2020年12月20-21日，全球供應鏈上合峰會暨第八次CSCMP中國大會在青島膠州召開。我們精心組織了議題，邀請到了來自中國、美國、歐洲等十多個國家和地區的著名經濟學家、全球著名供應鏈專家和企業領袖，探討了后疫情時代全球經濟、全球供應鏈、發展的重大趨勢，探討了物聯網、大數據、5G、人工智能、區塊鏈等顛覆性技術加速應用的前沿實踐。這些重量級嘉賓的發展非常具有啟發性。我們現在將演講的內容整理出來，與協會的會員們和供應鏈的同行們一起分享，作為一項增值服務，也給沒有機會參會者一個再學習的機會，這也是我們一直秉承的價值觀，請大家珍惜這場學習的機會。我們希望真正想學習知識的人能夠聚到一起，共同致力于發展供應鏈事業。

——王國文

非常感謝主辦方提供一個機會跟大家做交流！

我先自我介紹一下，我叫丁平，來自Llamasoft。大家可能會覺得看上去不像典型的英文單詞，我來跟大家解釋一下，什么叫Llama。Llama其實是一種美洲羊駝，它在運輸里面扮演非常重要的角色。

今天我們討論的都是一些供應鏈的課題，我給大家分享的課題，我們可以聊一聊AI，我們知道AI的領域很大也很熱門，其中通過運籌學一些算法建立模型，以優化的方式幫助企業降本增效是非常非常時下熱門的話題。所以我今天的分享會有四個方面。我更多是代表企業或者是作為乙方，接觸了非常多的企業，甚至是企業的一把手和二把手。供應鏈管理分為不同的等級，有執行層、有計劃層、也有決策層。在企業的決策層，這些一把手或者二把手們他們在決策的時候會面臨怎樣的一些痛點。第二部分聊一聊為什么說優化，具備這樣的能力幫助企業降低成本，提升效率。甚至有些場景下我們會發現，通過優化模型之后，營收可以進一步提升，我相信這樣的結果對所有的人，CEO而言都是非常想要看到的結果。第三部分，我今天帶來三個非常典型的案例，都是跟一些知名的500強企業的合作，從不同角度來闡述優化模型，具體能給企業帶來具體的怎樣的一種價值。最后跟今天的主題非常相關，聊一聊在整個企業決策或者經營的過程當中，人才是非常重要的一環，人才如何能夠更好地賦能企業。

今天我們聊的主題有一個大的背景，是我們在當前的疫情或者說后疫情時代，我們都認可一句話叫“變化才是永恒不變的主題”。面對如此變化的環境，通常對企業的供應鏈的決策者或者是從業者需要回答哪些問題。第一個，需求預測。所有的供應計劃都需要作為重要的收入，我們也承認，預測是沒有辦法做到百分之百準。但是每提升1%的預測準確率，意味著計劃可以做得更好，也意味著庫存可以平均下降2%或3%左右。能否利用人工智能或者機器學習的算法，大家知道這些模型給到越多的數據，它給到的模型是最好的，究竟怎么樣通過人工智能或者機器學習算法能給企業帶來收益，這是大家關心的第一個課題。第二個，很多企業對Llamasoft的了解開始于網絡優化模型。如果說今天假設，還是以華為為例，我要打開一個新的市場，推出一款新產品，我的供應鏈從無到有要去建立，請問我應該如何去設定？是應該自己生產，還是外包給OEM、ODM？我的物流網絡如何設定，是以一個國家倉庫輻射所有的代理商，還是要建立一個多級的倉庫網絡？有中央倉、區域倉，甚至有前置倉。最重要平衡的，其實剛才嘉賓也分享到，成本和服務，這一塊是非常非常重要的一些戰略問題。采購戰略同樣非常非常重要。我們有一些企業他的供應鏈的成本組成，比如我之前跟廣東這邊的一些企業交流以后發現，百分之七八十的供應鏈成本來自于采購成本。我會問他們上一次去做采購配額的回購是什么時候，我們有多少產品，他是單一采購的？單一采購對企業來講可能是一個非常大的風險，比如疫情情況下，我們也幫企業做了一些分析，如果你有一些原材料是單一采購的，由于疫情的關系，這些工廠沒有辦法再生產了，對你來說有可能會造成供應鏈的中斷，所以你要找的是，你的供應商甚至是供應商的供應商。當然我們還有一些采購計劃的問題，也可以通過模型來回答。生產策略同樣非常重要，今天我帶來的一個案例是，其中一個案例是一家半導體的生產方案解決商，他過去在去做他的產銷一體化的生產計劃的時候，是完全以生產為導向的，大批量的生產某一個產品。生產成本很低，產能利用率很高。但是會遇到一些問題，比如說有些客戶的定單沒法第一時間交付，那是不是成本最低的生產策略對整個供應鏈來說是最好的？未必。同樣的分銷策略，今天我第一個案例會講到一個非常知名的跨國食品和寵物用品的企業，他在設定分銷策略的時候，既會有一些經銷商，也會有一些KA客戶，通常是那些大型的超市，當然也包含一些夫妻老婆店。我們也知道隨著電商平臺不斷的增長，企業要回答的問題是，我的分銷策略能不能有進一步優化的空間。最后我們聊一聊老生常談的話題，庫存。有些企業對庫存又愛又恨，我們要平衡的是什么，如果我缺貨所導致的缺貨成本，對比我備太多的庫存，而占用的資金，孰優孰劣，哪個更重要？在座的各位都是老師，我們在課上也學過，以現在的水平開根號去做安全庫存的計算，他有一個重要的前提是需求滿足正態分布,是不是所有的需求類型都滿足正態分布？這也是為什么很多企業所面臨的痛點是，我確實在做安全庫存的計算，但與此同時我們會發現有一些倉就是爆倉，但是有一些產品客戶依然投訴。問題非常多，我們要回答這些問題需要一個什么呢？我們說叫供應鏈端到端的數字孿生，把他想象成一個沙河，在他的基礎上面通過一些運籌學的優化算法作很多的假設場景分析。

我給大家舉一個非常現實的例子。

這張圖是我們之前跟一家國內非常知名的食品飲料企業所做的一個項目中的一環。首先我們可以看到他的全國的分銷網絡非常復雜，中間的這張圖，當前我們以新疆區域的供貨為例，客戶首供是怎么做的？供貨來源有來自于浙江供貨，當然也有一部分來自于湖北供貨，模型優化后告訴他湖北的供應量要增加，浙江的相應減少。當然大家覺得，明眼人一眼就能看出，從運輸距離的角度來講一定是湖北離新疆更近，為什么客戶不會做這個事情，或者他沒辦法做到更優？第一，你看的只是局部的一個點，局部最優，肯定不代表全部最優；第二，如果這么做，雖然我們會發現新疆區域能夠節省210萬，但是湖北區域因為供應增加了，所以我的成本會上升。假設我是湖北區域的負責人，我不會愿意做這樣的一個方案。假設我是生產的負責人，我也不愿意做這樣的一個方案。但恰恰對企業來說，210減去40，每個月,就有將近1個點，就有將近170萬成本的節約，所以這也是為什么決策，或者說優化非常有魅力的。

那么大部分的企業現在是怎么樣做這件事情的？

頭腦風暴為主，輔以Excel的計算支持。我們現在也遇到一些，特別是互聯網企業具備足夠的資金、資源和人才，通過像Python、TensorFlow、R等等，去寫一些優化甚至是AI的算法，然后輔佐以一些知名的商用的我們叫Solver，像CPLEX、Xpress、Gurobi能獲得一些答案。能獲得一些答案。但問題是你是否具備這些人才？另外最終多快能夠回答業務的問題，能否把他變成一個應用可重復的幫助業務，解決端到端的一些供應鏈問題？這是大家所遇到的痛點。

從數據分析的角度來講是分不同層次的。第一層我們叫描述性分析，這里給大家舉一個非常典型的，所有供應鏈從業人員都會面臨的問題。如果某個產品在某個倉庫發生了缺貨，描述性分析告訴我們，這個產品經常在北京倉發生缺貨。下一個我們叫診斷性分析，他告訴我們是什么原因導致的，可能是我的預測做的不準，或者是我的備貨策略不對。接下來是預測性分析，不僅要知道當前做得怎么樣，怎么會導致我當前的異常，還要知道未來有多大的概率會發生同樣的情況。但最重要的是，我們叫決策性或者規范性的分析，我不僅要知道未來可能會做得怎么樣，我還要知道怎樣做才能最大化我期望。比如說在滿足服務水平的同時，最小化我的庫存的持有成本或者不必要的資金占用。

Llamasoft是誰？為什么有這么多的企業愿意跟Llamasoft合作？

通常我會跟客戶說，如果今年供應鏈的指標是2到3個點的成本下降，我們可以通過一些精益的管理，我們可以跟供應商的一些溢價去獲得。如果我們今年的目標是10%、15%甚至更多的成本節約，通過優化的方式，從我們的經驗來講，這些數據都是來自我們現有客戶真實的分享，10%的供應鏈成本節約我們是非常有信心能夠獲得的。另外，還有兩個維度同樣非常重要，非常多的企業，尤其是在當前互聯網或者是電商持續增長的前提下，越來越多的企業從成本導向變成了服務水平導向。大家探索的一個問題是，我每年依然有這么多供應鏈的預算，我可以把我的服務做到怎樣極致？比如更快、更好或者我的現貨滿足率進一步提升。最后就是剛才提到的，營收為什么能增加2%。第一個方向，服務做得更好，客戶黏性增加，一定會企業帶來營收的增加。第二個方向，如果我是一個企業管理者，現在生產不同的產品，成本不一樣，交付到不同的終端，售價不一樣，那為什么不讓模型以我的營收作為優化的目標，以最大化營收給我一個方案，這也是為什么能夠得到2%營收的提升。

接下來給大家分享三個非常經典的案例。

第一個案例，這家公司是具有百年歷史的全球糖果食品和寵物護理領導者的企業，在這個領域絕對是巨無霸的體量存在。

他的背景是若干年前，他們在歐洲當時有一個非常知名的事件，A公司和B公司合并整合成了一個新公司。合并之前，他通過模型測算，假如說今天要收購一家企業，對標的企業來說，在供應鏈的機會上有哪些整合的方向，比如說倉網的一些整合，生產的一些整合，因為客戶是高度重合的。第二期我們跟他們合作，開始于中國區的，當兩家公司合并完之后，變成一個公司兩個事業部，一個是巧克力事業部，一個是糖果事業部，供應鏈有哪些整合的機會呢？這是非常大的課題，那我們提出了哪些方向？大家可以想象一下，當年我們跟他們非常的巧的，客戶也是我其中的一個客戶，幫他們做了很多的進行了分析。我們會發現電商對他帶來的沖擊很大，電商銷售在增加，線上的銷售在受到蠶食，另外大家越來越注重健康，所以巧克力、糖果他旗下有很多的品牌，未來的增長或者是減少趨勢是不一樣的。最終這家客戶要回答的是什么問題？今天我們再來討論的是全鏈路，我有線下的，也有線上的，如何把全鏈路打通，給企業一個最優的方案，這是他要去尋找的。但是我當年并不建議馬上就做全鏈路的項目，太復雜了，數據不一定不支持。另外所有的供應鏈優化項目都涉及到變革，從變革的難度來說，我們是建議先從可觸底或者可控制的方向去開始。大家看到他先從線下的部分，從分銷網絡開始做優化。這里我們提出了四個機會，第一個機會，當時他在全國11個城市是有19個倉庫的，那我們為何不每個城市只保留一個倉？這些也不是我們空口去告訴他的，我們會做一些行業對標，比如說他的直接競爭對手，不管是來自于外資的背景還是來自于內資的背景，我們會告訴他，他們在國內是怎樣的倉網布局，他們的供應鏈戰略如何。第二個方向，我們叫配送網絡優化，原本他的口香糖事業部在華南有一個NDC，也就是中央倉，過去中央倉的角色就是往區域倉做補貨的，發一個個整車，但實際上他在中央倉的周圍是有一些客戶的，這些客戶一旦貨量達到一定規模的時候也可以發整車。那為什么我們不打開模型的限制，把中央倉周圍的這些客戶直接由NDC來覆蓋，他們想看一下結果有沒有收益，確實給了他幾百萬的收益。

下一個場景我們說叫分銷網絡優化，也就是意味著在給定你當前所有業務約束的條件下面，讓模型來告訴你，每一個客戶應該由哪個DC，哪個工廠去覆蓋，能保證服務的同時成本有進一步降低的機會。但基本上我們也幫他分析了現有11個倉，是不是有進一步優化的一個空間，因為他是個外資背景的，我們認為可能8個左右，在國內是一個比較理想的情況。有一點非常重要的是，這4個場景價值是層層遞進的，也就是說機會2是在機會1的基礎上所獲得的，機會4有一些產品是可以同時在兩個甚至更多工廠生產的，他的收益又是來自機會3的基礎上。所以最終的結果，大家可以看到右下角，這兩張圖怎么去向大家闡述一下，空心是代表模型測算出來當年他能獲得的收益的總值，實心的部分是代表著，因為我們要考慮到項目是有實施周期的，比如說今天告訴你某些倉應該合并，不是說今天說關就關，明天我就馬上能找到一個新的倉庫，不管是自建花時間，還是要找第三方倉庫，都是要花一定的時間。因此這個路線圖考慮到實際落地的情況，給出的一個合理方案。但是更重要的是什么？首先我們在這個項目當中幫他建立了一個基準模型，告訴客戶你當前做得怎么樣。這一點非常重要，因為你的基準模型做得好，結果才會跟你實際落地差異盡可能小。第二對他們來講，最終企業能否具備一個團隊，這個跟人才非常非常有關系。他們也不希望每一次一旦遇到一個問題，就到外部的軟件公司或者咨詢公司花一筆錢去解決這個問題。因為商業環境是在不斷的變化，組織架構也在不斷變化，所以人才對企業來說非常非常重要。我記憶猶新，剛才那張圖，一個是技術，一個是流程組織，還有一個就是人才。我們幫他們培養了一個Center of excellence供應鏈的卓越中心團隊，這些團隊的人是來自業務的骨干，如果你既懂業務又有一定的大數據分析，甚至懂優化的話，那是最理想的人選。他們可以隨時根據外部環境的變化而觸發、建立新的模型，得到一個新的結果。比如說這家企業做的是未來四年供應鏈的規劃，他要滿足企業或者說實現企業的經營戰略。那我不能說每四年才刷新一次模型，也許慢則一年、快則半年就需要做這件事情。這家客戶今年我們還在跟他們合作。回答完了一些網絡戰略性的問題，下一步要回答的是非常細的成本服務的問題。比如說，我站在每一個產品、每一個渠道的角度，盈利性如何？哪些不盈利的產品和渠道我們可不可以通過優化的方式降低成本、提升利潤？甚至不排除作為企業經營而言利潤是第一位的，對部分不賺錢的產品和渠道，是不是要考慮把他叫停？即使叫停之后，這部分的客戶需求又應該由就近的哪個網絡結點去覆蓋？總而言之優化的場景源源不斷的，也不是大家想象中的網絡優化只能每幾年做一次，這是第一個項目。

第二個我們聊一聊庫存。所有的企業都很關心這個話題，大家也都在設安全庫存。這家企業是一個非常知名的全球零售企業，即使是像這樣的一家企業，他的庫存策略是怎么設定的？

首先庫存策略要設定一個服務水平的目標。他們公司設定是90%的服務水平目標，當前他的庫存策略是非常典型一刀切的方式，所有的倉庫和產品都放，并且就放三周的庫存。他也不知道做得好不好，從運維或者供應鏈的角度上來說，感覺還不錯，但是很多時候客戶又會投訴，一看庫存的中轉率也不是特別好。因此他們去尋找，跟Llamasoft合作的機會，看看能不能有進一步優化的空間，所以這里這張圖也跟大家解釋一下，大家看一下右上角這張圖，意味著是什么。同一個產品在不同的倉庫或者不同的DC，需求表現也是不同的，很有可能，比如說大家喝的這瓶水，也許在北京賣得非常好，在上海賣得未必好。這也是為什么，如果你用一刀切的方式會造成有些地方缺貨，有些地方庫存過多。中間這張圖怎么理解，其實模型是在滿足服務水平的前提下去做優化，優化不是簡單地，一味地說我要幫你去降低這些產品的安全庫存，而是說有些像綠色空出來的部分，因為你的需求是屬于平滑類型的，當前客戶的服務水平要求是90%，實際你已經做到了100%，這也就是為什么你有10個點的服務水平，對應的這些庫存是可以下降的。紅色的部分什么意思，這部分產品波動是非常劇烈的，要不不下單，要不偶爾下單，要不突然來了很大一單。往往你的背后策略沒有辦法達到客戶服務水平的要求，我們模型會反過來建議，你在這部分的產品應該多備一些。所以此消彼漲，對這家客戶而言，以這個倉為例，他依然取得了5%左右的庫存水平的下降。

我們再看一下最后這張圖，右下角這張圖，我個人覺得這個案例是非常經典的一張圖。首先我們看一下這里有一個灰色的點，橫坐標是客戶的服務水平，縱坐標是為此而支出的庫存資金占用的情況。這是我們通過仿真之后告訴企業，你的目標是90%，但不好意思，你當前平均只能做到80%，對應的成本庫存支出大概在4000萬美金的規模。我們幫他們做了綠色的這幾個點，敏感性的分析。如果今年指標是降庫存，可以從這個灰色的點往下看，看到綠色那個點，意味著還是保持80%的服務水平不變，我能釋放的資金將近在1000萬美金，也就是說A多備一點，B少備一點，C多備一點，馬上能實現，非常容易獲得。如果灰色的這個點往右邊去看意味著什么呢？還是這些庫存預算，4000萬，但是服務水平可以做到將近90%，反而達到了公司的要求，非常非常重要。模型不是說給到你一個唯一的答案，而是希望企業的一些建模人員或者管理決策者，盡可能通過更多的場景探索供應鏈優化的可能性。真正建模的時候會發現，很多事情非常有意思，當你去設定一些場景之后，有一些結果未必如你所想的好，有一些結果反而比你想象的更好。

我再看一下最后一個案例，這個也有嘉賓分享到，我記得是右下角一張圖，印象非常深刻，供需平衡，或者是S&OP，是中美之間現在差異比較大的一個主要領域。

這家企業是一個非常知名的半導體解決方案供應商，他們在S&OP流程里面會遇到什么問題？

本身半導體行業流程非常復雜，如果我們看他生產步驟的話，最多是200多個不同的生產步驟。另外全球有4個事業部共享產能，也就是說這個工廠可以生產給到A事業部，也可以給到B、C、D。另外，總部沒有辦法對全球產能的生產情況有一個很好的透明度，總部在Phoenix（鳳凰城），有可能會發生一種情況，總部Phoenix（鳳凰城）這個月的產能已經達到100%，但與此同時我在深圳的一家工廠，產能只有40%。他們希望在總部的角度做全球產能的調配。另外這兩張圖我也給大家解釋一下，藍色的場景是以企業當前的情況來跑的，后面一些不同場景我們有考慮到，比如說重點的VIP客戶要優先滿足，比如說我們不在意生產效率最高，或者不在意成本最低作為優化的方向，而使我轉變成營收最大。有一些產品賣出去不怎么賺錢，有些產品賣出去甚至虧錢的，我有必要立刻生產這些產品嗎？所以這個項目原本是以最大化生產為目標，現在轉為營收為目標。我記得兩個場景的差異應該是在2億左右營收的差異。另外生產決策時間，S&OP每天都在開22個工作日，需要兩到三周才能去給出一個答案，這顯然是管理層無法接受的，有了優化模型之后，現在只需要兩到三天就能得到一個結果。對工程師來說，他的好處是什么？他的精力釋放了。原本很多時間都花在數據收集，建模，回答一些沒有意義的東西，現在時間花在了結果分析，改善良率，這些對企業來講更有核心價值的一個方向。因此最后一點也非常重要，也是幫他建立了一個COE的團隊。

講到最后，其實人才對團隊來講非常重要，我們的客戶非常優質，來自行業的各個翹楚。我們在國內做市場推廣和客戶交流的時候，真真切切遇到的問題是，你們的東西很不錯，但是我們的人好像還不具備這些能力使用。或者甚至是你們的東西非常不錯，你們的結果前期驗證我們覺得也非常不錯，能不能介紹兩個懂你們產品的人才來幫我們？慶幸的是我們跟絡捷斯特或者是一些院校有了合作，我個人是非常非常期待，當這些學生他們既具備知識體系，又有上機實踐過，同時又具備國際化視野的這些人，到了企業之后，未來我更期待的是整個中國的企業在供應鏈的核心競爭力上面能夠比現在更快一個等級。

我今天的分享就到這里，謝謝大家！