余玉刚  中国科学技术大学管理学院执行院长

中国物流学会兼职副会长

在2020年（第十三届）物流领域产学研结合工作会上的演讲（摘要）

（2020年8月21日  内蒙古·满洲里）

由于新技术的颠覆，我们对于供应链本身以及技术颠覆基础上产生的新数据和新的场景展开研究。目前整个业界都是有局限的，现在的企业在做大数据的时候，很多还是针对问题进行流程化解决，只有极少数企业真正能够站在全供应链，甚至企业内部流程的角度，利用数字化手段进行真正的优化。我们可能局部解决了一小部分问题，但更多未知的事情需要我们去开拓。今天我举三个例子进行具体说明。

一、跨境电商供应链配货渠道选择

根据市场调研，全球供应链网络分布中，亚马逊占据了很大比重。中国有很多跨境电商企业，通过美国的平台将产品销售到全球的客户，其中，亚马逊引领全球跨境电商市场，62%的中国跨境电商企业通过亚马逊销售产品。配送是跨境交易中最重要的环节。在配送中，一个经典的模式叫做亚马逊配送（FulfillmentBy Amazon），简称FBA，商家的货物要放在亚马逊的仓库里面，通过亚马逊的电商进行销售以后，由亚马逊安排送到客户的手上。另一种是商家配送（FulfillmentBy Seller），简称FBS。FBS模式中，商家货物放在自己的仓库里面，通过电商销售以后，由商家给消费者进行配送。这是两种非常经典的模式，那么企业到底什么产品应该选FBA渠道，什么产品应该选FBS渠道，以及包含的优化问题是什么呢。

通过亚马逊配送的优势是包邮、免费退货、补货时间短。商家配送的话，需要邮费，时间周期比较长。通过不同的渠道形成不同的供应链，会产生不一样的结果。在后台看这些数据的时候，也会看到在不同平台上的销量会有差异。

我们研究的企业案例苏州贝宝，面向全球180多个国家销售服装。我们用美国50个州作为研究对象，抽取了500多个SKU的样品通过不同渠道进行销售，将有FBA和FBS记录的SKU按照价格分为50组。可以看出从FBS模式转移到FBA的时候，从平均月销量来看转移到亚马逊平台是赚钱的，从平均退货率来看，亚马逊平台有相当一部分是亏钱的。但企业的CEO从宏观上看到的结果是从FBS转到FBA是赚钱的，这就会造成一些宏观上的决策误区。为了要剖析怎样进行数据化的决策帮助企业做渠道选择，我们采用了统计学习方法，对比FBA与FBS两个渠道，分析不同策略所带来的收益。另一个问题，企业内部往往通过简单的移动平均等方法进行各种预测，而非通过机器学习的方法，简单的预测方法会将很多方差波动性抹掉。我们的方法就是研究通过一些智能的方法进行跟踪和预测波动。最终我们的研究所提出的风险修正配送模型在保证可解释性的同时，可提高企业渠道转移效益35%，较线性回归模型和决策树模型表现更优。

二、微信驱动的数值化供应链库存管理

前些年传统的供应链信息技术，如RFID在供应链管理中很热门。近年来，微信广泛应用于企业管理，在市场营销、企业会议、售后服务中有较多应用。一些企业尝试将微信用于供应链管理，与传统的供应链信息技术相比，成本更低、使用范围更广、灵活性更高，但同时也存在自动化程度低、依赖于消费者扫码的问题。

以食品供应链上游生产商真心产品为例。企业为了控制牛鞭效应，尝试与下游零售商合作实现需求信息共享，但下游零售商拒绝信息共享。因此在有了微信之后，企业通过微信“越过”零售商，并通过奖励刺激（微信红包）消费者扫码，从而得到最终用户信息。通过消费者扫码将信息汇总到企业，形成供应链数据的积累。但是当我们对这个数据进行分析时发现，真正拿到数据进行应用是很困难的。一是消费者不一定扫码，二是扫码取决于发多少红包，由于是通过各种奖励措施刺激消费者扫码，需要调控以最小的成本得到尽量真实的需求。但试图通过微信扫码预测真实需求是很难的。例如：消费者需求是500件，零售商库存是400件，同时只有80%的消费者购买后会扫码，则企业观测到的扫码数据量只有320件，小于500件。因此要研究的问题就是如何在通过扫码数据学习真实的需求信息，如何衡量微信技术对供应链库存管理的价值。

这个要依赖于数字化的方法去分析需求和学习，然后进行整个供应链的流程管理。我们也是做了很多模型和算法，得到不同阶段客户的需求相关性信息。核心是基于牛鞭效应控制。我们提出了一种学习算法，理论分析表明，该算法可以有效地从扫码数据中学习真实的需求，并且算法效率随着扫码奖励和零售商提高而增强。从理论上看可以帮助企业节约库存成本90%以上。

三、电商供应链下的机器人仓储系统管理

传统供应链是长链，但现在电商背景下，很多供应链是短链。在电商平台销售后，通过配送直接到消费者。在“双十一”海量的订单背景下，就会倒逼技术变革，产生新供应链环境下的新技术。

例如用来处理剧增包裹量使用的高效自动化分拣系统。货物在配送中心要向全国50个城市进行配送，利用基于机器人的智能分拣系统，将货物分配到对应不同城市的格口。国内很多企业针对这个问题给出了解决方案，但在实践中存在很多问题。第一个问题是格口流量不平衡，通过格口编号与格口投递量的对应关系数据，可以看出16%的格口负责了43%的服务，存在着很大的不均匀性。企业的目标是各个格口的投递量趋于平均，但实际与目标偏差很大。第二个问题是订单-格口指派不合理，数据显示，投递量很大的格口基本都分布在同一区域，而这种不合理的指派主要是地址与格口的不合理匹配导致的。

针对问题一，我们的解决方案是地址的流量拆分与组合，使实际投递量与目标投递量的最大差值最小。针对问题二，采用就近投递原则，使总物理投递距离最小。通过企业实测看出我们将上下波动控制到了1%。优化方案峰值拣选效率16192件/时，优化方案稳定拣选效率15200件/时以上，企业峰值拣选效率13258件/时，得到了20%多的提升。

我们基于香港、印度等很多项目都进行了若干研究和实测，发现现有市场上的解决方案都存在着很大的完善空间。我今天就举这三个例子，谢谢各位！