DataFunTalk | 数据在零售供应链领域的应用

本文来源公众号“DataFunTalk”，仅用于学术分享，侵权删，干货满满。

原文链接：数据在零售供应链领域的应用

导读 本次分享题目为数据在零售供应链领域的应用。

主要内容包括以下四大部分：

1. 供应链数字化面临的挑战

2. 供应链数字化转型架构

3. 聚沙成塔：供应链控制塔

4. 点石成金：供应链金融

分享嘉宾｜赵昊宇 菜鸟集团-物流科技事业部-副总经理 

编辑整理｜袁洋

内容校对｜李瑶

出品社区｜DataFun

01 供应链数字化面临的挑战

1. 业务背景

菜鸟成立于 2013 年，是电商物流行业的全球领导者。菜鸟孵化于阿里巴巴全球最大的电子商务生态系统中，构建起了一张全球智慧物流网络，通过不断创新，满足高速增长的复杂电商物流需求。领先的科技能力，与深刻的电商理解相结合，让菜鸟在每一个业务领域均成为领导者。菜鸟是全球第一的跨境电商物流公司，业务涵盖国际快递、国际供应链、海外本地服务。通过“全球 10 日达”、“全球 5 日达”等颠覆性解决方案帮助中小企业开展跨境贸易。菜鸟是中国顶尖的电商综合供应链解决方案提供商，帮助品牌和商家轻松应对全渠道的供应链复杂难题。凭借开创性的逆向物流产品，同时也成为中国最大的逆向物流解决方案提供商。

2. 零售供应链的业务过程

零售行业的供应链业务过程是一个很长的链条，首先是制造网络，从产品研发开始，经过原料采买，再进行生产制造；然后进入供应网络，生产出的货品进入到多级仓网中；再进入分销网络，通过渠道商和电商平台进行销售，最终抵达消费者手中。

整个供应链是非常复杂的，而为了更好地服务于消费者，对整个过程的效率要求又是极高的，这就构成了一对矛盾。另外，在保证消费者服务效率的同时，精确的预测消费者需求可以极大地满足供应链低成本的要求，但是长链路和业务的复杂性又给精确预测带来了极大的挑战。供应链的最终端是将商品运送给消费者，因此是一个消费者驱动的网络，当一些爆款产品或大促活动出现时，会导致供应链不稳定，因此对供应链的弹性和韧性也有很高的要求。

3. 供应链企业面临的业务问题

在复杂的业务场景中，供应链企业通常会面临如下一些问题：

（1）多系统、多渠道，信息之间形成孤岛

• 多 WMS 系统，无法在货品粒度做一盘子库存管理和计划

• 不同的系统间看数据需要频繁的切换账号

• 信息存储异构，例如 A 仓对残次品划分是轻\中\重,B 仓是残\瑕，数据分析过程中处理工作量大

（2）缺少科学的供应链计划指导生产排产和库存补货

• 没有数据支持，担心生产过剩带来浪费，或者供应不足错失市场机会

• 复杂的市场环境，营销活动众多、直播等营销方式的兴起、销售渠道多元化、需求的不确定性大，仅靠经验已无法完成决策

（3）无数字化的库存管理，库存成本黑盒

• 库存货值占用了多少资金，资金的利用效率如何

• 有多少坏死库存需要清理，以节省仓租支出

• 预警临期库存和滞销库存，及时制定促销策略避免损失

• 库容有没有浪费，面对大促等备货激增的场景，有没有爆仓风险，如何做到弹性

（4）订单种类多、数量大，链路长，人工跟进效率低

• 采购、调拨、发货订单来自不同的平台，需要在多系统间来回切换进行订单跟进

• 常涉及多部门多环节，不清楚哪些环节需要改进和补充产能

• 对异常状态的感知往往是滞后的，合作伙伴或消费者找来了才知道

4. 供应链企业数字化转型的挑战

上述业务问题实际上反映了数字化转型所面临的挑战。

（1）长链条的业务形态

供应链业务环节多，上下游之间牵一发动全身的特点明显。在供应链业务中有一个经典的名词：牛鞭效应，讲的就是供应链上的一种需求变异放大现象，使信息流从最终客户端向原始供应商端传递时，无法有效地实现信息共享，使得信息扭曲而逐级放大，导致了需求信息出现越来越大的波动。

（2）企业间数据隔离

供应链业务在执行过程中，上下游企业间需要保持畅通的信息互通，但是企业间数字化程度不一致，企业间商业合作深度各异，都会导致企业间的数据无法有效互通，甚至由于数据隔离导致供应链的稳定性受到影响，从而带来成本上升、需求满足率下降等业务影响。

（3）企业内数据孤岛

大量供应链企业的信息系统是根据业务需要不断迭代的结果，往往存在企业内不同地区不同分、子公司使用的系统都各不相同，互不相同，从而导致企业内数据结构、数据质量等参差不齐，最终影响了企业数字化转型的进展，或者带来高昂的数字化成本，阻力重重。

（4）行业信息化水平低

供应链行业历史悠久，其产业属性明显，相比于现代科技公司，业务过程中充斥着大量的人工操作、线下流程，数据无法在线化。即使通过管理手段在线化后，也依然存在数据质量差，断点明显、时效性低，数据无法真实反映业务状态的情况。某些公司通过大量投入自研或者采购信息化系统，但是由于业务人员工作习惯、思维模式等，难以推广信息系统的有效使用。

5. 供应链业务问题反映出的数据难点

数字化转型中的数据难点主要包括：

（1）难以采集的业务数据

供应链上的业务环节有大量的离线作业，比如通过 excel 传输数据文件，甚至通过手写纸质单管理仓库货品。同时，大量生产设备等未接入网络。

（2）难以统一的数据标准

供应链上下游企业间，以及企业内部不同分公司之间，甚至不同系统间的数据标准定义和格式各不相同，难以融合处理。

（3）难以提高的数据质量

供应链企业的数据采集过程受操作者、生产环境等因素影响较大，数据缺失、乱码、错误、乱序等情况层出不穷，难以恢复，清洗困难。

（4）难以挖掘的数据价值

小数据量难以通过大数据模型算法得出更具价值的数据资产，且多数供应链企业数据意识薄弱、专业人员欠缺、价值场景缺失，数据价值挖掘还处于拓荒阶段。

（5）难以推广的数据应用

数据应用上线后，往往由于用户的工作习惯、思维模式、管理规范等影响，无法得到很好的推广应用，从而导致数据类产品应用无法在企业运营管理中产生正向影响。

02 供应链数字化转型架构

1. 零售供应链的分层演化

在信息系统出现之前，供应链就已经存在了。原始级供应链通过纸质或者 Excel 和 OA 系统来传递信息。流程级供应链升级为使用 ERP 或者 OMS 系统。这两个级别都属于传统的供应链。

在有了信息化的基础上，我们希望从中抽取数据，构建一个整合级供应链，相比于下面两级有着更强的整合能力和应用能力。有了数据，可以看到整个供应链的过程表现，更进一步就是希望利用算法能力去做预测、计划和协同，因此迈向了协同级供应链。最终，可以针对不同的场景将算法应用到整个供应链过程中，实现智慧级供应链。

2. 零售供应链的数智化架构

供应链的数智化架构如上图所示，自下而上主要包含了物流云、信息系统、数据中台、算法模型、数智应用和长期战略。信息系统、数据中台主要进行底层数据的应用、收集和整合。智慧供应链根据不同的场景，整合过往经验和思考，用算法作为补充，从而实现智能化的过程。

3. 零售供应链数智化基础底座-物流云

为了应对复杂的业务场景，常见的云产品都有很多针对物流场景的定制。各个物流企业会使用不同的云，由于对成本的高要求，常常会有切换云或多云整合的需求。菜鸟物流云则更注重于多云整合，以尽可能低廉的价格来支持丰富的上层应用。并且根据不同的物流场景打造了各种云应用，比如针对物流场景下外呼、评价、调研等场景，打造了客服云；视觉云则会利用摄像头设备去监测整个物流履约过程中的包裹破损等情况；通信云用来满足外呼、短信等需求。

4. 零售供应链数智化信息采集-IoT

我们通过各种设备来进行信息的采集。例如通过入库出库过程中手持扫描设备、高位扫描仪等扫描包裹，以及利用 RFID 标签来支持库存盘点。对于不同场景有着丰富的自研 IOT 设备，来满足一线业务采集数据的需求，实现高效的业务追踪和监控。

5. 零售供应链业务层的信息化-OWTB

OWTB 套件用来帮助不同业务域实现信息化。其中：

O 代表物流接单过程中的 OMS 订单管理系统。

W 代表仓内实操作业过程中对仓进行管理的 WMS 系统。

T 代表包裹运输过程中的 TMS 系统。

B 代表供应链资金结算需要的 BMS 系统。

6. 数智供应链：数据驱动的智慧级供应链

通过 OWTB 和 IOT 设备已实现原始级供应链到流程级供应链的跑通，要向更高层级迈进，则需要引入算法以及大数据的能力，从而打造智能化的供应链。接下来就将介绍数据产品如何利用算法服务于供应链业务履约。

03 聚沙成塔：供应链控制塔

1. 供应链控制塔是企业数字化与数智化的中心场

供应链控制塔衍生于机场控制塔。机场控制塔负责指挥整个机场的飞机起降和交通运输，而供应链控制塔则指挥整个供应链的业务履约。

供应链控制塔是企业数字化和数智化的中心场，在菜鸟的应用中主要发挥着两方面的作用，一方面基于信息系统对供应链过程中大量线下过程进行数字化改造，并利用 RFID、IOT 等技术快捷高效地采集数据，不断拉动业务数字化进程。另一方面结合业务场景，将大数据和算法应用到业务的分析和诊断过程中，为优化运营提供策略，推动运营数智化的演进。

2. 供应链控制塔聚焦两类用户和五大能力

供应链控制塔主要服务于高层决策和业务运营两大类用户。

主要包括五大能力：

• 全景可视：横向串联和量化供应链业务

以数据的方式描绘供应链各个链路的现状，帮助高层管理和业务运营人员纵览全局。

• 异常告警：主动式的问题发现和预警

不同于被动的数据波动预警，控制塔会结合业务主动推送预警。例如，出现包裹运输延误的情况时，主动以短信的方式提示消费者。

• 智能诊断：输出基于 BI+AI 能力的业务优化方案

例如在零售行业中，货物运输和人员调配通常面临复杂的场景，传统的人工调整和优化很难实现效率的最优解。这时就需要结合算法，给出一些建议。

• 辅助决策：提供人机结合点进行决策制定

在实际的业务场景中，算法建议和真正的决策落地之间还有一定距离，因此引入了辅助决策的功能，加入了人机结合点，以帮助算法调优。

• 业务协同：决策结论闭环反馈给各业务部门

在得到最优的算法后，就要推到业务流程中，进行业务协同。

接下来将具体介绍其中的一些能力项。

（1）全景可视

可视化方面，除了传统的二维可视化功能之外，我们还做了一些数字孪生相关的应用。比如在物流仓储环节，给员工穿戴智能设备，这样就可以智能感知到员工的作业环节位置和身体体征等信息，当工作负荷过重时，就会考虑减少其排班。通过控制塔中的可视化功能，可以打通计划、采购、生产、仓储、物流的全链条，从而帮助我们感知到整个供应链的过程和表现。

（2）异常告警

在供应链的各个环节中都可能出现异常，我们定义了很多异常模版，标记出需要重点关注的异常，从而实现主动式的问题发现和预警。

（3）智能诊断

上图展示的是零售行业常见的一个场景，即运输优化。计划人员或排班人员需要根据订单、货品、车辆等数据将订单和车辆进行匹配，其间就需要一些复杂的运输优化算法来提供支持。

调度场景是非常复杂的，个人很难统揽全局，并且存在一些特殊业务逻辑，比如某些货品对车辆有特殊要求，更加大了调度的难度。

这里主要使用了两个算法，一个是路径优化，根据具体需求优化发货顺序、物流线路，从而提高时效，降低运输成本。另一个是装箱算法，根据货物体积形状，以及车辆情况，辅助货运司机高效装车卸车。

通过这些算法，可以提升订单满足率、配送效率以及装载率，同时降低运输成本、油耗和延误。

（4）辅助决策

虽然算法可以为决策提供非常重要的参考，但仍不能完全替代人。例如，当一个算法给出一辆车一天需要运输 20 小时，而另一辆车一天只要运输 4 小时的方案时，是缺乏人性关怀的。因此需要通过一些人机结合点，让人工辅助决策。

在控制塔产品端也做了一些设计，如上图所示，对于运输方案，会提供左侧的一些方案对比，调度员根据这些数据可以手动调整方案。例如，可以手动拉长司机休息时间。这样就可以结合算法和现实情况，做出最优决策。

（5）业务协同

最后是业务协同。供应链控制塔会从业务系统中抽取数据，进行算法的应用，之后再将结论给回到业务系统，这样就成为了业务流程中的一环。

以供应链计划场景为例，这是整个供应链中最为核心的一环。传统的供应链计划是由人工进行数据获取，并依据经验制定计划。菜鸟的供应链计划是将实际业务过程与运筹优化相关算法相结合，基于智能的、低成本的方式来做好计划。

整体的执行过程为，首先要看清供应链流程中的业务表现，通过全链路可视化分析得到一些数据指标，接着通过多目标仿真工具来获得优化方案，业务人员拿到算法给出的建议后进行人工的微调，并进行跨部门的协同，最终得出可以执行的结果，并推送到相关联的系统中驱动业务执行计划。

3. 数据中心：供应链控制塔的数智内核

前面介绍的五大能力都是在围绕数据进行应用。如上架构图展示了企业级数据中台是怎么搭建的，包含了数据的存储集成治理、资产的沉淀，以及数据资产管理和建设平台，最终挖掘出数据中的价值。

供应链中有很多不同角色的公司，都需要参与到供应链流程中，因此需要进行数据交换，为了兼容不同的数据格式，并保证数据安全，我们通过数据交换平台来实现兼容和转换，还可以进行数据服务的编排，从而实现跨公司间高效、安全的数据交换。

在整个供应链管理中，我们会非常关注产品流、信息流和资金流。接下来就将介绍菜鸟如何通过数据来保证资金流的顺畅。

04 点石成金：供应链金融

1. 零售供应链的资金流困境

如上图的调研报告所示，在零售供应链中无论是上游供应商还是下游经销商都会遇到融资难题。主要原因是数字化程度低且建设成本高，同时银行的风控能力不足、缺乏运营支持。

2. 以数据为核心的供应链金融业务

供应链金融是指从供应链产业链整体出发，运用金融科技手段，整合物流、资金流、信息流等信息，在真实交易背景下，构建供应链中占主导地位的核心企业和上下游企业一体化的金融供给体系与风险评估体系，提供系统性解决方案，以快速响应产业链上企业的结算、融资、财务管理等综合需求，降低企业成本，提升产业链各方价值。

供应链金融业务流程首先是识别出哪些是可以贷款的供应链企业，并通过营销策略鼓励企业申请贷款。在通过风险审查后，进入审批流程，审批通过后，为企业发放贷款。最终是还款和贷后管理阶段。金融的核心是风控能力，而风控能力对应的是数据和科技的应用。

3. 供应链金融风控平台

上图展示的是菜鸟打造的供应链金融风控平台。最左边风险事件响应是数据准备和数据建模的阶段。在数据建模完成后，会通过阿里的 MTEE 风控平台根据制定好的风控规则策略评估不同企业的风险。再往上所展示的是针对不同场景的风控流程，包括平台场景，如融资租赁平台和保理平台，以及定制场景，如动产融资、信用融资、预付贷等。业务侧还提供了一些贷后管理的能力，并会将数据反哺到风险监控模块。

4. 基于大数据的智能风控体系

风控平台的背后就是各种各样的数据，主要包括以下几大类：

（1）事实类，例如企业的法人、经营时间和借贷历史点那些基本信息。

（2）统计类，例如企业每月的采购额和销售额的统计。

（3）标签类，例如是否活跃、是否逾期等标签。

（4）挖掘类，例如基于法人的还款能力和还款意愿进行挖掘分析。

这些数据不仅用于供应链金融，还会用于赊销场景下的客户风险评级。

5. 基于大数据风控的存货融资业务

上图所展示的是菜鸟存货融资场景的例子。在经销商把货物存放到菜鸟仓里时，就可以获得一笔融资贷款。如上图中蓝色线条对应的是信息流，也可称为数据流，数据流动作为核心贯穿整个存货融资业务场景。绿色线条代表了业务流，经销商把货存到菜鸟仓，并由我们的电商平台将其卖出给消费者。红色线条代表了资金流，经销商从合作银行中获得贷款，在从消费者处获得货款后，再去还贷款。所有线路看起来并不复杂，而其核心则是数据的流转和应用。

以上就是本次分享的内容。希望从数据应用的角度，帮助大家思考如何打造一款智能化的数据产品和如何利用数据打造一个业务，助力供应链逐步从传统供应链向数智化供应链转型。

以上就是本次分享的内容，谢谢大家。

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。