杉數(shù)科技CTO王子卓：智能決策，數(shù)字化轉(zhuǎn)型新路徑——為什么未來AI的重要突破是與優(yōu)化算法結(jié)合｜量子位·視點分享回顧

視點 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

疫情加速全球產(chǎn)業(yè)鏈深度重構(gòu)，市場供需兩側(cè)不確定因素增加；全球經(jīng)濟滯脹導致出口需求衰退，工業(yè)生產(chǎn)過熱增長不可持續(xù)；行業(yè)整體產(chǎn)能過剩，產(chǎn)品同質(zhì)化嚴重，綠色低碳轉(zhuǎn)型迫切……

企業(yè)的每位高管都面臨著一個必答題：如何加速塑造企業(yè)韌性來抵御市場風險，實現(xiàn)業(yè)務(wù)增長和綠色可持續(xù)發(fā)展？

隨著數(shù)據(jù)科學和人工智能技術(shù)的發(fā)展，基于“數(shù)據(jù)+算法”的決策在實際業(yè)務(wù)中凸顯越來越重要的價值，企業(yè)端訴求、技術(shù)變革與基礎(chǔ)設(shè)施完善共同推動智能決策時代到來。

據(jù)研究分析公司Gartner預測，到2023年，超過33%的大型機構(gòu)將采用智能決策的實踐。

那么，什么是“智能決策”？智能決策的關(guān)鍵技術(shù)是什么？它又將如何打造引領(lǐng)企業(yè)二次增長的“智能抓手”？

圍繞融合了機器學習、運籌優(yōu)化等多種方法的智能決策技術(shù)，杉數(shù)科技CTO王子卓在「量子位·視點」直播中分享了他的從業(yè)經(jīng)驗和觀點。

以下根據(jù)分享內(nèi)容進行整理：

今天主要想跟大家聊一聊，大家所討論的數(shù)字化轉(zhuǎn)型和數(shù)據(jù)算法，到底能夠在實際中給企業(yè)帶來什么樣的價值。杉數(shù)過去幾年一直在做類似的嘗試，在這里希望把我們的觀察和理解來跟大家做簡單的分享。

我想線上的聽眾里，絕大部分人都知道這些年大家討論最多的，總是數(shù)字化、人工智能、大數(shù)據(jù)、機器學習這樣的詞語，那么我們在討論這些詞的時候到底是在說些什么？或者說這些概念到底能夠幫企業(yè)去做些什么樣的事情，能夠給企業(yè)帶來什么樣的價值？實際上，這個問題在我們看來是一個非常重要也值得去思考的問題。

實際上可能很多時候大家在討論“數(shù)字化”的時候，其實它代表了幾個不同層面的含義。

首先，是一個基本的概念。當我們想要做數(shù)字化的時候，第一步實際上是“信息化”的事情：怎么樣能夠把這個企業(yè)里的很多信息，通過數(shù)字或者說計算機的方式，把它積累下來，也就是把現(xiàn)實中的很多事情映射到我們的數(shù)字世界。

這個是在過去20年左右的時間里，整個世界上的企業(yè)，包括我們國內(nèi)的企業(yè)一直在做的事情。這在我們看來是一個非常基礎(chǔ)的工作。

企業(yè)的這些信息沉淀下來，在信息化的基礎(chǔ)上再往前走一步，我們也叫“數(shù)字化”。那么在某種意義上，數(shù)字化是指能夠把這些積累的信息進行一些整合和展現(xiàn)，進而給企業(yè)的人員帶來一些有用的觀察。

這里大家過去幾年做得比較多、或者聽得比較多的，比如說BI（Bussiness Intelligence）的應(yīng)用，怎么樣能夠很清晰地把企業(yè)各個維度的數(shù)字展示給企業(yè)的管理者或者決策者，大家可以依賴這些數(shù)字做很多的洞察和思考。

這兩個，其實可以說是數(shù)字化比較基礎(chǔ)性的工作，或者說，現(xiàn)在大家討論“數(shù)字化”，或者討論“人工智能”這樣的概念的時候，目標肯定不僅僅只是把數(shù)據(jù)收集上來，或者把它做整理，我們會認為最歸根到底一定要能夠體現(xiàn)在企業(yè)的決策環(huán)節(jié)上。

那么作為任何一個企業(yè)或者個人，每天都要做很多的決策，比如要決定每天的庫存要補多少、每天的產(chǎn)線上應(yīng)該生產(chǎn)哪些產(chǎn)品、運輸路徑應(yīng)該怎么樣去規(guī)劃等等。在傳統(tǒng)上，大家都是由有經(jīng)驗的人來做決策，那么在未來的大數(shù)據(jù)時代，這些數(shù)據(jù)能做決策嗎？

我們的想法是：最終肯定要依賴于這些數(shù)據(jù)，幫助在企業(yè)的決策端做出更好、更高效的決策。這樣才能夠讓數(shù)據(jù)在企業(yè)中真正發(fā)揮價值，這也是至少我們杉數(shù)看到的所謂“未來的數(shù)字化”所代表的意義。

那么這里的圖大概展示了我們看到的過去20多年時間里比較大的變革，當然我們在過去的五六年也一直在做很多的事情。

這個過程中有很多人在問，包括我們自己也體會到，做數(shù)字化轉(zhuǎn)型實際上是非常不容易的，會面臨各種各樣的挑戰(zhàn)，比如說企業(yè)的管理流程、數(shù)據(jù)的基礎(chǔ)等等。大家講了很多的概念，從大數(shù)據(jù)、工業(yè)互聯(lián)網(wǎng)又到智能制造，那么到底“數(shù)字化”是不是一個真的概念，是不是一定會發(fā)生呢？

關(guān)于這一點，我會覺得好比過去二三十年，大家剛剛開始用計算機的時候，也會去問同樣的問題，比如到底計算機未來會有多大的作用，企業(yè)花那么大的價錢去采購計算機到底是不是值得的等等這樣的問題。那么現(xiàn)在數(shù)據(jù)對于企業(yè)的意義，就可能是二三十年計算機對于企業(yè)的情況是類似的。在未來，真正有競爭力的企業(yè)一定是會采用更加智能高效、基于數(shù)據(jù)和計算的決策方式。

所以從這個角度來講，我認為數(shù)字化的進程，雖然漫長但必然會發(fā)生，對企業(yè)而言也是非常重要且一定會發(fā)生的變革，這也是我自己的體會。

當然變革不可能一兩日就發(fā)生，這里面肯定會有大量的問題和挑戰(zhàn)。我們過去的這些年也接觸到了大量的企業(yè)，也在幫助這些企業(yè)去實現(xiàn)這樣的變革，就是說從相對比較傳統(tǒng)的決策方式，向由數(shù)據(jù)驅(qū)動的決策方式轉(zhuǎn)變。

從數(shù)據(jù)到?jīng)Q策，更多企業(yè)向數(shù)據(jù)驅(qū)動運營轉(zhuǎn)變

這個過程，大概會分成四種階段，像這里所寫的。

那么最原始的就是依賴于人工經(jīng)驗去做大量的企業(yè)決策。我們國家絕大多數(shù)企業(yè)在絕大多數(shù)的環(huán)節(jié)上，可能現(xiàn)在還是處于人工經(jīng)驗的階段。

在這里我以一個做物流的企業(yè)舉例，每天員工要去城市里很多地方去送貨，也有很多的物流車輛，那么企業(yè)就需要去安排每天的車輛，去承擔哪些貨物，要以什么樣的路徑去送貨物。

在我們合作之前，企業(yè)的決策形式實際上是，幾個老師傅每天花幾個小時的時間，把每天的訂單先打印出來，然后這些師傅根據(jù)自己的經(jīng)驗把這些要送的貨物按照一定的規(guī)律組合起來，最后發(fā)配給每一個車輛。

這是一個典型的依靠人工經(jīng)驗去做決策的場景。當然很多企業(yè)都想往前走一步，那么在人工經(jīng)驗的基礎(chǔ)上，往前走、利用數(shù)據(jù)的第一步是我們叫做“數(shù)據(jù)感知”的階段。這是指企業(yè)已經(jīng)開始利用數(shù)據(jù)來支持自己的決策系統(tǒng)，也就是說在人工做決策的時候，已經(jīng)有大量的數(shù)據(jù)可以給出一些支持。在數(shù)據(jù)感知這個階段，企業(yè)決策本身還是由人工來做，只不過數(shù)據(jù)可以提供很多支持。

再比如一些連鎖性質(zhì)的咖啡店，每天都需要補貨，像咖啡豆、牛奶或者食品。在我們和這樣的企業(yè)合作之前，那么它做決策時已經(jīng)有了一個比較好的系統(tǒng)，這個系統(tǒng)能夠給出每一個產(chǎn)品過去一段時間里每天銷量、平均銷量等數(shù)據(jù)和趨勢，能夠支持店長判斷補貨需求。

店長可以根據(jù)這些數(shù)據(jù)，看到過去平均賣了多少，什么樣的時間賣了多少等等，然后根據(jù)他自己的經(jīng)驗加上一些簡單的腦子里的計算，可能就得到一個“我今天應(yīng)該去補多少”這樣的決策。

在這個過程中，大家可以看到數(shù)據(jù)能夠給決策者提供比較強的支持，但是最終的決策還是結(jié)合人工經(jīng)驗來完成的。實際上很多企業(yè)都已經(jīng)處于這樣的階段，可能在過去五年十年的時間里，很多大企業(yè)都已經(jīng)完成了信息化，包括我們最開始提到的數(shù)字化，就是已經(jīng)有了這些能夠把數(shù)據(jù)展示出來的工具。

當然在這個階段，我們會認為還遠遠不能夠達到我們真正“數(shù)字化”或者“智慧”運營的目的。那么再往前邁出一步的話，實際上也是數(shù)字化轉(zhuǎn)型里非常重要的一步，可能就到我們未來狀態(tài)最至關(guān)重要的一步——我們要從“數(shù)據(jù)感知”，走向“數(shù)據(jù)導向”的決策模式。

如果說“數(shù)據(jù)感知”是指數(shù)據(jù)提供給人們一個決策的基礎(chǔ)、但仍然主要由人們來做決策，“數(shù)據(jù)導向”的主次是不一樣的，就是說在重要的決策里，是首先由數(shù)據(jù)和算法給到一個我們認為比較好、比較優(yōu)化的結(jié)果，在這個結(jié)果之上，人工再根據(jù)經(jīng)驗和具體的場景去加以調(diào)整，稍微修正一下，但是絕大多數(shù)的工作都會逐漸由數(shù)據(jù)或者由算法來完成。

我剛才講的這兩個例子其實都可以完成這樣的轉(zhuǎn)變。

比如物流企業(yè)每天車輛路徑的安排，可以通過算法的快速計算，在幾分鐘的時間把每天幾千單的訂單安排出，滿足業(yè)務(wù)場景、且路徑最短或者服務(wù)效率最高的行車路徑。算法安排好后，這些調(diào)度員還可以再去核查一下這些線路。當然也可能有算法考慮不到的特殊情況，像明天某街道的交通會有變化，或者某些客戶的需求可能有些調(diào)整，但是絕大數(shù)情況下線路可以直接地去執(zhí)行。

同樣的，比如說餐飲企業(yè)的門店，在使用了這些算法和數(shù)據(jù)之后，可以直接自動地知道每天補貨量的建議是多少；算法可以考慮到過去每天的銷量、周期性的變化，還有現(xiàn)有庫存的到期情況等等各種各樣的因素；最后，人工可以根據(jù)額外信息做一些調(diào)整，像明天有什么樣的活動，或者可能某地區(qū)暫停營業(yè)了等等。在實際場景下，百分之八九十的情況都可以直接采納算法和數(shù)據(jù)得到的結(jié)論。

到了這一步的話就可以實現(xiàn)，從更多依賴于人工的企業(yè)運營決策系統(tǒng)，轉(zhuǎn)變?yōu)榛谒惴ㄆ脚_的系統(tǒng)。對于整個數(shù)字化轉(zhuǎn)型來說，這是至關(guān)重要的一步，但還不是最終的一步。有很多的場景還可以做到更多的“數(shù)據(jù)驅(qū)動”。

“數(shù)據(jù)驅(qū)動”就是基本上不需要人工干預，很多互聯(lián)網(wǎng)企業(yè)都有很多要高頻決策的場景，比如無人倉庫。

大家都知道現(xiàn)在很多倉庫里都是這些機器人去負責揀貨，和上下架等這樣的事情。在這種場景下，基本上每一兩秒都要對機器人進行調(diào)度，這些都可以完全通過算法來完成。同樣的，比如大零售平臺上面會實時調(diào)整價格，或做營銷決策，基本上都可以實現(xiàn)完全由算法來驅(qū)動，也能夠達到很好的效果。

這些場景里，人工也很難真正地做到實時的調(diào)整，因為這里要做的決策頻率會非常高，現(xiàn)在其實已經(jīng)可以實現(xiàn)基于數(shù)據(jù)、算法實現(xiàn)比較自動化的運營。

我們所講的數(shù)字化升級或數(shù)智化升級有很多階段，但是并不一定是某個企業(yè)處于某個階段，而是它現(xiàn)在的某個場景或者某個環(huán)節(jié)可能正處于某個階段。針對于這個特定的場景，我們可以不斷地幫助他實現(xiàn)整個轉(zhuǎn)變。

當企業(yè)在絕大多數(shù)的關(guān)鍵運營場景逐漸地進行轉(zhuǎn)變，那么之后整個企業(yè)運營的模式就會發(fā)生質(zhì)的變化。

如何利用“技術(shù)杠桿”實現(xiàn)智能升級迫在眉睫

企業(yè)的數(shù)字化轉(zhuǎn)型，在我來看這是一個必然的趨勢，盡管這個趨勢肯定需要一段時間才能夠完成。但是第一，這是一個必然發(fā)生的事情；第二，從我們的觀察來說，也已經(jīng)是可以說是一個迫在眉睫的事情。這么講是因為我們現(xiàn)在很多行業(yè)、甚至整個市場也都在發(fā)生巨大的變化，那么對企業(yè)的要求也是越來越高、挑戰(zhàn)越來越大。

比如消費品市場，在過去的幾十年里模式都相對穩(wěn)定。但是過去的這幾年，大家可以看到產(chǎn)生了很多新的模式，營銷模式從最傳統(tǒng)的像線下渠道，到線上的零售平臺，現(xiàn)在又有很多直播帶貨的形式。基本上每年都會冒出一堆新的模式，當有這種新的模式產(chǎn)生的時候，很多過去的人工經(jīng)驗就會變得沒有那么有效果。因為人工經(jīng)驗總是基于過去已經(jīng)發(fā)生的，沒有辦法快速地應(yīng)對不斷產(chǎn)生的新的模式。

關(guān)于第二點，還有就是消費者對企業(yè)的要求越來越高了。還是比如剛才提到的消費品，以前企業(yè)生產(chǎn)的東西，消費者只要需要就會購買；但是現(xiàn)在消費者有更多挑選的機會，而且對產(chǎn)品的供應(yīng)速度有比較高的期望，像今天買的東西希望明天就能送到。如果要滿足消費者對時效、商品豐富度等各種各樣的要求的話，對企業(yè)的供應(yīng)鏈而言是一個巨大的挑戰(zhàn)。

另外技術(shù)的迭代速度也很快，新的產(chǎn)品線會不斷地產(chǎn)生、規(guī)模會不斷擴大。這些都會導致很多原來人工經(jīng)驗的失效。這些都是企業(yè)所面臨的問題，在具體的運營中企業(yè)其實會遇到很多這樣的挑戰(zhàn)。

這樣的變化在企業(yè)內(nèi)部，還會涉及到企業(yè)規(guī)劃、銷售計劃、供應(yīng)計劃等等計劃制定的變化，但是不同部門的意見可能也有分歧。到底怎樣制定才能夠真正地滿足企業(yè)發(fā)展的目標呢？

因為大家沒法在同樣的基準上進行討論，每個人都有不同的視角，那么只有數(shù)據(jù)才是比較客觀的基準，通過數(shù)據(jù)和算法至少能夠幫助大家搭建一個相對客觀、一致的基準。在這個基準的基礎(chǔ)上，大家可以再進行主觀的調(diào)整等等。通過我們的觀察，這個問題是一個極大的挑戰(zhàn)，很多企業(yè)對此有非常強烈的需求。

除了消費品企業(yè)，這幾年很多制造型企業(yè)也發(fā)生了很多變革。

首先是疫情導致的需求端波動非常大，有時候會堆積很多訂單，有時候可能又會很少，對生產(chǎn)的壓力也很大。其次，很多資源受到限制，比如說電力限制，還有3C企業(yè)芯片的短缺等等，還有碳排放的限制。當這些限制突然產(chǎn)生的時候，整個企業(yè)的生產(chǎn)運營應(yīng)該怎么樣去應(yīng)對？怎么樣能夠在受到限制的情況下，仍然最大化利用產(chǎn)能去實現(xiàn)生產(chǎn)？

這樣事情在人們沒有任何經(jīng)驗的情況下是非常難解決的，所以就需要企業(yè)更多地利用新的技術(shù)、數(shù)據(jù)算法，來實現(xiàn)更快速、更好地應(yīng)對。

所以最終的目的是幫助企業(yè)做更加智能的決策。

“決策”這個詞里包含很多個重要的概念。首先要定義我們需要決策的點在哪里，在每一個環(huán)節(jié)上要做的決策到底是哪些；同時要定義每一個決策，要實現(xiàn)的目標是什么，例如訂單滿足率最大化，還是庫存成本最小化，或是運輸成本最小化等等。另外在實際中也有很多的約束，比如產(chǎn)能的約束、人員的約束、產(chǎn)線的約束、原材料的約束等等，也是需要梳理清楚的。

有了這些企業(yè)場景描述的輸入后，就可以通過這樣的一個叫“建模+求解”的方式，幫助企業(yè)做到智能決策，這里還會涉及到幾個關(guān)鍵的環(huán)節(jié)。

第一步，我們需要把整個企業(yè)面臨的問題抽象出來，形成一個數(shù)學的問題。畢竟決策本質(zhì)上可以說是一個資源分配的過程，最后能夠得到一個數(shù)學上的表達，這里主要指的是運營方面的一些決策?，F(xiàn)在的“數(shù)字孿生”，或者說把企業(yè)的運營目的和約束等映射到數(shù)字世界，其實就是一個模型。

那么有了建模之后，就相當于有了一個模型來刻畫企業(yè)的整個運營。接下來，就要通過計算來告訴企業(yè)，怎樣的決策能夠讓這些關(guān)鍵的指標在未來實現(xiàn)一個最好的結(jié)果。這里就會涉及到大量的優(yōu)化計算。

這里“優(yōu)化”實際上意思就是指，如何在一個具有約束條件的環(huán)境下，怎么樣做決策能夠最好地達到某一個目標。這也是我們今天的主題，就是說我們在智能決策里怎么樣去利用優(yōu)化的工具實現(xiàn)最終目標。

那這里可以舉一個具體的例子。

一個制造型企業(yè)，需要決策的主要是整體的生產(chǎn)計劃：尤其當“急單、插單”時應(yīng)該怎么樣安排生產(chǎn)，怎么樣重新安排生產(chǎn)計劃，但同時還有產(chǎn)線、產(chǎn)能、物料供應(yīng)等等約束條件；生產(chǎn)目標是要盡可能滿足訂單。這些信息就可以抽象為一個模型。

模型的輸入數(shù)據(jù)可以主要來自于企業(yè)信息化系統(tǒng)，包括產(chǎn)線、產(chǎn)能、物料供應(yīng)等信息，可以作為模型的參數(shù)。有了參數(shù)之后，可以求解計算出生產(chǎn)計劃的調(diào)整方向，最終輸出給企業(yè)可執(zhí)行的決策。

從“數(shù)據(jù)導向”到“數(shù)據(jù)驅(qū)動”，這個流程或說范式是如何實現(xiàn)的呢？實際上是，先把業(yè)務(wù)的問題通過建模計算的方式抽象出來，然后再返回到業(yè)務(wù)的過程。這樣的方法相比于人工有極大的優(yōu)勢。

首先是更加透明。因為所有這些規(guī)則、約束、數(shù)據(jù)都是可見的，大家是在同一個基礎(chǔ)上去討論事情的。同一套數(shù)據(jù)、同一套模型，算法結(jié)果上也會從上千萬上億中選擇最好的，所以也是更加優(yōu)化的。

人工經(jīng)驗或許也能選出很好的方法，但是當問題規(guī)模很大的時候，人們的能力可能就無法保證仍然能選出最好。那么基于數(shù)學邏輯的算法可以保證一個最優(yōu)的結(jié)果。另外，從速度上來說，算法也可以非常敏捷地反應(yīng)。這個對比優(yōu)勢應(yīng)該是非常明顯的。

智能決策的關(guān)鍵技術(shù)：運籌優(yōu)化與機器學習

剛才提到的內(nèi)容里，今天想和大家討論的核心技術(shù)點主要有兩個部分。

一個是這些年大家討論也比較多的，有關(guān)機器學習的技術(shù)。機器學習在這個過程中主要的功能，實際上更多是去預測一些未來的參數(shù)，例如未來市場的需求會是多少，訂單周期是多少，運輸?shù)臅r間大概會是多少等等，往往是這樣的一些預測。預測之后，這些參數(shù)還需要最終形成決策。

那么另一部分就需要我剛才所講的優(yōu)化算法。優(yōu)化本質(zhì)上屬于運籌學的技術(shù)范疇，核心就是解決這樣的決策問題中的一些優(yōu)化的問題，基于對顯示問題進行準確描述刻畫來建模，通過運籌優(yōu)化算法在一定約束條件下求目標函數(shù)最優(yōu)解。這里面還會有很多更細分的不同種類的模型和方法，時間關(guān)系不會過多展開，這是一套非常重要，而且比較成熟的工具。

利用好這套工具，能夠幫助很多企業(yè)解決大規(guī)模問題中的決策變量。某個SKU在某條產(chǎn)線上，在未來每天生產(chǎn)的量組合起來可能是個上億級別的決策。但是對于運籌優(yōu)化來說，成熟的方法可以分鐘級地解決這樣的問題。

我們能夠?qū)崿F(xiàn)這樣一個聽起來非常高效、這么好的結(jié)果，并不是那么簡單的。這樣的計算在底層會需要依賴于一個計算引擎，這在優(yōu)化領(lǐng)域叫優(yōu)化求解器。當有了一個模型之后計算出最優(yōu)解的過程，就需要通過這個叫求解器的軟件進行計算。

求解器也是一個非常重要的工業(yè)軟件，在我國各個領(lǐng)域里，尤其是像能源、軍事、航空、金融、電網(wǎng)、工業(yè)制造這樣的關(guān)鍵領(lǐng)域，大企業(yè)都需要使用求解器去做運營支持，其實每年都會花很多錢去購買國外的求解器。

好消息是，國內(nèi)包括我們團隊也一直致力于開發(fā)國產(chǎn)求解器。這兩三個年下來，也達到了世界一流水平，非常的不容易。因為求解器內(nèi)部非常的“精密”，可以把它比喻成發(fā)動機的引擎，有很多的細節(jié)需要去處理。這個軟件代碼也是上百萬行級別的。

很高興地跟大家匯報，杉數(shù)科技現(xiàn)在已經(jīng)可以和國際最一流的求解器比肩——整數(shù)規(guī)劃和美國Gurobi生產(chǎn)的求解器，處于差不多的水平。甚至在不同場景的很多指標上可以超過他們，可以說是世界第一了；當然，也有一些場景還和他們存在一定差距，但也在比較接近的范圍。基本上在解決實際問題的距離上，可以認為是同一級別的。

通過我們過去幾年的努力，在優(yōu)化求解器領(lǐng)域，基本上可以說中國已經(jīng)打破了歐美的封鎖。

我們利用求解器的最終目的，還是要解決實際中的問題。比如制造業(yè)是個非常典型的場景，還有像交通、金融、能源、零售、互聯(lián)網(wǎng)、醫(yī)療等領(lǐng)域其實都在使用求解器服務(wù)。這些年，我們也在為各行各業(yè)里最頂尖的一些企業(yè)提供服務(wù)。因為這樣的企業(yè)規(guī)模比較大，面臨的問題比較多，那么通過優(yōu)化能夠提升的價值也會更加明顯。

過去幾年里，至少我們整個團隊確實看到了基于運籌優(yōu)化和機器學習的方式，能夠?qū)嶋H地幫助企業(yè)實現(xiàn)決策的智能化、數(shù)字化，確實能夠給企業(yè)帶來非常顯著的收益，只要企業(yè)能夠愿意去推動而且雙方愿意一起來配合。

不同行業(yè)的收益會體現(xiàn)在不同的維度。比如消費品供應(yīng)鏈的企業(yè)，可以提高企業(yè)的訂單滿足率，然后最直接的是銷售的增長，包括降低庫存成本、降低倉庫里積壓產(chǎn)品的時間；對工業(yè)制造企業(yè)，可以更高效地利用同樣的產(chǎn)能，可以更快速地交付訂單，時效滿足率更高，還有在不損失收益的情況下可以有效降低碳排放，這對整個國家、企業(yè)來說都有巨大的價值。

當然對其他的領(lǐng)域里也都能帶來非常顯著的提升，可以看到這不僅是一個可以量化的提升效果，還有不可逆的數(shù)字化的趨勢。這里還可以和大家快速分享一些具體的案例。

比如消費品企業(yè)，做營銷活動會有很高的營銷費用，在這個過程中會涉及廣告投放、價格促銷、流量等不同的資源分配。企業(yè)可以利用智能決策系統(tǒng)，從價格體系分析、促銷銷量預測、促銷價格管理等維度來進行決策，從而知道什么節(jié)點應(yīng)該購買流量還是投放廣告，如何把資源分配到更加高效的環(huán)節(jié)中，這樣可以有效的提升促銷費效比和提升促銷活動的商品交易總額。

有營銷的場景，也有供應(yīng)鏈的環(huán)節(jié)。從供應(yīng)鏈的角度也叫履約，就是各個渠道線上線下等等如何發(fā)貨，按照什么樣的優(yōu)先級，當產(chǎn)能有限的時候怎么樣更好地分配我貨物，能夠使最終訂單滿足率能夠有比較好的保障。同時還有庫存的問題，需要多少級的倉網(wǎng)，每一級的庫存如何備貨去應(yīng)對不同層級的需求。這些也會基于前端需求的計劃，如何能夠把算法數(shù)據(jù)的預測能夠結(jié)合到場景之中，最后又聯(lián)動到生產(chǎn)。

有了這些履約的計劃之后，對產(chǎn)線的要求又是怎么樣的，工廠每天應(yīng)該生產(chǎn)哪些產(chǎn)品，要生產(chǎn)多少等等這樣的一些問題形成工廠的生產(chǎn)計劃。那么整個供應(yīng)鏈在很多的客戶里，其實是基于一些傳統(tǒng)的Excel表格，再基于一些人工的經(jīng)驗不斷去協(xié)調(diào)的事情。而基于杉數(shù)的智能供應(yīng)鏈計劃平臺，則可以實現(xiàn)可視、可預測、可解釋的高效決策，例如基于該平臺，助力好麗友大幅提升訂單滿足率和拉動銷售額。

那么通過數(shù)字化、智能化，這些都可以在一個大的平臺上以數(shù)據(jù)為基礎(chǔ)、由算法給出一個決策方案，人工再在此之上繼續(xù)做調(diào)整，最后實現(xiàn)更高效的供應(yīng)鏈運作，實現(xiàn)更高的訂單滿足率、更低的庫存積壓，進而體現(xiàn)在企業(yè)整個營收在效益上的明顯增長。

這樣消費品企業(yè)的案例，對于具體的飲料啤酒、美妝日化等企業(yè)都能夠取得相似的收益。

智能決策技術(shù)未來五年將逐步實現(xiàn)規(guī)?；?/h1>

回到最開始講的智能化或者數(shù)字化這件事情，應(yīng)該說還處于比較早期的階段。我們也可以看到過去5年左右的時間，大家開始非常關(guān)注。這也是因為技術(shù)發(fā)展到了這樣的階段，確實有了這樣數(shù)據(jù)的技術(shù)，也有了運輸優(yōu)化這些算法和資源可以支持落地。

我認為這是一個不可逆的趨勢，并不會過幾年就不流行——從長遠角度來看，它是一定會發(fā)生的趨勢。

雖然還在早期，但是各個行業(yè)的領(lǐng)頭者現(xiàn)在也都逐漸在做這些事。那么逐漸地，每個行業(yè)的企業(yè)都會從上到下不斷地去滲透。我想，只要企業(yè)有比較強的發(fā)展訴求，企業(yè)管理者都會思考應(yīng)該如何在這個過程中實現(xiàn)企業(yè)的數(shù)字化升級。既然都不愿意做落伍者，就希望能夠在相對早期去完成對未來的布局。

今天這里很重要的就是運籌優(yōu)化的概念。因為大家聽得更多的是人工智能、機器學習這些概念，這些概念確實很火，也確實帶來了很炫酷的東西，能夠不止讓企業(yè)，包括我們個人在生活中都能夠感受到一些變化像人臉識別這些。

但是從更本質(zhì)的角度來講，一方面，對企業(yè)而言，更重要可能還是一些運營的決策，它并不見得有多主流，但是能夠解決問題。

另外一方面，人工智能的發(fā)展，其實也大量依賴于底層的運籌優(yōu)化算法。

機器學習之父邁克爾·喬丹（Michael Jordan）曾在人工智能大會上提到，其實人工智能未來最重要的突破方向，也是在運籌優(yōu)化領(lǐng)域，應(yīng)該是怎么樣能夠更好地與優(yōu)化算法緊密結(jié)合。

這里體現(xiàn)了所講的優(yōu)化技術(shù)，對于人工智能也是一個非常重要、非常有潛力的領(lǐng)域。

關(guān)于「量子位·視點」

量子位發(fā)起的CEO/CTO系列分享活動，不定期邀請前沿科技領(lǐng)域創(chuàng)業(yè)公司CEO/CTO，分享企業(yè)最新戰(zhàn)略、最新技術(shù)、最新產(chǎn)品，與廣大從業(yè)者、愛好者探討前沿技術(shù)理論與產(chǎn)業(yè)實踐。歡迎大家多多關(guān)注 ～

— 完 —

量子位 QbitAI

關(guān)注我們，第一時間獲知前沿科技動態(tài)