運籌優化,萬字長文:京東智能供應鏈背後的故事_風聞
谭婧在充电-谭婧在充电官方账号-偏爱人工智能(数据、算法、算力、场景)。-2021-06-17 21:15
原創:譚婧 **01.**劉強東有幾個問題,你能不能幫着出主意:(一)天下武功,唯快不破,手快有,手慢無,能在京東主站秒殺,都是俠客。秒殺商品一年365天可重複,但不能經常重複,因為消費者容易對打折疲勞。問題來了,請幫忙從京東500萬SKU的商品中,選出3000個SKU的商品參與秒殺。全年日日如此,截止到每天中午12點之前。你建議劉強東選哪些商品? (二)據説,沒有一頭驢,能活着走出河北。一位愛吃驢肉的保定朋友,在京東買了一個五香驢肉熟食禮盒,時效好,成本低,送到他家。地圖上看,河北保定,距離北京和石家莊的倉庫都挺近。問題來了,驢肉禮盒下單啦,你建議劉強東從哪個倉庫發貨? (三)後疫情時代,藥品、醫療器械、保健滋補的銷量就沒有穩定過,忽高忽低,有了零售藥房和在線醫療健康服務,這類商品的種類數量也大漲。以前一個人管10000個商品,現在一個人管15000個商品,漲了50%。問題來了,顧得了賣貨,就顧不了進貨。人不是機器,管不了這麼多數量的商品。你會建議劉強東怎麼辦? 這些問題,是劉強東的難題,也是京東員工的難題,KPI,OKR,績效,獎金,收入,也關係幾家上市公司的股價。
做生意,從簡單粗暴的奔放玩法,到了要思考戰略、步步為營、精打細算的時候了。京東也一樣。管理指標有幾百個,不能一個一個都拆開了講(第一,文章太長;第二,需要另外收費)。 且看,庫存週轉天數。 京東自營商品,把商品買進來,再賣出去。又進貨,又賣貨,所以,庫存週轉天數小,説明產品暢銷,商品流轉速度快。沃爾瑪,存貨週轉天數 39天。京東,31.2天。
供應鏈幾百個管理指標,劉強東都要極限數字。怎麼挑戰極限呢?這是一個好問題,可以開始講一個好故事了。 有三點: 故事的背景是什麼?是誰的故事?他們幹了什麼事情? 故事背景前文帶了一嘴,我們中國的企業,向管理要效率,要了很多年,毫不意外地,向量化、自動化靠攏。另一點,企業內部閉門造車的創新已經很困難了,要更多外部的人一起創新。供應鏈上就會講,和上下游一起創新。 從一開始,供應鏈就沒給自己起個好名字,耽誤了大眾的認知。明明是網狀的,比鏈狀複雜,還不如叫“供應網”。 在北京亦莊開發區的京東大廈,保安可依據一個人説不説得出“十節甘蔗”,判斷一個人的身份——訪客或者員工。 這十節甘蔗,是創意、設計、研發、製造、定價、營銷、交易、倉儲、配送、售後。眼神不好的,也看出來了,這就是供應鏈。花了十幾年,打造了供應鏈,未來要做的,就是死扣供應鏈管理指標了。 小問題,能解決,多派幾個能力強悍的人。但是,“供應鏈痛點”就不一樣了,連根拔起結構性的痛點,要出動好幾個部門。更可怕的是,不是公司內部問題,是上下游傳導來的“痛點”。 牽扯到公司以外了,有人會説,這又不是我的鍋。 每個人都聳聳肩,兩手一攤,這個事就黃了。 **02.**如今,京東自營90%的訂單,在24小時內送達用户。網購不是外賣,全靠小哥兩條腿跑得快。
從快遞小哥往供應鏈上游數,建倉儲網絡,每加一層,加1.4倍的錢。倉庫不能空着,鋪滿倉庫的安全庫存,是貨,也是錢。 沒辦法,這麼玩,就是到貨快。胡浩,2014年進入京東零售平台部。 那時候,做智能供應鏈這件事的思路,還是個小萌芽,按胡浩的話説,就是:“只有一件事最重要,就是供應鏈的效率。” 胡浩洞察力很強,三言兩語就能抓住事物的本質,複雜的東西,經他一點撥,醍醐灌頂。 智能供應鏈,要有供應鏈專家,還要有人工智能專家,一個都不能少。 胡浩的工作和大名鼎鼎的袁和平有點像,電影《黑客帝國》的武術指導。 在胡指導的帶領下,第一代智能產品的研發開始了,叫“自動補貨”,是一個CEO級的項目,劉強東都來站台了。 暗地裏,胡指導招兵買馬,藏了一批秘密武器一樣的特殊人才。 有多特殊?有多秘密?順豐科技、滴滴、美團,甚至華為諾亞方舟實驗室,也都隱藏着這樣的高手。 人羣中,衣着樸素,毫不起眼。實則,很多人是海歸畢業,博士學歷,解得一手好方程,編得一手好代碼。 他們就是運籌優化工程師,首先他們是算法工程師,意味着用各種算法,解決實際業務場景中的問題。實際問題比實驗室問題,約束更多,條件更多,限制更多,也更難。 這句話背後,包含了三種高含金量的罕見技能。 首先,運籌學(在抽象中,建模與優化),將實際問題化為一個優化問題的求解。其次,大數據與人工智能(數據分析、數據挖掘、深度學習)。運籌優化和人工智能,這兩個領域之間的交叉研究也多。 交叉學科,與傳統意義上的跨學科不一樣,要打破割據,做徹底聯合的努力。(這句話也透露出面對很多難解問題時候的無奈。) 這樣的人才很稀少,人力資源客客氣氣地説:“你等一下,胡浩親自來,吸(勸)引(説)你。” 即使這樣,也一崽難求(庫存優化方向、智能預測方向、收益管理方向、履約決策優化方向)。
為什麼?
粗算一下體量差距,我們看看知乎APP話題關注人數,運籌學約1.7萬左右,機器學習約100萬,人工智能約140萬。 換句話説,胡指導帶的團隊,是熱門(人工智能)裏的冷門(運籌優化)。 2016年 11 月 24 日,零售平台部改名叫Y了,放了一堆酷學歷、硬科技背景的人。據説,Y已經是整個京東高學歷人羣密度最高的部門。 對,就是未知數XYZ的Y。 胡指導作為研發帶頭人,常説:
“智能化是終極目標,但是,我們要沿着規則化、線上化、自動化、智能化分步走,離開了業務專家knowhow(技術訣竅)的智能產品,是沒有命活下去的。”
胡指導説的“沒命”,就是技術再酷,用起來才算數。
團隊當中,有兩位博士,一位叫康寧軒,一位叫戚永志。他們分頭在兩款不同的智能產品上不斷努(脱)力(發)。 日曆翻到了2017年1月,京東坐擁規模龐大的物流基礎設施,本可高枕無憂。但是,預見到了一個糟心事兒,配送站選址,怎麼讓配送更高效?康寧軒是清華大學管理科學與工程專業博士畢業,他作為高級算法工程師,也很早就開始琢磨“配送站智能選址”。 聽上去,這個和房地產的邏輯,有些類似。最重要的就是“位置”,“位置”,還是“位置”。配送是重金砸出來的,選址決定配送起家的成本是多少。 選址規劃原本靠經驗,定出個年度計劃要一個月以上,耗時就不説了,人為犯錯的成本還很高。 那麼,如何科學可量化站點選址?胡指導敲敲桌子:“重點是,成本和效率。” 項目的開頭,如果能把物流配送的最後一站,全部拆了重建,重新規劃,倒是簡單了。 這樣做,你試一試? 一羣穿紅色衣服的京東快遞小哥把你辦公室團團圍住了,他們可能會嚷嚷:“是誰,是誰強迫我們站點搬家?站出來。” 康寧軒博士用腳指頭也能想到,這麼幹不行。 於是,只能從現有系統,過渡到更高效的系統。可是,算法的可優化空間受到極大限制。 一來,京東的配送規模非常龐大。 二來,業務同事列出一堆的業務限制。滿足不了這些限制,你就走。 康寧軒博士説起話來,文質彬彬,他平靜地説:“這樣導致優化模型中存在大量的變量和約束,給模型求解帶來挑戰。” 對於這點,我專門電話請教了申作軍教授,他是美國加州大學伯克利分校教授:
“為什麼約束條件越多,算法越難解?”“這就跟你相親條件越多,越不容易找對象一個道理。” 申作軍教授開啓一語道破天機式科普。原來供應鏈的痛點,和“單身狗”的苦惱一樣難解。 求天,求人,還得求緣分。 就像《時間簡史》不 “撿屎”,康寧軒博士也不管“猿糞”,他和團隊要做“智能建站”。 於是,建立了一種多週期設施選址的混合整數規劃模型,設計了一套高效求解算法,以年作為規劃週期,為配送系統制定每月站點調整計劃。 所有的智能都會和人腦有終極一戰。 “智能”做不過“手工+經驗”,那就下崗吧,胡指導的面子也不是砧板。 最後,康寧軒博士贏了。和人腦比較起來,智能建站是一套自動評估決策的機制,僅在數小時內即完成全年的站點位置規劃。
康寧軒博士自豪地刷出一串數字,他説:“與手工計算方案相比,智能建站方案總計年可節省成本超8200萬元,佔網絡總成本的4.2%。從終端站點到客户的包裹平均配送距離可減少20.9%,從3.83公里減少到3.03公里。” 寒來暑往,2018年12月,項目結束。做事一項低調謹慎負責的康寧軒博士,激動地發了朋友圈“時隔多年,又見論文錄用”,恰巧被我看到了。 “配送站智能選址”項目結束了,我問他:“你是啥心情?”他説:“通過自己的專業知識,對京東現有配送網絡做出優化和改進,為全社會物流成本的降低貢獻一份力量,感到非常欣慰。” 論文《基於多期設施選址模型的京東配送網絡優化》,英文名:JD.com Improves Delivery Networks by a Multi-Period FacilityLocation Model,發表在應用運籌學領域的學術期刊Informs Journal on AppliedAnalytics上。這是美國運籌學與管理科學學會Informs旗下的重要期刊之一。
那個五香驢肉熟食禮盒,送到保定朋友家裏的奧數題,已經讓配送站智能選址項目,把答案偷偷寫給劉強東了。 **03.**挑戰極限的念頭一旦動了,有些人,就不可能真正放下。 胡指導想讓供應鏈身手敏捷,越來越“聰明”,不像傳統供應鏈,很僵化,沒貨只能吵架,拉車去搶貨、乾等枯坐。 胡指導拿了一堆模型、算法、規則,直奔智能化而去,對零售業務的專家們來説,這都是上好的武器,拿來練武藝。 時間回到2017年,智能補貨,前兩代還算順利,第三代差點要人命。而第三代的技術也真正走進了全球供應鏈技術的第一梯隊。 作為堂堂武術指導,胡浩搬來武林宗師申作軍教授,他背後還有京東硅谷研發中心的幾百號專家。
圖示:京東硅谷研發中心説幹就幹,2017年12月,常年在美國的申教授坐到京東辦公室裏了。 胡指導和申教授一拍即合。 申教授説:“我為擁有最全面數據的零售供應鏈和最有挑戰的供應鏈問題,而來。” 陳磊是2014年9月底進入Y。陳磊的特徵很明顯,隨便掃兩眼就知道,他已經修煉到了研發人員的第十級。從入門到頸椎病,必看《頸椎病康復指南》。表面上,辦公桌擺了十盒通絡祛痛膏;背地裏,他還要去針灸。 智能補貨有多難,不消多説,你看這個項目,上了多少大神。 申作軍教授、胡浩、陳磊、戚永志博士等研發團隊的一幫人,天天在一起,幾個月後,他們有了一個共識:
“用機器學習的方式來解運籌的問題,而不是用運籌的問題來解一個機器學習的算法。”
當你面對面聽到這句話時,彷彿能看見,胡指導帶着研發團隊,齊刷刷擎着雨傘,從漆黑的暴風雨中,快步走出,伴着電閃雷鳴,霸氣逼人。
圖示:左起第五位,胡浩(胡指導)胡指導很清楚,老的方法已經把效率提到了極致,前進一步都非常困難。
申作軍教授是這個項目的學術帶頭人,我常常纏着他請教:“有一個小問題,結合供應鏈,運籌優化問題的難點在哪?”
申作軍教授先否定了“小問題”的説法:“這可不是小問題喲。” 接着,他又回答道:“難點在於,信息的不確定性和缺乏有效的求解算法。”
你知道人類最大的武器是什麼嗎?是豁出去的決心。最艱難的不是開頭,是重建,因為那是另一種形式的開始。 火雲邪神,沒有出手,京東自己動手,震碎筋骨,重新生長,打通“智能”的任督二脈。為了“效率”,哪怕把整個公司的流程都改了。 2020年2月,自動補貨系統,正式下單,總感覺缺個儀式,就好像新娘要揭開紅蓋頭。 沒想到,這個“紅蓋頭”是被運籌與管理領域最權威的一批專家,掀起來的。 2020年11月24日,論文《基於深度學習的實用端到端庫存管理模型》(A Practical End-to-EndInventory Management Model with Deep Learning),被頂級期刊ManagementScience錄用。
一位從美國留學回國的算法專家,原本還在猶豫要不要接另一家公司的offer,看見這篇論文立刻説:
“馬上辦入職手續。”
出發時,這一切,根本無法想象。胡浩感慨:“你要是問我當時的心裏話,我都不認為智能補貨有成功的希望。” 算法預研在2019年,那時候的胡指導,卑微極了,智能還是智障,都解釋不清,只能從小做起,從“給人建議”起步。 不是每個瞬間都充滿鮮花、掌聲、香檳和慶祝,誰都必須經歷這些低谷。那時候的胡指導,哪敢想象以後還有自動下單,智能託管和超級自動化。科幻電影看個100部,也編不出來。 2021年,誰也沒有想到,“自動補貨”的下一個階段“智能託管”,説來就來。
圖示:“自動補貨”即圖中“自動下單”,“智能託管”即圖中“深度託管”。**04.**因大流行肺炎,人類付出巨大代價。2021年,自詡萬能的生物,無奈承認,這病難以徹底從這個星球上根除,還時不時竄出來嚇唬人。 供應鏈裏,一個決定決定着下一個決定(這不是繞口令,嚴肅理論叫做牛鞭效應)。技術改變了傳統的供應鏈。供應鏈,從靠人腦分析總結,向智能化過渡。這個過程是緩慢的,需要耐心。然鵝,大流行肺炎一來,全行業翻了天。 供應鏈,快步邁了幾大步。
京東集團副總裁、京東健康CEO辛利軍曾表示:“往前算20年,都沒有什麼力量能像這件事(新冠疫情)一樣,改變了人們的健康消費和看病買藥習慣。”
單單談數字化,難以勸服人,佈道者説一千道一萬地勸傳統行業,加入數字化。 可是,傳統零售的採購和銷售,他們不在意,也不關心。內心旁白:“跟我有什麼關係。” 但是,當你説到流程,這就有關係了。流程是每天、每週、每月,一定要用一定的規則去做一些事情。 這麼説有點抽象,我舉個例子,進貨,你得下單,這就是一個必備的流程。 早期,採購專家可能每天在 Excel表裏導一堆數據,觀測過去7天、14天和30天的銷量。 講真,數量少還可以,用肉眼觀測。十萬百萬行的表格,你怎麼觀測。 你只能邊觀賞,邊感慨:“哇塞,公司業務發展可真快呀!” 下一步,你還得計算,算未來一個月,我要賣多少的銷量,結合過去7天、14天和30天的銷量。 這些計算,都是預測,算完了,去下單。 當然,還有去哪裏下單,貨從哪發到哪,天天這麼個計算量,這裏就不展開講了。 (僅京東健康就在全國範圍內擁有241個藥品和非藥品類的專屬倉庫。) 鬧了個疫情,2020年上半年,京東健康日均在線問診量達9萬人次,是去年同期的6倍。2020年618期間,慢病用藥成交額同比達到了270%的高速增長。 這意味着,之前一個人管10000個SKU的商品,現在一個人管15000個SKU。漲了50%。
太禿然了,讓人怎麼活?有道是,福無雙至,禍不單行。生意在大步增長也就算了,管理的精細度也在增長。 採購專家心情陰鬱,天色烏黑,內心在下磅礴大雨。 胡指導和他的團隊,伴着電閃雷鳴,又出場了。台詞是:“聽説下雨天和智能供應鏈更配?”2021年的某個春日之晨,意見分歧和瑣碎爭執都已無關緊要。銷售採購和研發被同一個目標緊緊捆在一起,團結在一起,決心把事辦成。方案討論會上,瀰漫着相互尊重和支持的氣氛。 會上坐着一位女士,京東健康供應鏈服務部負責人,王海華。 王海華管什麼呢?整個京東健康的全部庫存,都歸她管。多霸氣。 她説話做事,乾脆利落,開門見山,直奔主題:“你的(智能)工具的導入是要時間的,到底用智能化工具的時候有什麼樣的痛點,單純做調研和訪談是很難深入瞭解的。” 為了率先表示誠意,胡浩拍拍胸脯説:“我外派一個全職員工,直接去你那裏辦公。” 當時,一拍即合,胡浩團隊的人,到採購團隊,不僅僅是輪崗或者學習,更多的是上手親自操盤採購。 那個換了工位的研發員工叫做招揚,他內心可能會説:“當時,我的靈魂,裂(怕)開(極)了。” 因為他需要直接去操盤採購,最終,出方案。 堂堂數據科學家,拳打《高等數學》,腳踢《統計學習方法》,難道搞不清楚該進多少貨? 那時候,高效且有建設性的溝通方法,可能是往對方臉上扔東西。這樣,至少發泄了胸中憋着的怨氣。
團隊的研發專家熬了幾個通宵,髮際線又後退了一釐米。一個獨創且有專利性的東西,問世了。研發專家內心想求表揚:“讓誇獎來得更猛烈一些吧。” 採購專家站起身,看了看,又坐下了,笑容僵硬地説:“説來慚愧,我用起來一丁點感覺都沒有。” 求表揚的心枯萎了,研發專家很沮喪。 然鵝,研發專家一抬頭,辦公室為什麼很吵?原來,昨晚順手加的一個功能,讓整個採購團隊興奮了一上午,以後不用手工填數填到眼瞎了,這個功能就叫“批量導入導出”。
研發專家甩出了3000個白眼,內心獨白:“你這也叫技術含量?我一個算法的迭代,精度提高40%。”
別説處理表格,以前需要人工寫個SQL語言去庫裏拿數,現在這些事情都交給“採購智能託管”去幹了。 這期間,王海華的團隊和研發專家們,有截然不同的感受。 王海華説:
“這一切告訴我們,採購智能託管,哪怕一個小巧思,帶來的也是上百個採購人員效(不)率(用)提(加)升(班)。”
研發專家的感受,比初戀還深刻:
“你不僅要技術領先,還需要良好的溝通能力去説服別人,怎麼更好地使用技術。” 對了,終極一戰都是,智能產品要超過“人類”。
王海華團隊原來的工作量,胡指導團隊十分清楚:假如一個品類,有10000個SKU,有8個倉,安全庫存就是10000×8=80000。一個人不可能每週挨個去細算8萬行數。
“我們弄了一套方案,肯定沒問題。”
王海華説:“我不信。”
“採購智能託管產品,管理得好。”
王海華堅持説:“人類,管理得好。”
雙方,陷入了僵局。 王海華實在很缺人,想到缺人這事,拳頭都不由地攥緊。人手不夠,短期解決不了,她其實希望智能產品來幫忙,但畢竟要支撐銷售的,她擔心管不好,給銷售造成損失。 招揚説:“不然,我們拿歷史數據來算一遍,古今對比,人機大戰。” 讓人類和機器比拼,怎麼比?胡指導團隊讓“採購智能託管”算去年的量,再拿真實的一比。 實際上,就相當於用炒股模擬盤。把計算機出的炒股的策略,放在去年漲跌裏,算一遍,用這個策略,到底是虧還是賺。 招揚“鑽研”歷史數據,就快編一本供應鏈的《5年高考3年模擬》了。 模擬盤結果出來了,嚯,約90%多是比去年強,約10%不如採購員工的“手藝”。 事實讓王海華接受了這個東西,還和研發一起研究如何用得更好。如今,王海華手下近75%品類的商品都用上了採購智能託管產品。“託管”之後,喜訊連連,週轉天數同比下降十天左右。 回到開頭説的,福雙至,禍無影,終於做到了。生意,大步增長,管理精細度,也在增長。
胡指導説:“目標是覆蓋越來越多的品牌,一路做下去。”
過去,供應商打電話:“我要斷貨了,你趕緊囤!”多緊張。現在,自動下單,多逍遙。節約了採購人員的時間,他們都去“摸魚”了嗎? 王海華談道:“採購專家要和人打交道,上下游協同的工作是人與人交流,把控關鍵風險點,不能在辦公室裏被Excel表格困住。” 招揚,是數據挖掘工程師。他負責用智能來優化庫存。 這事兒成功的背後,是有很多位王海華和招揚 ,他們當中,缺了誰都不行。 供應鏈管理是彈性的,人為的因素很多,面對很多不確定性。而用好人工智能技術的地方,就是人多且效率低的地方。 供應鏈是溝通出結果的地方,要和人打交道,去理解需求。給“人”騰出時間,就創造了價值。 所以,供應鏈是一個很適合用人工智能技術的地方。 感受到供應鏈的變化,子彈需要飛一會。 知乎APP有一個幾句話的帖子,閲讀量5.5萬。
“(我)媽媽長期在網上買治療神經的藥物,説價格比實體店便宜一半,一盒依帕司他,實體店40多,網上才20多,到貨以後掃描也顯示是正品,有可能是假藥嗎?如果不是,醫藥行業的利潤真的這麼大嗎?”知乎體的問題是:“網上買藥為什麼比實體店便宜,價格近乎懸殊一半,藥到後經掃描顯示是正品,這是為什麼呢?會是假藥嗎?” 很多人不知道,京東健康旗下的京東大藥房,是國內最大的線上零售藥房(按收入計)。這背後,是供應鏈帶來藥品流通環節中的效率提升。 藥品利潤,這個很敏感,很不好講,不知道就動了誰的奶酪。我們僅看,用庫存週轉,怎麼把商品成本降下來。 如果你能準確預測某一商品銷量在全年的哪幾天最高,那就在增長前,把商品提前一天備在倉庫裏。否則,為了你隨時下單都有貨,京東全年都按最高銷量備貨,成本是很高的。 比如,100天裏有99天賣1件,1天賣100件,如果要保證365天有貨,一天缺貨都沒有,就需要天天備100件庫存。如果準確預測了是哪天賣100件,就可以大部分時間只備1件貨,大大降低了庫存水位,優化了週轉,從而節省了成本。(週轉次數就是用銷售量除以庫存:前者199/100=1.99,後者199/1.99=100。) 把備貨的成本省下來,你就得預測準確,越準確,就越省錢。 這是規律,不是秘密。 抓住供應鏈的規律,讓商品週轉天數下降,帶動商品供應鏈成本降低,售價自然能降低。關鍵在於,有了智能產品,才能精細化地管理採購,才能給商品降價的空間。這裏的利潤,不是從別人嘴裏搶來的,而是從量化管理中摳出來的錢,歸根結底,是效率創造的。 這一切,來自京東供應鏈的底氣。爆漲的單品數量怎麼管,劉強東也有答案了。 **05.**網購,貴在手速。用兵,貴在神速。如今,智能供應鏈也打起了“閃電戰”。 眾所周知,京東管理了超500萬自營SKU。在過去,是純人腦決定哪些商品,以什麼樣的價格,參與哪天的秒殺。比如,電腦顯示器這個品類,工作人員每人每天花好幾個小時提報,僅一週人工提報的次數,就超千餘次。 2021年年初,用智能系統選擇參加秒殺的商品的項目開始了,京東的博士管培生徐文傑駐場深度操盤調研。現在,初戰告捷,僅秒殺智能選品第一階段,就節省員工50%的精力。 到底選哪些商品拼手速,劉強東也有答案了。 眼下風尚既變,無人超市、社區團購、直播帶貨,但是,依然圍繞人、貨、場三件寶。無論寶貝怎麼變,供應鏈是根本。 胡指導説:“自動化絕對是根據公司的需求來做,分階段來做。如果在不合適的階段,你太着急上自動化,會有反作用,會造成公司損失。如果業務模式都沒有跑出來,業務不成熟,玩法一天一個變,智能系統怎麼支持?” 618走過十八個年頭,爺青結。 這十八年,供應鏈功不可沒,讓人從容面對巨型流量。 我相信,京東不會説:“保護好智能供應鏈的配方,不要泄密。”因為供應鏈創新2.0,已經不是秘密配方的時代,再説得難聽一點,在供應鏈上閉門造車,沒用。 智能供應鏈,是一個未完成的故事,也許永遠也不會結束。京東零售智能供應鏈Y業務部負責人劉曉恩説,把“庫存週轉天數降至31.2天”是一個世界級的數字。用胡指導的話説,就是:“我們也很想知道,智能供應鏈提升效率的極限,到底在哪。”
(完)「親愛的數據」出品這次分離,不説再見——對技術有興趣的讀者,請向下移步。 康寧軒博士補充説明:在搭建優化模型的過程中,反反覆覆考慮京東配送網絡中存在的限制。其中較為特色的是,本次建模加入了同一配送站下各個路區間的連通性要求,即歸屬於同一配送站點的路區兩兩之間必存在可達路徑。 建模連通性需要引入大量的決策變量和約束,加之本就龐大的問題規模,僅依靠優化求解器和常規的啓發式算法無法對問題進行高效求解,由此Y算法團隊創新地提出了一種利用嵌套熱啓動機制的基於鄰域的啓發式算法,鄰域的設計用以平衡最優性和計算效率,而嵌套熱啓動機制的引入可幫助加速計算過程。 戚永志博士補充説明:常規補貨是分步走的補貨思路,這是一個常態化解決補貨問題特別有效的一個思路,當然為了更極致化的優化週轉,佈局未來技術,我們提出了端到端補貨模型,這個思路在行業內都是比較領先的。 預測+補貨模型+參數推薦這種思路的優勢在於可解釋性相對較強,業務側可以調控的手段比較多,但是問題在於預測誤差的累積和放大,以及中間環節的優化目標和最終的目標並不是完全一致的,比如預測準確度的提升,不一定帶來週轉的優化。 我們的思路是基於原始輸入直接輸出補貨結果,去掉中間環節。這樣可以通過一個大的神經網絡模型去學習這種對應關係。想學的好,就需要告訴模型歷史上最佳的補貨效果是什麼樣的。要找到這個歷史最佳,對我們來説是一個非常大的挑戰。我們需要構建一個大的運籌優化模型,回算歷史上所有補貨行為對應的最佳補貨效果,有了這個歷史最佳表現,才有了我們構建訓練樣本的基礎。 這個運籌優化模型刻畫了一個多週期的補貨問題,其中考慮了供應商送貨以及需求的不確定性,優化的目標是全週期的成本最優,這個問題的求解是非常複雜的,但是我們發現這個模型符合動態規劃遞歸的架構,通過對這種動態架構的理論推導,我們能夠得出在給定的補貨時機下的最佳補貨量,在論文中我們給出了詳細的推導過程中,以及這個最優補貨量的計算方式,有了這個最優補貨量,我們就能夠對歷史上所有的補貨行為賦予一個最佳的補貨量,以構建最好的訓練樣本,有了這些訓練樣本,深度學習模型就能夠去很好的去學習了。 在構建深度學習模型的時候,我們是在MQRNN的基礎上,引入供應商曆史表現以及成熟的補貨模型結果作為重要feature,設計了一種新的網絡結構,這個網絡結構主要包含三部分核心模塊,分別為需求預測模塊、送貨時長模塊、綜合決策模塊。三個模塊均有各自的輸出,前兩個模塊各自獨立輸出最終結果,但兩者的隱藏層則拼接並結合補貨間隔與初始庫存共同輸入綜合決策模塊,進行最終補貨量的預測。最終模型通過多任務學習的方式,賦予三者不同的損失權重進行模型訓練。同時保證模型的精度與一定可解釋性,最終通過長達8個月的線上生產環境的AB 測試,我們實現了週轉和現貨的雙優化。
最後,再介紹一下主編自己吧。我是譚婧,科技和科普題材作者。圍追科技大神,堵截科技公司。生命短暫,不走捷徑。還想看我的文章,就關注“親愛的數據”。
親愛的數據順着數據寫人工智能, 順着技術寫產業落地。