复杂、不确定环境下，企业供应链比拼靠什么？

近半年来，虽然市场有一定回升，但大环境仍不容乐观，在很长一段时间，将存在极大不确定性。联合国贸易和发展会议曾预计，即使不出现重大挫折，全球产出要迟至2030年才能恢复至2016-2019年的趋势。

作为经济运行的重要基础，供应链也将迎来新的重组周期。随着全球供应链分工和资源配置改变，供应链已成为大国竞争的战略砝码。中国是全球供应链的重要中心区域，供应链规模庞大，产业配套完善，近年来规模化生产、低价成本等优势虽然有所减弱，但多年构建的庞大供应链体系，仍然在全球供应链中发挥着不可替代的作用。如何在强大的供应链基本盘上，进一步提升供应链柔韧性和抗风险能力，成为我国供应链升级的重要课题。

报告提出，“着力提高全要素生产率，着力提升产业链供应链韧性和安全水平”。国家《第十四个五年规划和2035年远景目标纲要》也提出，“分行业做好供应链战略设计和精准施策，形成具有更强创新力、更高附加值、更安全可靠的产业链供应链”。

对企业而言，宏观经济的风向无法改变，企业自身的供应链能力却可以提升。大变革的时代，往往隐藏着大机遇，借助数字化和智能化技术，提升供应链弹性，打造供应链竞争壁垒，也将是企业弯道超车的契机。

在整个产业链供应链上，从消费者（ToB和ToC）、零售商、品牌商，到生产制造商、物流服务商、原料供应商，一件简单的商品从原料加工生产流通到消费者手中，涉及到不同环节和无数商业主体的参与，每一个环节都蕴藏着海量数据和复杂的管理规则。要提升供应链这台复杂机器的柔韧性，涉及千万乃至亿万级的数据分析和计算，这对企业数据基础、业务流程和技术创新力都是极大的考验。以机器学习和运筹优化为核心的智能决策技术，具备大规模决策优化的基因，正受到越来越多企业的重视。

集团化经营或规模化生产的企业，体量大、产品多、供应链复杂，遇到的问题更多，决策的难度更大，供应链的优化空间也更多。他们从营销、库存、生产、运输等不同节点入手，用智能决策开辟供应链数字化升级的新道路。还有更多的企业，站在智能决策的高墙之外：从数据到决策，到底为供应链带来了什么？这一步到底要怎么走？

智能决策：多维量化供应链要素，在变化中寻找确定性

我们先来看一个场景：顾客进店买走一件商品，门店就要从仓库拿一件补上，仓库要向品牌商补货，品牌商则要向工厂要货，工厂需要安排生产和发货，生产需要领取物料，物控部门则需要向上游采购原料。这是最简单的供应链网络，运作起来相对容易。

如果将顾客数量、商品种类、门店数量、仓库数量、工厂数量、供应商数量、物料数量等分别扩大百倍或千倍，背后的供应链运作难度将呈指数级上升。同时，由于每个环节互相关联，任何一个因素的变化，都可能因“牛鞭效应”影响整个供应链的运行。以生产制造环节为例，除了各生产要素数量的指数级增加，制造过程还要考虑工艺流程、配方配料等问题，改变一种原料，带动的是生产流程、原料采购等不同环节的改变，如何在千千万万中可能性中找到效益最佳的那一个？这并不只是简单的大规模排列组合，还需要通过千万、亿万级的计算比较。

当物流、物料、能源、设备等诸多因素持续变化，从生产到消费，供应链上的每一个要素都面临突变的风险，如果应对失策，关乎的不仅是收益问题，甚至是企业的生死存亡。

智能决策可以多维度量化供应链要素，用数学思维求解，在变化中寻找确定性。基于机器学习和运筹优化等前沿技术，智能决策可以更真实地模拟场景和建模，更快速地计算亿万量级的数据，更全面和精细地分析不同维度的问题，所以它具备更强的决策指导性，可以赋予供应链更灵活的响应能力。

在智能决策服务厂商杉数科技看来，大部分供应链问题归根结底是资源分配问题。成品库存要备多少货、物流运输如何分配订单、生产物料怎么采购和分配、车间产线如何执行生产等问题，都是对不同资源的调度和分配。调度和分配的规模越大、越复杂，人工经验的局限性就越明显，对智能决策的依赖性就越强。

技术角度上，智能决策实质仍是基于数据的智能化应用，因为融入了机器学习和运筹优化的内核，它可以在更高维度上激发数据的价值，落到不同的行业和场景中，就是供应链效率和效益的提升。以下，我们结合生产制造和零售消费两端的实际问题，来分析智能决策赋能供应链的升级之道。

制造供应链：从订单、原料到生产，如何挖掘更大的优化空间

生产制造位于产业链的中上游，是商业活动的前提和基础。从消费品、钢铁化工、汽车电子到机械装备，每个行业生产过程的复杂程度不同，但遇到的供应链问题类似。其过程都是将分散的原料和资源集中处理、加工或组装，然后再发运到不同的仓库或终端，其中物料配置、排产排程、产销平衡、能源控制等环节，都存在很大优化空间，也是制造业供应链升级的关键所在。

制造供应链除了要考虑原料分配、生产加工、仓储物流、能源控制等生产过程中的问题，向上要兼顾原料或半成品供应商情况，向下则要关联市场需求变化。比如，消费端需要一千种产品，生产端就要根据这些产品需求分别采购物料、工厂、产线、人员、设备等，而每种产品的原料、工艺、产线可能都千差万别，供应链管理难度可想而知。

生产模式的差异，也给制造供应链管理增加了难度。比如，按订单生产（Make to Oder，MTO）的企业，生产过程往往和订单直接紧密相连，由于小批量多批次的订单越来越多，急单插单也越来越多，供应链能否根据订单变化灵活调整，能否提前做好产能规划和物料筹措准备，都影响着企业的履约和收益。按库存生产（Make to Stock，MTS）的企业，需要提前生产备货，要求企业精准把控市场、合理规划生产，才能避免生产和需求的失衡。除此外，制造业还有ETO（按订单设计）、ATO（按订单装配）等生产模式，实际运营中，一些企业还会同时采用混合模式开展生产，大型企业也会通过外部加工厂生产。

因为流程和模式太复杂，企业在管理过程中很容易顾此失彼，映射到业务上，则表现为产销失衡、资源浪费、成本过高、灵活性差等问题。按照智能决策的优化逻辑，这些问题都可以通过不同层次的算法建模和求解进行优化，帮助企业在全局视角下，用数据驱动整体到局部的决策升级。

以按订单生产的模式为例，面对急单、插单，企业常常出现生产混乱的情况。先进智能决策厂商提供的解决方案，可帮助企业实现从订单到交付的端到端协同决策优化升级。企业接单后，系统会结合履约时间、产能、物料、成本、收益等情况，输出最优排产排程计划，包括工厂分配、产线分配，不同颜色、型号、规格产品的生产排序、人员排班等。同时，以订单为驱动，指导物料采购计划和执行。在生产过程中，则可以实时跟踪订单情况，包括生产进度、物料齐套情况等，以避免缺料，提高订单达成率。在发运环节，可以优化物流排单，在高效履约的情况下，降低物流成本等等。

不同生产模式，在运营、订单、生产、物料等不同环节的问题都不一样，具体的解决方案也有差异。不过，都要求企业构建端到端的协同优化机制，实现从规划到执行的统一调度。这不仅能够帮助企业实现产销平衡，灵活应对急单、插单，还可以提升物料、人员、设备等生产资源利用率，降低成本消耗。成熟企业的具体实践，可以给我们提供一些参考。

光学电子产品制造商舜宇光电，此前在生产物料管理方面依赖人工，效率较低，容易出现错配、挪用等问题。为了降本增效，舜宇光电构建了物料分配智能决策平台，充分考虑物料齐套、共用料、内外部动态因素等影响，形成产供销一体化的物料分配机制，实现智能化的物料管理，带来了生产、库存和运营各环节协同优化效益。

本土服装巨头森马，为解决数百个外部加工厂的管理混乱问题，基于智能决策打造了全局优化的智能排单系统，综合考虑影响分配和生产的各种因素建模求解，得到更优的排单计划，并将计划传输给不同部门和环节人员，全局协同决策提升供应链柔性，有效提升了接单率，降低了订单生产周期和成本。

以上只是智能决策优化制造供应链的一个缩影，在中国庞大的工业制造领域，还存在更广阔的优化空间。以杉数科技为代表的智能决策服务厂商，正将智能决策的触角延伸到不同的领域和场景，为越来越多的企业注入发展新动能。对制造企业来说，如果具备了智能决策的思维和能力，就可以将这种能力释放到不同的业务节点中，由点及面地完成供应链的持续跃迁。

消费供应链：数学思维下的备货补货，可以更精细更智能

如果说制造供应链是经济运行的基本盘，那么消费供应链则是经济增长的稳定器。

产品生产制造完成后，要通过不同的渠道分发到终端消费者手中。只有完成了生产到销售的闭环，才能构建健康的产业链循环。无论前端市场营销多火爆，如果货品供应跟不上，营销就没有意义。

在消费端，品牌商面向的是企业机构、渠道商或消费者，供应链管理主要围绕成品的供应和分发展开，我们将其称为消费供应链。由于零售消费行业的产品直接面向C端，销售渠道更加丰富多元，用户需求也更加个性化，消费端供应链问题更加突出，这里我们通过零售消费行业来进行分析。

新零售时代，“人”时刻在变化，“场”无处不在，供应链要及时供应足够的“货”，就得全面科学地了解“人”和“场”。传统模式下，企业通过历史数据或经验，能够粗略地对市场销量有一个大致的判断，比如年度销量、区域销量等，但是往下细分，就很难有明确的数据。所以常常出现：A地区缺货，B地区积压；春天滞销，夏季缺货等类似问题。而且，在协调调货的过程中，会无形增加履约成本，降低服务效率，最终能否拉动利润增长也是个问号。

智能决策对消费供应链“人货场”的量化，并不是单纯的一个数据指标，而是构建全局化、精细化的分层数据，并通过建模求解得出目标结果，以收益为目标，帮助企业实现智能化的备货补货。在计算人货场时，智能决策不会单独考虑某一方面的要素，得出的决策数据也不会局限在一个维度或某个层级。

比如，在预测“人”的需求时，会考虑历史销量、季节、地区、渠道（场）、节假日、重大事件等因素，输出年、月、日不同维度的数据。在提前备“货”时，可以综合需求、产能、仓储、成本、收益等多方因素，计算输出不同产品、不同城市、不同渠道、不同时间颗粒度等维度的最佳库存。在对“货”进行促销定价时，可以兼顾市场环境、市场占有率、毛利水平、价格弹性等输出促销计划。

大型企业动辄几千种SKU品类，全国几百个城市，无数个区域门店，一年四季三百多天，如果每一个环节、每一个颗粒度都能优化一点点，乘积效应将为企业带来非常可观的效益提升。

以某电子品牌商为例，由于SKU、总货量、门店数量快速增加，该品牌旗下各门店出现了分货不均的情况，导致缺货与积压问题并存。该品牌通过杉数科技的智能决策方案，对产品进行细分并综合考虑门店补货约束，建立全局优化的运筹优化模型求解，输出每天的分货结果，全面提升了分货效率和效果，在满足门店需求的情况下，节省了大量运营成本。

常规的生活消费品，大多按库存生产，企业需要根据需求计划和库存计划提前生产和备货，智能决策通过全局统筹计算，可以帮助消费品企业在多变的市场环境下，科学精准地预测需求，实现多层次精细化的备货补货策略，保持最佳的库存水平。当市场变动时，也可以调整不同的要素进行高效计算，实现及时灵活的决策指导。这种灵活的决策机制传递到生产端，则能够促进生产资源的配置优化。

当前阶段，消费供应链将面对两个方向的挑战：如果消费市场保持冷静甚至低迷，怎样可以更好地降本节流，防止货品积压？如果消费市场迎来大反弹，供应链如何快速响应，以避免货品不足？

智能决策赋予企业的灵活决策响应能力，将帮助企业平稳穿越经济波动周期，通过削峰填谷，全面优化货品分配效率和效益，促进供销平衡，在供应链运营的关键节点中，挖掘更多收益和增长潜能。

结语

站在产业链的角度，消费供应链和制造供应链并不是互相割裂的。消费供应链在优化过程中，可以借助智能决策技术和生产端打通，实现产供销一体化协同升级。同样，制造供应链的优化，也离不开消费端的数据支撑。优化任何一个环节，对于企业来说是效率和效益的提升，对产业则是积沙成塔的变革积累。

不同企业的实践表明，决策升级能够给企业带来百万、千万乃至亿量级的成本降低。从产业链长远发展来看，智能决策带动的是整个供应链的效能提升，将为企业数字化增长插上“隐形的翅膀”，随着供应链数字化浪潮加速，它将在和数字化的螺旋上升过程中，逐渐释放越来越大的价值。

欧拉说，宇宙万物，演进更替，总有某种形式的最大化或最小化存在其中。后疫情时代，经济市场存在各种各样的未知数，企业对于供应链优化的需求将愈加迫切，智能决策将成为供应链比拼的战略装备。领先的企业，正通过智能决策拉开与后进者之间的距离，未来这种差距会进一步放大。

当千行百业都装上智能决策的大脑，用数学优化思维进行改造，我们的生产生活将进入新的智能阶段，企业也将从中享受到更多的技术红利。

当然，在复杂的生产制造和消费场景中，每个行业都有每个行业的问题，决策优化并非一套系统或算法就能解决。智能决策必须要融入数字化的土壤，融入对场景的理解，这需要时间，需要企业一步步去探索适用于自己的决策升级之路。