阿里智慧供应链实践：从“数字孪生”到“智能决策”
转载地址
17位高级专家共同打造，涉及15个领域，133个体系框架，1000个细分知识点！
关注公众号"大话数智"，免费下载这份《数据智能知识地图》⬇️
导读： 本次分享的主题是阿里巴巴数字供应链。零售行业是阿里巴巴的主营业务，零售强依赖于供应链，阿里巴巴数字供应链聚焦零售供应链全链路，所建设的零售操作系统已经成为集团重要基础设施。我们围绕人货场，构建了一套从数字化到智能化的供应链产品体系。从业务的支撑来说，阿里巴巴数字供应链事业部支撑了整个集团 20 多个 BU 的供应链业务，同时面向 6 亿多的消费者，有近 5 万多家外部商家也在基于这套系统为消费者提供服务，比如，天猫超市，天猫国际，淘宝，天猫，零售通，消费电子以及海外 Lazada 等上层业务，都在阿里巴巴智慧供应链的支撑下高质量运转。
本次分享将围绕以下四个主题展开：
- 供应链数字化解决方案
- 供应链智能化解决方案
- 自动预测技术 Falcon
- 自能预测系统 Alibaba DChain Forecast
分享嘉宾｜陈叶芬博士 阿里巴巴 供应链引擎产品负责人
编辑整理｜卢俊 华为云
出品社区｜DataFun
01/供应链数字化的背景
首先和大家分享下供应链数字化和智能化发展的背景。
1. 供应链决策的主要难题
大多数企业在做供应链业务决策的时候，虽然处于不同阶段的企业面临的难题会不同，但基本上可以归纳到以下三层。
① 数据层
供应链向上需要支撑多元化的销售渠道，向下需要链接多渠道供应商，所链接的系统种类较多，导致支撑供应链决策的数据来源较为复杂，这为供应链决策带来第一层挑战------数据层。如何做到数据全、数据及时、数据一致（来自多系统的数据可对话），是供应链智慧决策要解决的第一层问题。总的来说，数据层是要让我们在做决策的时候有数可依，而且这个数是准确的，正确的，科学的。
② 分析层
当积累了丰富多样的数据指标之后，我们怎么能让数据高效率地去发挥出业务价值？怎么让涉及多个部门业务的数据或者是多个渠道的数据，通过对它们有机地串联，形成能指导业务方向，帮助解决业务问题，分析层应该给我们一个解决方案，实现能够帮助业务及时准确地去洞察到问题或者说机会。
③ 决策层
当数据层和分析层构建好之后，面对庞大规模和不同层级的业务问题，如何将数据和分析转化成决策能力？这是企业通常面临的第三层问题。第一步是靠人工决策，但随着生意规模的发展，SKU 越来越丰富，人处理问题的局限性就被暴露出来了，一方面处理能力有限，另一方面决策质量依赖人的个体经验，一旦岗位变动就难以持续继承。这就发展第二步，智能决策的应用。在智能决策阶段，我们有两点思考：第一，我们希望在算法驱动或技术驱动的体系下，决策能越来越科学，而且未来可以被复用和可以持续迭代；第二，我们要自动化，这样的话才可以规模化，而不靠人非常低效地去做这些完全没有保障的决策。
以上就是我们对整个供应链决策不同层难题的剖析。
2. 阿里巴巴智慧供应链实践
① 供应链部门所处位置
任何一个企业都至少有三个部门。第一个部门是研发部门，它负责整个产品的管理，设计好的产品出来。第二个部门是营销部门，它负责整个需求的管理，然后让产品能卖个好价钱。第三个部门就是供应链部门，它负责成本和服务质量管理，去研究怎么以合适的成本和速度把产品生产出来，再按期交付给客户。所以大家可以看到供应链这个部门是偏后台的，但对于很多行业来讲，它的管理水平决定了这个企业能不能持续化，扩大化发展下去。
② 供应链的发展层次
从整个供应链的发展过程来看，它也分为几个阶段：从最原始的供应链，往上发展出初级供应链，具有跨部门的分工和流程的协同；再继续发展为整合供应链，继续往上是要构建出一个供应链上的领导力来协同整个链条；最后发展到智慧供应链，如何应用新的技术，去帮助我们更高效率地去实现整个供应链的低成本，高稳定，以及高服务质量。
③ 智慧供应链需要具备什么能力
最高层级的智慧供应链应该具有哪些能力特征？通过思考和实践，我们认为它至少要具备三个方面的能力。首先是可视的，就是数据要准确，比较完整地通过数据反映供应链的现状和变化的情况。其次是可感知的，当它遇到问题，我们能够及时地收到反馈并报警。最后是能够自我去调节，去应对市场变化，也就是我们常谈到的韧性供应链或者柔性供应链，如何在变化多端的市场环境下，能够快速的应对变化，稳定地输出服务质量。
3. 数字化供应链的发展历程
① 全渠道数字化（可视化）
第一个阶段是全渠道可视化。我们的业务会有很多渠道：比如一个商家进来，我们可能会有像零售通这样的业务 ToB 的，我们也会有像天猫超市这样 ToC 的业务，同时我们可能还会有国际进口，国际进口转大贸等业务。我们第一步是想要把这些业务都可视化出来，并且聚焦在如何对不同渠道的货品，实现一盘货的管理，提升库存的效率。
② 全链路数字化（可感知）
下一个阶段是整个链路都要实现数字化，包含采购、库存入库、调拨、出库、履约、消费者体验全链路各个环节，再每个环节实现异常自动识别，主动报警。
③ 智能决策（可调节）
在第三个阶段需要攻克如何将智能决策落地，并且实现数据驱动的决策，让机器学习、运筹优化、全链路仿真优化技术在业务场景中发挥价值，提高业务效率，把规模化做得更大。
下面，重点分享下供应链数字化解决方案和供应链智能化解决方案。
--
02/供应链数字化解决方案
1. 供应链数字化解决方案
① 数据中台
数字化的第一步是数据层的建设，这一步核心是保障好数据质量，在准确率、及时性、完整度上提升到一定水平。
② 供应链可视化
接下来围绕供应链各环节，构建出一套能反映供应链的运转现状的业务指标，通过将业务指标的有机串联，实现供应链的可视化。
③ 数据分析洞察
构建分析洞察的能力时，我们本质上是要构建出自动分析诊断能力，或者是对需求的感知能力，具体包含需求预测，库存周转分析，有货率，计划准确度的分析等。
2. 案例分享
① 案例1
分享一个我们曾经做过的数字供应链案例，某个品牌的数字供应链。可以看到，站在企业的视角，会有不同的渠道，不同的品牌、不同品类。这些不同渠道、品牌和品类很有可能是由不同部门管理，过往线下汇总数据时，很有可能不同部门的数据统计口径不同，难以整合，通过供应链数字化建设，能够实现跨部门管理指标一致，并且自动计算汇总。另外，企业不同管理层级对数据颗粒度的需求也是不一样的，管理层更关注整个生意的中长期趋势，执行层更关注更细粒度短期数据，供应链的数字化能以非常低的成本批量生成，并且自动更新。
围绕零售行业，企业最关注的是货的效率，在架率反映供应链的供给服务水平，周转率反映货品的供给效率。另一块是，在整个供应网络中，产品到消费者手上的体验如何？比如，完美订单订单率能到多少？全链路的时效是多少？产品在全国的渗透率的情况如何？以及在订单履约的不同阶段，遇到了哪些异常和超时？通过对供应链的数字化，形成一套贯穿企业从上到下高效率地掌握供应链运行现状和发掘并解决问题的管理机制。
② 案例2
在移动办公的大趋势下，我们基于钉实践出了一套移动端的供应链管理助手。面向公司不同的角色，分 CEO、供应链部门和销售部门，分别展示不同的数据指标，但是这些数据来源都是一处，数据t-1同步更新，实现所有人员都基于同一份业务数据决策。
对于重点指标数据的话，可以实时监控它的变化情况，近期发展趋势，而且我们把整套系统和工作流做了协同打通，当供应链总监发现了一项业务指标变差后，可以一键督促执行层员工处理问题，并可跟踪整个治理进度，以及完成的情况。
--
03/供应链智能化解决方案
1. 供应链智能化水平的五个阶段
供应链从数字化走向智能化过程中，根据智能化水平的不同，可分成哪些阶段？经过了不断的实践和修正，我们认为，供应链的智慧化进程可以划分为五个阶段。
2. 供应链智能化解决方案
要支撑供应链智能化发展，底层应该具有哪些能力才能够支撑我们不断变化的业务迭代、新业务的拓展，以及我们怎么才能快速地把智能化这套方案落地？经过我们多年的实践，积累出了三层解决方案。
① 第一层是算法能力
在智能化这条路上，算法能力是基础，算法的应用场景能够覆盖到供应链的各个环节。比如，在影响供给效率的环节上，我们经常提到的需求预测能力，库存优化相关的补货算法，对整个物流网络的优化，或者是对整个库存网路的调拨算法，都涵盖了利用大规模计算来实现全局最优的逻辑；在影响消费者体验环节上，如何确定每个订单的履约路由，持续不断地让消费者获得非常快速的确定性履约的能力，一笔订单付费后，如何发配到不同的仓，不同的门店，让哪家配送商来执行订单履约，往下的话就是仓库内分拣、打包、出库波次的排班，或者是我们的整个配送线路、运力的规划，这些点都在这个算法能力大图里面。还有对时效的预估，如何给消费者一个确定的履约时效透传，大家在淘宝天猫上购买的商品，或者饿了么上购买的商品，你看到的他所预估的时效是否跟它实际能达到的接近，这个时效透传是在尽最大努力为消费者提供确定性的送达时间信息；最后是面向上层的智能定价体系，这也属于货品和商品之间的一个联动。如果说库存优化在就是inbound的这个链路上去做库存的控制优化，那么智能定价其实是在做 outbound 的这个链路上的优化。
② 第二层是工程平台
这一层，我们考虑的是，算法能力如何高效率地在业务系统中发挥出价值？我们有两个投入很重资源建设的平台，他们已成为整个智慧供应链的基础设施。第一个是供应链算法平台，它承载了所有供应链算法的部署、运行、实验和效果监控能力；另一个是供应链仿真平台，大家都知道供应链是一个很复杂的系统，哪怕是我们把一个简单场景，modellin成一个整数规划或者一个混合规划问题，当我们去调用求解时，会发现，可能就解不出来，或者说因为你的模型无法考虑所有因素，导致结果在实际运用中不像建模时的业务效果那么好。这时候，我们发现，供应链仿真能克服这个问题，是我们应用非常高频的一种方法，我们通过构建整个供应链的仿真环境，计算不同的策略运行会给整个链条带来什么样的影响。
③ 第三层是业务系统
再往上，我们这些能力输出到不同的业务系统中，典型的有，预测系统，计划系统，履约系统等，使这些能力在不同业务场景中发挥价值，这些是我们对整个供应链智能化底座的设计。
3. 案例分享
① 案例1
**第一个案例是如何构建一个供应链预测系统，进而支持更好的供应计划？**大家都知道供应链是带有很多不确定性的，因为它有 lead time，它有多个供应节点，所以我们经常称，销量预测是我们应对供应链不确定的第一套防线，也是我们整个智慧供应链的基础。比如，在这个场景里，核心用户是采购事业部或者是运营人员，他需要根据历史数据来预测商品未来的销量，需要系统辅助运营人员制定一个合理的库存计划和备货策略，来应对未来的不确定。
第一步，分析系统的输入输出：系统需要输出多维度商品销量预测结果，支撑做销量预测的数据源，不同的业务场景可能不太一样，一定会包含的是本身的业务数据，商品或者门店的历史销量数据，相应的促销事件，商品的关联或者替代关系，这些都是我们做预测的重要输入，此外，还有节假日，线下的门店，店庆，关店，季节性等，这些对线下预测来说，都是非常敏感的特征输入数据，有些业务场景甚至会涉及到温度、气象等数据。
接下来，销售预测系统基于所输入的业务数据输出预测结果。大家都知道，预测确实它不是一件好做的事情，不同的场景下能达到的准确率都是完全不一样的，此外，在整个预测的过程中，我们怎么去让整个预测白盒化，可解释，可协同，也是我们构建预测系统时需要重要考虑的一个点。
最后，这些系统输入的数据，我们以不同的时间粒度或者以不同的频次，推送到系统上。
这是在销量预测场景上，我们的一个案例。
② 案例2
第二个案例是产销计划协同系统。当有了销量预测，如何制定库存计划，如何制定采购计划，如何制定生产计划，这些计划都是由不同部门的人负责，如何通过一个系统协同这些不同岗位人员，是产销计划协同系统核心要解决的问题。从刚刚的描述中，大家看以看到，协同是出现的一个高频词，相比较其他系统，这个系统更偏重多角色的协同。从系统目标来看，它的价值也是聚焦在提升库存价值上，提升整个库存的效率，降低库存流转链条中的物流的成本或者人工处理成本。
这部分是我们研发的产销计划协同系统，在服务外部商家的一个案例。
③ 案例3
最后分享的一个案例，一体化智能供应链计划系统解决方案。我们可以感觉到，不管是在做库存计划，还是库存分布优化，我们都在围绕需求，针对需求的变动，如何分解和消化，如何提前部署库存，尽可能服务好需求侧 。
在对系统做整体规划时，需要考虑三层用户价值。第一层是为经理层提供年度计划执行和协同能力，属于业务战略规划，通常要做的事年度销售预算和计划，或者是整个流通和运输网络应该如何搭建，战略层的决策内容将会影响整年甚至更长期供应链运转；第二层是为中层提供基于战略层拆解到战术层计划的能力，通常需要制定的月粒度的销售和库存计划；第三层是基于战略和战术层的规划，为一线执行者提供周/日时间粒度上的行动计划，明确出一线执行者的行动内容，如补货SKU、补货量、补货方式等。
对这个系统的要求是具备感知、引导、联动和协同的能力。宏观上，对需求的波动有感知，通过销售和库存之间的联动，来引导需求、塑造需求；生产计划系统负责承接需求，与采购系统之间的联动来快速应对市场需求变化。
--
04/自动预测技术 Falcon
最后的话想和大家分享我们在预测上的进展。对供应链来说，预测是一个非常重要的主题，我们一直在致力于打造高稳定性、高精度的预测能力，这里结合我们的业务实践，分享我们是如何对预测技术持续迭代。
1. 自动预测技术演进
首先和大家看一下自动预测技术的发展历程。最初的预测技术以传统基于数据统计的预测方法为主，比如，我们常讲的 EMA、ARIMA 、Holt-winters 等。接下来，随着机器学习的发展，有像 LGB、随机森林的机器学习驱动的预测算法。再往后，发展出了一些深度学习的算法，代表性的有 TFT、Deepar 等。
对于我们的业务来说，最大的特点是数据量会很大，很多场景需要对万级，甚至到百万级时序做预测。虽然传统时序预测模型在有小部分场景可以取得不错效果，但是在应对波动业务的效果稳定性上不足。经过大量实际业务验证，深度学习类算法虽然技术投入要求大，但是在应对不断变化的市场上，预测稳定性和精度都优于前两代算法。
针对零售供应链行业对预测的可解释性和执行效率要求，我们基于深度学习理论框架自研了第三代预测算法，已经克服了部分技术缺陷，比如，它的预测是黑盒，可解释性不好，那么我们怎么去把它的可解释性做出来。
2. 预测技术落地面临的挑战
我们在研发预测技术的时候，希望朝着自动化的趋势来做。为什么呢？因为我们在实际业务应用时发现：业务永远是在变的。在业务不断变化的这一背景中，我们如何能做到高效率地服务他们？要是每新添一项业务，我们就要新招一批人来支持，对于公司而言，人力成本的负担太重了，所以我们希望在自动化上也有一些突破，通过自动处理来解决这一问题。
3. 全自动预测技术 Falcon
在这样的背景下，我们研发了全自动预测技术 Falcon，经过持续的跟踪，验证了这套技术比前两代预测技术表现更先进，不管是精度上，还是稳定性上，都更好。未来，我们将持续不断地去发展这项技术，目的是为了降低人工介入成本，并且更快速地去响应业务的变化，从而实现更高效率地去产出。
4. 使预测技术成为开箱即用的工具
在外部网站上，我们已经公开了一些 Falcon 的技术资料，核心是让预测计算流程实现自动构建和自动执行。这套自动预测流构建和执行方案在我们供应链相关的业务场景上取得了成功应用，非供应链预测场景的应用也越来越多。
5. 自动预测技术 Falcon 的效果&先进性
对预测，大家最关注的就是准确率，为了验证 Falcon 的预测性能，我们一直在参加公开比赛。我们重点考虑它在面临通用的场景时，预测精度和稳定性能做到什么样的程度，这里列出了几项我们对外公开检验的结果。
当前的话，我们内部的 BU 也都在使用，包含一些工程人员，他可能没有预测的背景，只有工程背景，他只会调用接口，甚至他只会做一些操作，做一些数据准备，他也能来把这套体系用起来。
甚至未来可以给到我们平台的用户，希望他们可以用这样一套工具，不需要去做很多机器学习的研究，甚至技术工程上的投入，他也能来使用。
--
05/智能预测服务 Alibaba DChain Forecast
我们刚刚所提到的这套预测技术，我们不仅希望阿里巴巴内部的业务可以用，我们也希望能开放出来，让整个业界需要时序预测的人，不需要去研究机器学习算法原理，不需要学习做预测的 pipeline，就可以获得精度不错的预测结果。
基于我们多年来在零售业务场景上打磨出来的预测最佳实践，我们研发了 Alibaba DChain Forecast 这个 SaaS 产品，这个产品目前我们在公开云市场上架，大家感兴趣可以通过网址http://forecast.dchain.tmall.com/登陆体验，我们现在有免费体验计划，大家可以去体验一下预测效果。
1. 智能预测服务应用场景广泛
Alibaba DChain Forecast 这个系统的应用场景非常广泛，它提供了一项通用时序预测工具，不仅可以在零售行业做销量预测、单量预测、GMV 预测，在工业制造、交通物流、云计算和电力能源领域都有很多应用场景。
2. 智能预测服务的用户功能与价值
Alibaba DChain Forecast 为云上企业和用户提供开箱即用的预测工具，不需要编写代码，也不需要了解深度学习和机器学习算法原理，跟随系统的引导，配置好数据，就能完成上面的预测场景，并且预测的准确率也能胜过大部分专业算法人士。
它有三方面特点，能够帮助企业和用户以最低成本搭建销量预测系统。
特点一：准确性高。Alibaba DChain Forecast 使用最先进的深度学习、机器学习和传统统计方法进行预测，搭载最先进的自动预测技术，对您的业务数据进行训练学习和自动调参，生成专属您业务场景的最佳预测模型，多项业务验证了具有更高预测质量。
特点二：易用性高。通过淘宝/阿里云账号登陆系统 后可直接开始使用，系统提供了清晰的配置引导，没有技术经验的人可以轻松完成操作，直观地查看预测的执行过程、状态和结果，还有不同时间粒度和不同维度的预测准确率。
特点三：端到端管理。实现整个预测工作流自动化 ------ 从数据上传到数据处理、模型训练、数据集更新和预测，提供 SDK 供企业系统通过 API 集成系统，也可支持私有云独立部署。
3. 智能预测服务特点
我们一直在不断思考和探索，如何将系统做得对用户更有价值。
**第一，**我们持续不断地丰富预测算法种类，除了自研预测算法 Falcon 外，还吸纳了已得到业界认可的算法。
**第二，**所提供的预测步骤来源于我们多年打磨出来的最佳预测流程，为企业节省培训和探索成本，根据系统所提供的预测步骤引导，即使没有算法和预测经验的人员，也可通过操作系统得到最先进成熟的预测能力。
**第三，**除了通过页面使用系统，还可以通过 API 的方式集成系统能力，系统应用管运分离的技术架构，保障用户数据安全，如果用户对数据的安全有更高的要求，我们也支持做本地化部署。
① 案例1
这里分享一个我们实际应用案例，从下图可看到，一共有四个操作步骤。第一步，将支撑做预测数据导入系统，第二步，将对结果有影响的业务事件输入系统，比如，店庆、促销等，系统将自动分析计算这些业务事件结果带来的影响，可以帮助预测更加准确率；第三步，构建你的预测模型，接下来就可以做预测了。通过事件配置功能，你可以配置不同的时序点有什么样的事件，系统将自动地去分析事件对结果的影响，在对未来预测时考虑进这些事件。
② 案例2
这是另一个应用案例，系统可以提供日粒度、周粒度和月粒度的预测，可以到店铺、区域等维度，大家从下图可以看出，不同的事件对单量的影响，有的对单量影响为正向，有的对单量影响为负向，在结果上都显性化展示出来，用户可以一目了然看到结果，以上就是对整个预测产品的介绍。
--
06/问答环节
Q1：黑盒模型的预测是怎么解释的?
A1：算法它是分成两类，第一类就是统计驱动的，像 ARIMA 之类的，我们是非常好解释的。另外一类是基于机器学习、深度学习框架的算法，它就是黑盒的。我们为了克服深度学习的可解释性，自己研发了 Falcon ，使得对所有的输入特征事件，能够解析出对预测结果的影响，从而实现预测结果可解释。
Q2：有没有在阿里内部把这套方法论体系赋能给商业化团队?
A2：这件事情确实我们是在做的。整个数字供应链部门有商业化的团队，我们已经与不少零售类企业合作，为他们提供基于需求驱动的供应链计划服务，我们也在和阿里云，还有菜鸟合作，为广大企业提供预测能力。
今天的分享就到这里，谢谢大家。
分享嘉宾
陈叶芬 博士
阿里巴巴 供应链引擎产品负责人
陈叶芬，清华大学工业工程系博士，阿里巴巴供应链引擎产品负责人，专注于全渠道供应链价值创新，先后主持阿里巴巴智能预测服务Alibaba DChain Forecast、供应链仿真平台、供应链算法平台、菜鸟数字供应链大脑等产品上线，为天猫超市、天猫国际、盒马、Lazada、AliExpress、淘宝特价、平台商家等提供算法驱动的智慧供应链解决方案，在时序预测、补货调拨、智能定价、智能履约等场景上有丰富的算法应用实践经验，所主持项目"智慧供应链大脑------数据转化为智能决策"曾获得中国ECR年度卓越案例。
DataFun新媒体矩阵
关于DataFun
专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100+线下和100+线上沙龙、论坛及峰会，已邀请超过2000位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章900+，百万+阅读，近16万精准粉丝。
