表面看，既然能在 15 天内生产出产品，似乎没有必要备库存。然而，由于上游南美工厂的交期长达 88 天，这家企业不得不备库存。南美工厂虽然也是企业内部的一部分，但它不只为德州工厂服务，因此它有自己的交期标准。这家企业面临的挑战是如何在保证对客户 30 天交期的同时，管理好上游供应商长达 88 天的交期，以及如何决定在供应链的哪一层级备库存，以应对供应链的需求和供应波动，确保如期交付并降低风险。

在集成电路行业，首先需要理解成品库存过多的潜在灾难性后果。首先，集成电路产品本身非常昂贵，该公司单件原材料价格高达几百美金，而且它们的生命周期非常短。一旦错过了产品的生命周期，过多的库存很可能就无法销售出去。戴尔的延迟交付策略是从管理学角度出发的策略，主张尽可能推迟成品库存的组装。这种策略的方向是正确的，但它并没有解决根本问题：即使推迟了成品的组装，企业仍然需要决定如何与合作伙伴协作，以及原材料库存应该放置在供应链的哪个位置。多级库存优化正是为了解决这样的问题。它帮助企业决定在供应链的哪个层级备库存，既能满足市场需求，又能降低库存成本和风险。

多级库存优化完成后，其建议如下：

取消成品库存：企业不再需要在成品环节保留大量库存，从而降低了库存成本和过时风险。
调整零部件 2 南部工厂 1 的生产交期：将该工厂的生产交期从 88 天缩短至 13 天。这个 13 天的交期是多级库存优化引擎计算出的结果，它考虑了供给和需求的波动性。
关键零部件库存的调整：在优化之前，零部件 2 的南部工厂 1 并不备有零部件库存。优化后，建议该工厂开始备有零部件库存，这样做可以支持整个供应链网络的优化。
投资半成品库存：通过取消成品库存，企业将原本用于成品库存的资金投资到了半成品库存上，并将这些库存分配到了供应链的上游。
生产交期的进一步调优：为了支持优化后的库存网络，建议对每个生产节点的生产交期进行进一步的调优，以确保整个供应链的流畅和高效。

多级库存优化的实现基础主要有两种方法：

运筹学方法：这是一种经典的方式，其核心是全网库存的最优化求解，同时确保需求满足率。运筹学方法最初是基于单级库存模型的，通过考虑前置期缺货的联动效应，将单级库存的数学公式扩展到多级库存模型。由于多级库存模型通常不是线性的，无法直接用规划求解方法解决，因此需要进行线性拟合，将其转化为可计算的运筹模型。这种方法已经工程化，有成熟的系统可以帮助进行规划。
仿真暴力求解加机器学习：这是一种随着技术进步而发展起来的新方法。首先通过仿真输入生产网络和历史或预计的订单数据，系统会尝试所有可能的排列组合，并自动调整参数，以找到最优的库存分布和上游交期组合，从而降低整体库存需求。这种方法虽然称为机器学习，但实际上更多是基于贝叶斯搜索等技术实现的。这种方法的好处是易于理解和实现，可以减少代码开发量。通过改变生产网络的参数，同样可以求解不同客户的需求。不过，这种方法对算力的要求非常高，但大型企业通常不缺乏算力。

案例四：需求预测，分仓补货

以一家零售型企业为例，该企业通过机器学习技术进行市场预测，同时运用运筹学方法对库存进行优化管理，包括捕获、调拨等操作。具体来说，企业需要确定每个分仓应该补充多少货物，以确保能够满足下游客户订单的需求，保持高订单满足率。机器学习在此过程中发挥着关键作用，它可以分析历史数据和市场趋势，预测未来的销售情况。而运筹学则用于在这些预测的基础上，优化库存分配和物流调拨，确保库存水平既能满足需求，又能最小化存储成本。

数字供应链系统架构

最后我介绍下算法工程化的落地架构。这一架构基于云原生技术，整个系统构建在 Kubernetes 平台上。这样做的好处是，未来如果需要加入其他算法，只需将算法容器化后插入即可。在底层，我们有大数据平台，包括 Hive、Spark 等技术，这些技术负责处理和分析大量的数据。最关键的一层是 AI 平台，特别是机器学习部分，它被用来解决预测问题。最上层是应用层，这里集成了所有底层和中间层的技术，为企业提供具体的业务应用和决策支持。