StartDT AI Lab | 智能運(yùn)籌助力企業(yè)提升決策效率、優(yōu)化決策質(zhì)量

在人工智能和大數(shù)據(jù)時(shí)代，越來(lái)越多的云上數(shù)據(jù)和越來(lái)越智能的模型開(kāi)始輔助人們做出各種最優(yōu)決策，從運(yùn)營(yíng)效率、成本節(jié)約、最優(yōu)配置等方方面面，實(shí)現(xiàn)降本增效，進(jìn)一步提升商業(yè)效率。京東、美團(tuán)、滴滴、順豐等眾多知名廠(chǎng)商，都通過(guò)運(yùn)籌優(yōu)化平臺(tái)，改造其供應(yīng)鏈、智能派單、司乘匹配、智能分揀等等。

零售行業(yè)環(huán)節(jié)眾多，從生產(chǎn)到倉(cāng)庫(kù)、到線(xiàn)下門(mén)店的供應(yīng)鏈中，即使最終產(chǎn)品的需求非常穩(wěn)定，長(zhǎng)鞭效應(yīng)也經(jīng)常會(huì)發(fā)生。原因在于供應(yīng)鏈中各節(jié)點(diǎn)只根據(jù)其相鄰的需求信息進(jìn)行生產(chǎn)或者供應(yīng)決策時(shí)，需求信息的不真實(shí)性會(huì)沿著供應(yīng)鏈逆流而上，逐級(jí)放大。 更準(zhǔn)確的需求預(yù)測(cè)只是決策的一個(gè)步驟，還有隨著銷(xiāo)量等業(yè)務(wù)變動(dòng)過(guò)程和流程管理過(guò)程中的庫(kù)存訂貨決策、價(jià)格波動(dòng)決策、短缺博弈決策等決策問(wèn)題。長(zhǎng)鞭效應(yīng)表明即使預(yù)測(cè)再精準(zhǔn)，如果對(duì)后續(xù)的流程決策過(guò)程沒(méi)有有效管理，精準(zhǔn)預(yù)測(cè)帶來(lái)的收益也會(huì)被不合理的安全庫(kù)存帶來(lái)的損失抵消掉。

很多企業(yè)的決策過(guò)程往往過(guò)于依賴(lài)對(duì)應(yīng)崗位的個(gè)人經(jīng)驗(yàn)，而企業(yè)員工在這些事情上一方面獲取的信息不完全，另一方面決策環(huán)節(jié)存在大量估算對(duì)比的重復(fù)工作，導(dǎo)致決策方案輸出的低效和不穩(wěn)定。員工重復(fù)勞動(dòng)限制了個(gè)人成長(zhǎng)，企業(yè)耗費(fèi)了人力資源和寶貴的決策判斷時(shí)間。 針對(duì)企業(yè)優(yōu)秀計(jì)劃決策經(jīng)驗(yàn)方法的快速?gòu)?fù)制、集中高效決策、快速信息反饋和計(jì)劃決策效果預(yù)估等需求，奇點(diǎn)云在數(shù)據(jù)中臺(tái)的基礎(chǔ)上，推出了決策引擎的應(yīng)用。

奇點(diǎn)云決策引擎

數(shù)據(jù)采集與管理完善，對(duì)數(shù)據(jù)進(jìn)行信息提取，了解事物的規(guī)律，并不能釋放數(shù)據(jù)的巨大價(jià)值。 數(shù)據(jù)要產(chǎn)生實(shí)際價(jià)值，必須真正提升決策質(zhì)量，實(shí)現(xiàn)決策的自動(dòng)化、流程化、規(guī)范化。

在為客戶(hù)完成數(shù)據(jù)中臺(tái)的開(kāi)發(fā)后，提供基于中臺(tái)數(shù)據(jù)資產(chǎn)的智能決策服務(wù)，根據(jù)場(chǎng)景的不同，選擇最大收益期望決策、最大最小收益決策、最小最大后悔值決策、馬爾科夫博弈決策等決策方式，并結(jié)合運(yùn)籌優(yōu)化算法和強(qiáng)化學(xué)習(xí)對(duì)決策目標(biāo)進(jìn)行求解。

現(xiàn)實(shí)生活中，有很多問(wèn)題可以描述成優(yōu)化問(wèn)題，然后利用運(yùn)籌優(yōu)化的知識(shí)加以解決。

比較核心的兩個(gè)步驟是：建模(modeling)和求解(solve)。奇點(diǎn)云根據(jù)成熟的軟件工具包（cplex, gurobi, glpk，lpsolve, scip ...）給出經(jīng)典運(yùn)籌優(yōu)化問(wèn)題的baseline解，快速上線(xiàn)試運(yùn)行。在運(yùn)行的過(guò)程中根據(jù)結(jié)果評(píng)估的核心指標(biāo)，結(jié)合運(yùn)籌優(yōu)化算法和強(qiáng)化學(xué)習(xí)，對(duì)算法和求解過(guò)程進(jìn)一步優(yōu)化，使得計(jì)劃決策模型、求解過(guò)程、評(píng)估體系能夠滿(mǎn)足客戶(hù)業(yè)務(wù)發(fā)展所需的計(jì)劃決策流程。

奇點(diǎn)云預(yù)測(cè)引擎以需求預(yù)測(cè)作為切入點(diǎn)，決策引擎則關(guān)注執(zhí)行過(guò)程中的計(jì)劃決策效率和決策質(zhì)量。對(duì)于商品的季節(jié)性的影響和市場(chǎng)的供應(yīng)的不穩(wěn)定性需要補(bǔ)貨決策合理跟進(jìn)；鋪貨完成后，具體倉(cāng)庫(kù)到門(mén)店之間的補(bǔ)貨，門(mén)店到門(mén)店之間的調(diào)貨，依然需要客戶(hù)的工作人員進(jìn)行大量的工作，來(lái)生成每一期的補(bǔ)貨、調(diào)貨方案；為了完成鋪貨、補(bǔ)調(diào)貨的同時(shí)保證市場(chǎng)狀態(tài)的松緊平衡，也需要一個(gè)合理的方案。

計(jì)劃決策的核心是庫(kù)存的分配，包含倉(cāng)庫(kù)庫(kù)存、在途庫(kù)存、店鋪庫(kù)存等。庫(kù)存管理是對(duì)制造業(yè)或服務(wù)業(yè)生產(chǎn)、經(jīng)營(yíng)全過(guò)程的各種物品，產(chǎn)成品以及其他資源進(jìn)行管理和控制，使其儲(chǔ)備保持在經(jīng)濟(jì)合理的水平上。利用歷史數(shù)據(jù)實(shí)現(xiàn)實(shí)時(shí)更新的需求預(yù)測(cè)，為企業(yè)提供補(bǔ)貨建議。合理地設(shè)計(jì)倉(cāng)儲(chǔ)貨架擺放，商品區(qū)域劃分，高低貨架擺放，入庫(kù)出庫(kù)最優(yōu)路徑調(diào)配等，可以為企業(yè)節(jié)省巨額的成本以及大量人力勞動(dòng)成本?？梢詼p少資金占用，提升庫(kù)存周轉(zhuǎn)率，提升自動(dòng)化管理，提高人員與設(shè)備利用率，降低庫(kù)存負(fù)擔(dān)。

運(yùn)籌優(yōu)化算出最優(yōu)調(diào)貨策略

奇點(diǎn)云某大時(shí)尚客戶(hù)，線(xiàn)下門(mén)店有幾千家，每家店有幾百個(gè)sku，通過(guò)歷史數(shù)據(jù)預(yù)測(cè)每家店鋪每個(gè)sku在未來(lái)的銷(xiāo)量，必然有的店鋪會(huì)出現(xiàn)庫(kù)存不足，而有的店鋪出現(xiàn)庫(kù)存積壓的問(wèn)題，那么通過(guò)將庫(kù)存積壓的店鋪的商品，調(diào)貨到庫(kù)存不足的店鋪，將會(huì)提高公司的整體毛利。店鋪與店鋪之間的物流成本不同，缺貨和積壓的商品種類(lèi)也有差異，通過(guò)運(yùn)籌規(guī)劃中的混合整數(shù)規(guī)劃的方法，計(jì)算出最優(yōu)的調(diào)貨策略，混合整數(shù)規(guī)劃的模型可以抽象建模如下：

通過(guò)對(duì)調(diào)補(bǔ)貨過(guò)程的建模求解，幫助客戶(hù)業(yè)務(wù)人員對(duì)應(yīng)的重復(fù)工作量減少了80%，計(jì)劃決策時(shí)間縮短了三天。業(yè)務(wù)人員能夠在決策時(shí)看到更多的數(shù)據(jù)依據(jù)，計(jì)劃決策輸入輸出清晰高效。

結(jié)語(yǔ)

客戶(hù)的業(yè)務(wù)流程中，大量環(huán)節(jié)會(huì)涉及到?jīng)Q策問(wèn)題， 如何高效利用數(shù)據(jù)來(lái)驅(qū)動(dòng)決策是奇點(diǎn)云決策引擎的核心。在上篇StartDT AI Lab專(zhuān)欄文章中我們提到了精準(zhǔn)需求預(yù)測(cè)的重要性，而實(shí)際中預(yù)測(cè)總是有偏差，帶有不確定性，需要在不同環(huán)節(jié)產(chǎn)生的多級(jí)不確定性情況下做出決策。結(jié)合需求預(yù)測(cè)和決策引擎，讓數(shù)據(jù)決策更加智能。未來(lái)我們會(huì)不斷在需求預(yù)測(cè)與決策引擎領(lǐng)域耕耘，幫助客戶(hù)創(chuàng)造更大的價(jià)值。