导读：近几年，越来越多的企业开始关注如何利用人工智能帮助企业在这个时代获得更高的运营效率。各个企业都在思考人工智能时代的终极目标是什么？我们认为新的技术应该应用于智能决策。本文将分享运筹学的一些方法在实际场景中的应用。
全文目录：
01
人工智能时代下的商业决策
企业拥有大量数据，希望能够通过这些数据做出更好的决策。智能决策涉及以下几个重要的环节：
1. 数据采集与管理
数据的采集与管理不仅是大数据时代决策的硬性基础，也是数据时代驱动公司的原燃料，这个过程通常是由计算机和信息科学技术完成的。现在大多数的企业遇到的问题并不是数据量少，而是数据量很多很杂，要把繁杂的数据整理成对我们去做决策有用的数据。
2. 规律性分析
当我们有了这些数据之后，我们可能会对这些数据做一些分析，分析的目的主要是对未来做一些预判或者预测。我们需要将数据中的信息提取出来，了解事物背后的规律。这些通常可以由统计和机器学习技术完成。
3. 决策建模及求解
预测永远都是不准确的，那么如何才能在不准确的情况下，做出比较好的决策？核心决策往往有较高的复杂度，受诸多决策因素影响，且决策因素之间关系复杂，因此从规律到决策的演化往往需要极强的建模及求解能力支撑，通常由运筹学和优化技术来完成。通过数据的收集，规律性的分析，再加上建模和求解，才能打通整个从数据到决策的完整链条，最终帮助企业做出正确的决策。
--
02
数智化转型的不同阶段
不同企业在数智化转型的道路上可能处于不同的阶段。根据经验，我们将这些阶段大致划分如下：
1. 人工经验
最早期阶段，企业无数据积累，决策大多依靠人工经验。这仍然是很大一部分企业，尤其是一些相对传统的行业所处的阶段。比如一些物流企业的调度、路径规划等，基本上还是靠一些老师傅在做。还有一些消费品企业在做计划或者库存时，也是按照人工的经验，通过人的决策来做的。
2. 数据感知
在向数智化转变的过程中，第一步就是数据感知。有初步的数据积累，可以支持人们做一些决策。比如前面讲到的库存的例子，可能从完全的人工经验，发展到有了一些信息系统，记录一些数据，比如历史同期数据、过去7天的情况等。有了这些数据的支持，以及一些简单的分析可以用作参考，来帮助大家做决策。但是最终的决策还是由人来做的，机器本身并不能去做最后的判断，只是提供做判断的一些依据。
3. 数据导向
再向前一步，就是数据导向的模式。数据导向和数据感知都是数据和人的结合，但区别在于主次发生了变化。在数据感知里，数据是作为辅助来支持人来做决策；而数据导向的决策是由算法做支持的，算法提供决策方案，而我们只需要去做选择或者只做小部分的修改即可。例如门店补货的场景，如果有个算法告诉我们每天的库存应该补多少，应该进多少货，那么决策者可以根据这个结果选择接受与否。除却一些突发事件的发生，需要进行修改，其他情况下则可以自动接受即可。
4. 数据驱动
我们最终的愿景是数据驱动。由大数据分析与算法自动计算，得出企业运营决策。现在很多企业，尤其是在一些相对比较自动化高频的场景，比如自动化的仓库，或者一些互联网的公司需要做实时决策，如网页显示的内容推荐等，都可以做到数据驱动的效果，完全由算法大数据来帮助企业运营，人工干预非常小。
--
03
企业管理面临巨大挑战，决策智能化势在必行
1. 市场变化快
市场变化非常快，很多企业销售模式从传统的线下转移到了线上，从几种比较固定的模式，到现在直播等新的模式。这些市场的变化也给管理带来了很大的变化，企业需要快速地应对市场变化，过去计划可以一年年做，但今天已经不可能了，很多计划已经变成了月月做、周周做。为企业带来很多压力，也带来很多人工经验无法快速沉淀适应的情况。
2. 供应链要求快
响应销售策略，销售渠道/销售产品更新快，涉及到很多的供应工作的变化，比如库存、计划、生产、运输等。比如现在大家买东西都是希望能越快拿到越好，所以对供应链的速度要求就很高，相应的对供应链的能力，比如仓网规划、库存等方面的要求也越来越高。
3. 技术迭代快
项目落地和技术迭代速度快，过去全国30多个工厂，实现全覆盖可能要花5、6年时间，现在可能只有2年时间。
4. 行业的严峻挑战带来切实的管理与运营痛点
各个部门缺乏统一协调，需要通过数据提供一个客观的参考。
5. 制造企业面临的挑战
内外部环境复杂、变化快，比如原材料的短缺，国际形势导致芯片、能源受到限制，又比如疫情等突发情况，都为制造业带来了很多挑战。要应对这些挑战，人工的能力非常有限，人们的经验通常得来于长期的积累，但新的事情发生后人的适应是需要时间的，我们就希望通过数据和一些新的算法技术来帮助企业去响应这些变化。
6. 决策智能化势在必行
大家都已经看到数智化的趋势日益紧迫，甚至会影响到企业的生存。
--
04
杉数科技新一代智能决策平台
企业运转有不同部门去负责不同的事情，比如市场、销售、供应链、生产、采购等，每个部门都有自己的数据，和业务要求和流程。企业数智化升级需要把全部流程打通，串起来，将一套数据整合，为企业提供决策支持。
杉数新一代智能决策平台就是基于多年经验打造的一套帮助企业打通各个部门，提供整合信息及一体性决策的一个平台。具体包括不同的一些模块，通过运筹优化和机器学习等技术手段，来帮助企业解决端到端的决策问题。
我们的平台搭建在企业原有的一些系统之上，比如CRM、MRP、ERP等，从其中提取数据，整合并呈现到我们的平台上。
各个模块之间松耦合。企业的应用实施也可以分步骤、分模块的进行。
--
05
杉数智能决策平台应用场景
我们的平台广泛应用于泛零售、工业制造、基础设施等领域。下面介绍几个具体案例。
在销售方面，很多企业遇到的困难是完全不清楚不同手段的促销，花了很多钱，到底有没有效果，钱应该怎么分配到不同的渠道、不同的流量、不同的商品上去。这里涉及了大量的机器学习内容。首先机器要先去学习每个产品、每个渠道的特点，再去做一些动态的资源分配，会涉及到一些复杂的优化模型。通过我们的平台，给企业带来了显著的提升。
第二个场景是我们和好丽友合作的一个相对比较完整的供应链的项目，包括从需求计划到供应计划，到履约等各个环节。他们通过经销商卖货，会出现经销商大量要货，大家其实也不知道卖多少，但是反正先把货要到。但是食品类受保质期的影响，不能一下生产很多，所以数量有限的货应该给谁，每个人给多少，这就涉及到分配的问题。因为卖不出去还要退回来，所以给太多并不一定好。这就需要一套科学的方法，依据数据来进行分配，给企业带来最大的收益。
除了前两个偏前端的销售相关的场景，我们在生产端也有一些实践。比如化工企业需要知道应该在什么时间生产什么产品，产品线该如何利用。如果生产了太多，前端不需要，就会造成库存的积压，一方面是带来了很多浪费；另外一方面，像化学类产品它们放了一段时间质量就会有问题，需要重新去炼，而且产品本身也会带来污染等一些问题。所以就涉及到了产销协同、生产计划安排等。我们帮助企业实现了库存的大幅下降，同时也减少了碳排放。
还有离散制造的场景，比如手机行业。逻辑复杂，中间的原材料、半成品、产成品等数目非常多，有很多生产线，每天每条产线上应该用哪些原材料生产哪些半成品或者成品，如何充分利用产能去满足前端的订单，如何应对临时状况等，涉及到非常多的模型。
我们帮助他们去解决各种问题，从而提升订单满足率，降低产能损失，同时提高自动化程度，减少人工干预。
由于篇幅有限，还有更多的场景不能在此一一介绍。
数据科学是数智化转型中至关重要的一部分，希望有更多的企业通过应用这些技术来真正实现数据驱动，智慧运营，从而带来更大的效益。
今天的分享就到这里，谢谢大家。
分享嘉宾：王子卓博士 杉数科技 联合创始人&CTO
编辑整理：郭苗苗 新瑞鹏集团
出品平台：DataFunTalk
01/分享嘉宾
王子卓 博士｜杉数科技 联合创始人&CTO
王子卓博士现为杉数科技联合创始人、首席技术官，香港中文大学（深圳）数据科学学院教授、副院长。王子卓2007年本科毕业于清华大学数学系，2012年博士毕业于斯坦福大学管理科学与工程系。王子卓曾任职美国明尼苏达大学工业与系统工程系助理教授、（终身）副教授。
王子卓博士的主要研究方向为运筹优化和运营管理。特别地，他对消费者行为，商品定价和市场量化营销有着深入研究。他在运筹优化和管理科学国际顶尖杂志上发表过超过40篇文章，在国内国际会议上多次应邀进行报告，并担任多个国际管理科学期刊副主编。王子卓曾获得多项运筹优化领域学术奖项，并担任多次国际学术会议组织者。
王子卓博士在工业界有着丰富的项目经验，在美国时曾长期参与IBM定价项目，为企业大幅提升收益，也曾为希捷、美国运通等做过项目咨询，也曾在华尔街量化基金担任过研究员。2016年起，王子卓与他人共同创立杉数科技并担任CTO。杉数科技为国内大型物流、零售、制造型企业提供数据决策系统与服务，帮助企业显著提升运营效率。
02/关于我们
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700+，百万+阅读，14万+精准粉丝。
| 留言与评论（共有 0 条评论） “” |
