StartDT AI Lab | 智能运筹助力企业提升决策效率、优化决策质量

在人工智能和大数据时代，越来越多的云上数据和越来越智能的模型开始辅助人们做出各种最优决策，从运营效率、成本节约、最优配置等方方面面，实现降本增效，进一步提升商业效率。京东、美团、滴滴、顺丰等众多知名厂商，都通过运筹优化平台，改造其供应链、智能派单、司乘匹配、智能分拣等等。

零售行业环节众多，从生产到仓库、到线下门店的供应链中，即使最终产品的需求非常稳定，长鞭效应也经常会发生。原因在于供应链中各节点只根据其相邻的需求信息进行生产或者供应决策时，需求信息的不真实性会沿着供应链逆流而上，逐级放大。更准确的需求预测只是决策的一个步骤，还有随着销量等业务变动过程和流程管理过程中的库存订货决策、价格波动决策、短缺博弈决策等决策问题。长鞭效应表明即使预测再精准，如果对后续的流程决策过程没有有效管理，精准预测带来的收益也会被不合理的安全库存带来的损失抵消掉。

很多企业的决策过程往往过于依赖对应岗位的个人经验，而企业员工在这些事情上一方面获取的信息不完全，另一方面决策环节存在大量估算对比的重复工作，导致决策方案输出的低效和不稳定。员工重复劳动限制了个人成长，企业耗费了人力资源和宝贵的决策判断时间。针对企业优秀计划决策经验方法的快速复制、集中高效决策、快速信息反馈和计划决策效果预估等需求，奇点云在数据中台的基础上，推出了决策引擎的应用。

奇点云决策引擎

数据采集与管理完善，对数据进行信息提取，了解事物的规律，并不能释放数据的巨大价值。数据要产生实际价值，必须真正提升决策质量，实现决策的自动化、流程化、规范化。

在为客户完成数据中台的开发后，提供基于中台数据资产的智能决策服务，根据场景的不同，选择最大收益期望决策、最大最小收益决策、最小最大后悔值决策、马尔科夫博弈决策等决策方式，并结合运筹优化算法和强化学习对决策目标进行求解。

现实生活中，有很多问题可以描述成优化问题，然后利用运筹优化的知识加以解决。

比较核心的两个步骤是：建模(modeling)和求解(solve)。奇点云根据成熟的软件工具包（cplex, gurobi, glpk，lpsolve, scip ...）给出经典运筹优化问题的baseline解，快速上线试运行。在运行的过程中根据结果评估的核心指标，结合运筹优化算法和强化学习，对算法和求解过程进一步优化，使得计划决策模型、求解过程、评估体系能够满足客户业务发展所需的计划决策流程。

奇点云预测引擎以需求预测作为切入点，决策引擎则关注执行过程中的计划决策效率和决策质量。对于商品的季节性的影响和市场的供应的不稳定性需要补货决策合理跟进；铺货完成后，具体仓库到门店之间的补货，门店到门店之间的调货，依然需要客户的工作人员进行大量的工作，来生成每一期的补货、调货方案；为了完成铺货、补调货的同时保证市场状态的松紧平衡，也需要一个合理的分配方案。

计划决策的核心是库存的分配，包含仓库库存、在途库存、店铺库存等。库存管理是对制造业或服务业生产、经营全过程的各种物品，产成品以及其他资源进行管理和控制，使其储备保持在经济合理的水平上。利用历史数据实现实时更新的需求预测，为企业提供补货建议。合理地设计仓储货架摆放，商品区域划分，高低货架摆放，入库出库最优路径调配等，可以为企业节省巨额的成本以及大量人力劳动成本。可以减少资金占用，提升库存周转率，提升自动化管理，提高人员与设备利用率，降低库存负担。

运筹优化算出最优调货策略

奇点云某大时尚客户，线下门店有几千家，每家店有几百个sku，通过历史数据预测每家店铺每个sku在未来的销量，必然有的店铺会出现库存不足，而有的店铺出现库存积压的问题，那么通过将库存积压的店铺的商品，调货到库存不足的店铺，将会提高公司的整体毛利。店铺与店铺之间的物流成本不同，缺货和积压的商品种类也有差异，通过运筹规划中的混合整数规划的方法，计算出最优的调货策略，混合整数规划的模型可以抽象建模如下：

通过对调补货过程的建模求解，帮助客户业务人员对应的重复工作量减少了80%，计划决策时间缩短了三天。业务人员能够在决策时看到更多的数据依据，计划决策输入输出清晰高效。

结语

客户的业务流程中，大量环节会涉及到决策问题，如何高效利用数据来驱动决策是奇点云决策引擎的核心。在上篇StartDT AI Lab专栏文章中我们提到了精准需求预测的重要性，而实际中预测总是有偏差，带有不确定性，需要在不同环节产生的多级不确定性情况下做出决策。结合需求预测和决策引擎，让数据决策更加智能。未来我们会不断在需求预测与决策引擎领域耕耘，帮助客户创造更大的价值。