大型制造企业智能决策场景解析

导读 文章将介绍大型制造企业的发展现状，及其对供应链智能决策的诉求，并分享一些典型案例，剖析其对决策智能的应用。

主要内容包括以下五大部分：

1. 制造企业发展现状

2. 制造型供应链的需求

3. 典型案例分享

4. 更多场景拓展分享

5. 问答环节

分享嘉宾｜黄翔 杉树科技 副总裁 

编辑整理｜吴叶国

内容校对｜李瑶

出品社区｜DataFun

01制造企业发展现状

首先来介绍一下制造企业的发展现状。

1. 企业管理正从线性发展向复杂能力网络进行变革

目前，许多企业，不仅是制造型企业，都在从传统的线性管理方式转向复杂能力网络的管理。DSN（数字供应网络）的转型在某种程度上为决策智能奠定了坚实的应用基础。通过实时数据，决策信息能够更好、更透明、更快速地传递，协助运营和供应链的主要使用者——也就是决策的最终执行者——增强整个供应网络间的协同作用，减少线性供应链的反应延迟。

在传统的信息传播方式中，从前端需求传到中间供应，进而拉动后续生产制造，并通过物流完成执行，整个线性流程的每个环节都有特定的响应时间。而传统的管理方式更多是“一刀切”的策略，导致各部门在各自的职责范围内过于关注自己的领域。这种策略很难满足当前复杂供应链所需的敏捷性，同时也难以清晰地关注成本及提高服务质量。

2. 复杂能力网络带来更高的运营成本与管理难度

在企业规模较小时，供应链成本的占比和决策难度都相对较低。研究和应用决策智能的主要原因是为了满足复杂供应链和大型企业的需求，尤其是在大型企业的复杂供应链中，追求更高的服务效率和服务水平，同时希望能降低成本。在一个多元化的生产、销售和采购的供应网络中，尤其是面临需求、生产和供应的不确定性，供应成本通常会占到整体的 15%-35%。如果再加入管理成本和其他隐性成本，供应链的管理重要性得到了前所未有的提高。

制造型企业在供应链中具备哪些独特的特点和特色？其追求的发展和服务其实集中在以下几个层面：特别是个性化、多品种、小批量订单的分析评估与交期承诺。这也标志着许多制造型企业正在改变其原先的特大批量生产模式。

多种的交付模式混合意味着许多企业现在都需要在备库式生产、按单式生产、组装式生产和设计式生产等模式中进行选择和转变，这就要求企业采用多种灵活策略来应对。同时，企业需要确保生产的稳定性和经济性，以及采购的批量与价格的适宜性。因此，企业需要提高自己的决策能力，以实现更为迅速的前瞻性决策。

综上，我们可以总结出四个关键词：数据驱动、决策导向、寻找最优以及快速前瞻。

3. 数智化升级企业管理必然选择

新时代高质量发展的要求下，制造业由“增量、扩能”逐渐进入“减量、调整”阶段，多品种、小批量、个性化和定制化成为必然趋势，使得加强质量管理、降本增效、节能减排成为必须。这些关键议题均指向了强化供应链协作，以实现更佳的产销平衡。

企业需要实施更精益的经营决策、更实时的成本管控，并快速应对变化。面对竞争，企业需要更高效地配置资源，形成更强的竞争力，这些都要求企业更加灵敏、更加精准地利用有限的生产要素来创造更多的价值。这正是供应链与决策智能的核心价值体现。

4. 企业数智化转型整体思路

决策智能依赖于数据的支持。

这里将企业管理分为 L1 到 L5 五个层次，其中 L1 是基础自动化层，L2 是过程控制层，L3 是制造执行层，L4 和 L5 分别是经营管理层和决策管理层。

上层更注重决策与信息的闭环利用，而下层则更关注信息的质量和快速收集。两者相互补充，构建了以业务为载体、数据创造价值为导向的平台，形成从数据到决策的应用闭环。这展现了决策与数据之间相辅相成的关系。

许多企业会疑虑自己的数据是否到了一个合适的阶段去应用决策智能，关键要看到其应用于哪个层级以及做何种决策。无论是在采购、营销、制造、物流还是能源等领域，数据只有被有效利用，其价值才会呈现，并形成螺旋式上升的过程，最终指向数据和价值要素的完整价值体现。

5. 人工智能决策技术背后

人工智能决策技术背后的核心目标是对有限的生产要素进行合理的优化，这与运筹优化在供应链和决策智能中的作用紧密相关。要将生产、销售等要素，结合约束条件和优化目标，考虑各个环节的收益和成本，进一步将能耗、碳排放量等目标纳入整体的运营与供应链优化目标中，以实现协同考虑。

02

制造型供应链的需求

上一章节中介绍了制造型企业的发展现状和诉求。接下来将分析当前复杂的供应链管理所面对的诉求。

1. 制造型企业需要拥有复杂供应链的管理能力

业务其实并没有发生很大的变化，无论是大家熟悉的消费品制造，还是与日常生活距离较远的原材料或工业品制造，都会从客户感知、物流分拨、分销补货、生产供应以及物料协同这五大环节当中体现企业的供应链管理能力。不同的企业在这些环节中所擅长和关注的能力是不同的，取决于企业自身定义和执行的差异化竞争策略。

对于今天讨论的制造型企业，它们更为关注左下角所示的生产端的变化，这里是指工厂内制造能力的管理，以及如何与其供应商或原材料提供商形成互补的能力。我们可以将整个变化抽象成两类：生产变化和地点变化，这是核心需要考虑的两种能力，当然也有其它一些能力补充。

2. 制造型企业供应链所构成的“复杂网络”

在这样一个复杂的网络中，存在三大不确定性，即供应不确定、生产不确定以及需求不确定。

整体上，供应链优化和决策智能的应用涵盖从供应端到制造中心，进而到仓储网络，再延伸至客户和下游企业的整个过程，要解决面对不确定性情况下的复杂决策问题。

下面通过一些例子来理解不确定性是如何体现和构成的。

3. 制造型企业供应链所构成的“复杂网络” – 生产不确定性

通常，制造型企业在供应链中的不确定性主要体现在生产端。

生产的不确定性对于非行业内人士可能比较难以理解，它在流程制造中特别明显，尤其在配方、配料和配比等层面上，这是由工艺层面上所体现出来的反应机理、工艺参数和工艺约束等原因所导致的，不仅是针对产出物产量的不确定性，还会在产出物库存的把握和产出的时间上都体现出不确定性。

以钢铁行业为例，钢铁行业的前工艺段包括烧结、球团等过程，以及块矿和燃料的投入。尽管天然的物质经过简单的工艺，如烧结工艺和球团工艺能够更好地帮助它在后续的炼铁、炼钢的高炉和转炉当中去进行反应，但它不可避免的仍然是一个自然产物，对于未经提纯的自然产物，我们很难保证其含量纯度是特别高的，这就需要在生产工艺和配方配比当中尽可能的在后续的高炉和转炉的工艺中，瞄准主产品目标产品并保证副产品目标产量。

有些副产品和主产品之间是取主产品弃副产品的关系，但也有其他行业，主副产品对于企业营收都至关重要。例如化工行业的主副产品的产出决定了企业的利润平衡点，这就需要根据主副产品的库存和相应的产出比例去决定当前批次的生产工艺和相应的产出物选择。钢铁和化工作为典型的行业都具有这样的特性，不仅如此，其他的一些离散制造行业其实也会有同样情况的出现，只是会更多地体现在原材料供应层面的选择上，从而导致更多供应不确定性的出现。

4. 制造型企业供应链所构成的“复杂网络” – 供应不确定性

在离散行业，尤其是电子制造行业，替代是一个非常重要的业务选择。简单地科普一下替代的概念，以上图的 BOM 树来看，单向替代指的是 C 可以替换 D，但是 D 不可以替换 C，这种情况一般出现在企业对于技术版本有要求的情况下；双向替代指的是在供应商的供应能力没有太多的区别的情况下，企业可以自由选择供应商。

也可能出现比较复杂的局部替代或者全局替代。

产生替代的原因，一方面是因为供应商针对某个产品的供应能力在最终的制造层面上体现出相同的制造属性和应用属性，另一方面也是企业去平衡供应商需要做多种多样选择的需要。在这种情况下，供应商在它下游企业中所表现出来的某个产品的供应能力会直接影响到下游的客户，也就是中间的制造中心在应用这些供应产品的时候的选择，这些选择无论是从供应时间还是从供应量当中，都会需要企业通过物控的管理、生产工艺的管理等来尽可能的弥合和减少供应不确定性所带来的差异。

上面讲到的局部替代或者全局替代一旦发生在生产过程的决策当中，它所体现出来的复杂性就会上升。

如果我们简单地在采购阶段就已经通过供应商的选择和不同供应商所提报的可交付时间选择好了主要的供应商，那这一决策仅限于采购部门，但如果这种替代是我们的某类客户在某些特定的订单生产的时候所指定的，那就需要一个二级的子部件，甚至是三级的子部件必须是某个品牌所生产。就像我们自己去买家用电器或者是某些品类的时候，也会问是不是某个时间段的批次内生产的某个内存或 CPU，因为其质量更好一点。这其实某种程度上也是消费者现在追求个性化，追求最终端的使用效率所提出的额外要求。当这种不确定性从需求端直接传递到生产，再传递到供应，就不再是一个简单的局部问题，而是需要考虑需求、考虑生产的一个全局决策，以上图中左侧为例，至少能提供 16 种生产方案。如果扩展到企业数以万计的生产方案，就急需快速决策和有专业算法支撑的智能决策来帮助企业管理好这样复杂的生产。

5. 制造型企业供应链所构成的“复杂网络”

回到这张图，我们看到供应的不确定性、生产的不确定性和需求的不确定性。

一旦这些不确定性脱离了各自所在的子部门，也就从原先的线性传递变成了直接穿透各个线性层级的复杂管理，就需要企业拥有针对不确定性的解决复杂决策问题的能力。

这个复杂网络描述了从销售端到制造中心，到工厂、外协工厂及其供应商之间的关系。下面是各个片区内的一些问题。

生产计划系统要回答的核心问题是生产什么，什么产线生产，什么时候生产。在主计划系统很好地回答需求和供应之间的平衡关系。前端销售和成品发运网络集中在成品的供应链端，更关心的是服务水平和相应的履约策略与服务策略。而前端需要更好地对需求进行把控，更精准地知道需求是什么，需要用什么价格卖什么产品。

杉数在过去的六七年间，通过这样的总结形成了相应的计划体系和计划应用平台，并应用于多个制造型企业和消费品企业中。

6. 复杂决策问题的模型构建

复杂决策问题的模型构建，会构建成典型的网络流的表达。以交付量、库存量、生产量来进行组合，一旦带上时间周期，问题会变得十分复杂，需要企业有更好的解决方案。

7. 业务难点举例：原材料优先级

像制造型企业遇到原材料优先级的选择，其背后是原材料针对不同的加工对象，不同供应商的原材料之间相互替代的选择。针对原材料的选择，可以用一个简单的方法概括，针对在目标函数上的不同库存进行相应惩罚系数的控制，但在实际应用中，系数的调整和相互之间的权重是一个非常复杂的关系，需要系统化的体系通过应用平台和算法模型库的建设来更好更快地去解决问题。

03

典型案例分享

杉数在过去六七年间积累了很多案例，可以总结出几类共性问题，例如对于市场洞察的问题、企业自身供应链中协同交叉的问题或是需要支持动态库存分配的问题。接下来分享其中 4 个典型案例。

1. 六国化工：产供销一体化升级

六国化工与杉数一直保持合作至今，是一个典型的应用决策智能帮助企业完善供应链、运营链的端到端的体现，从前到后各个环节都有涉及。

化肥的生产有典型的季节性和区域性特点，市场需求的全局捕捉至关重要。经过近几年的经营层面上的改革和变换：

• 一方面，六国化工成立了自己的贸易子公司，能够更好地管理其经销商和成品库存。通过杉数搭建的供应网络，避免了产品单一化和陷入同质化竞争；
• 另一方面，通过已搭建的产销协同平台，六国化工已经很好地实现了整个 OTD 链条时间的缩短，通过备库策略尽可能利用淡季的产能，为旺季的产能不足预留出了空间；
• 同时，依赖于整个协同的进一步优化，企业对自身的资源进行了更好的思考和更充足的准备。

六国化工产供销一体化升级的项目收益可以总结为如下四大方面：

• 面向设备：从设备层面上的资源保证看到了生产效率的提升。
• 面向生产：从整个生产制造的过程中看到了生产利用率以及有效的综合能源利用率的提升。
• 面向运营：从运营层面上有每年将近千万级的库存成本的下降，在终端市场，其销售子公司获得了非常大的客户满意度的提升。
• 面向产业链：通过自身多个公司的结构化运营的变化，更好地提升了计划采购的透明性，提升了整个供应链的稳定性。

通过智能化，进一步回答了运营层面上提出的新需求，通过更好的高质量的发展，提高了市场端客户满意率，并提高了企业产销运营能力，实现了企业生产精细化管理，使企业核心经营数据自下而上通盘实现互联。

2. 消费电子巨头多工厂协同升级

消费电子行业中有很多大型的企业都会涉及到多工厂的协同生产，杉数在过去几年间服务了许多处于不同阶段、不同场景的客户。案例中的客户，从整个生产制造工艺，到工厂数量，再到其需要展望的周期，都是体量比较大的，由此带来的库存和供应链压力也特别明显。

不仅体现了前面讲到的从前端的销售需求端直接穿透到生产供应端，也体现了对于终端供应商的选择，还体现出了这家企业在实际生产物料的选择中遇到的产能和供应同时不足，因此需要对 200 多个工厂，涉及 15 万个编码，在 28 天+10 周的时间颗粒度去进行合理的选择和排布。

我们将整个问题切割成四部分：

• 需求计划：需要利用机器学习等预测算法智能预测产品需求，根据产品特性采用差异化预测方法，智能预测未来 SKU 级别的需求量，同时结合 BOM 结构分析半成品/原料需求。
• 库存计划：基于需求计划，通过对供应链中的原材料、半成品、关键器件等的库存问题进行建模分析，优化库存位置、库存策略以及对应的安全库存水位。
• 生产计划：考虑多工厂的差异化属性、物料约束、产能约束、生产比例等业务要求，更快速地输出在满足复杂业务优先级下的最优生产计划与物料分配计划。
• 物流计划：通过高效调度算法，实现工厂、仓库、经销商之间运输/配送的高效运输执行，实现运输配送的高效、协同、透明。

3. 装备制造巨头一体化协同升级

下面分享一个相对更长周期履约的案例，也是一个典型的装备制造的案例。

装备制造企业相较于前面分享的客户，更偏向于从设计到订单的生产模式，或者叫从组合到订单的生产模式。这意味着企业在按项目制去生产时，无法保证设计环节和最终落地的零件能够完全划等号，这也需要有多套 BOM 体系在制造型企业中进行流转，这也是我们通常讲到的，在制造型企业有 EBOM、有 PBOM 以及最终用于生产的制造 BOM，这些 BOM 在各个版本之间的切换其实联动到了整个供应链的各个环节。

在原先的体系下，企业没有那么大的服务水平和服务时间的压力，可以先按部就班地做小规模的试产，研发也可以很好地制定物料。但现在整个交付时间周期压缩，带来了非常大的服务水平的压力，客户也追求更加小批量、多品种的选择，整个研发和迭代周期压缩，导致更多的生产型的和制造型的企业需要把生产和研发的周期进行融合才能够创造更多市场竞争力，这就迫使供应链和生产制造中心需要在不能完全确定生产物料的情况下，提前进行物料筹措的准备。

如果既需要兼顾整个生产的稳定性，又需要兼顾各个不同的项目和机型之间量产的需要，在这种情况下去考虑整个生产的最优性呢？

以分机制造为例，其一体化生产协同需要考虑多目标、多约束的复杂优化模型，参照项目、产品、大部件、提货地、排产量等各个部分，前端针对需求、运费、叶片供应能力、相应的不同时间阶段的 BOM 信息、关键零部件的供应等加入约束条件中，再考虑不同零部件和供应商的指定和相应约束的限定，还有各部件的供应能力，将提高需求满足率、提高产能利用率、降低库存和最大化齐套数量等作为优化目标，装备制造型企业最终成品的齐套对于企业的营收的确认是至关重要的。

4. 钢铁企业智能制造

最后分享的案例属于典型的生产不确定性行业，钢铁行业。钢铁企业的智能制造提升主要体现在物料一体化和生产能源一体化。

物料的一体化需要联动生产决策，针对矿石的价格，经过对烧结、球团、炼铁、炼钢等工艺的成本分析，最终决策投料的比例。

这样一个生产决策在整个物料体系当中体现出来的是不同的物料在不同的生产工艺阶段对库存的使用和相应稳定性要求。

原先的配料只是采购端去选择最便宜的物料，而现在不再是仅追求产量，更追求整个的生产质量，生产和物料选择的联动也变得更加紧密。企业在产能需要上行的时候，更多的会追求高质量的原材料，从而去寻求生产和利润的平衡，在成本受压、需求受压的情况下，企业会选择更加经济实惠的原料。

再进一步，需要把生产和能源考虑到一起。在钢铁的生产过程当中，能源是非常重要的一个部分，在高炉的生产中需要使用焦煤焦炭，使用焦煤焦炭的过程中会产生煤气，煤气的产生及其在后续其他生产过程当中的使用又会涉及到能源的闭环使用，其间涉及煤气发生量的预测、煤气发生量的实时监控和调整，要使能源的使用在整个生产过程中合理分布。通过煤气的缓存设备，更加科学地分配煤气柜的吸收和释放，联动起它自身的一些外围的能源系统，例如发电机、储能系统等，从而实现既保证整个管网的放散压力，又在保证生产的情况下，做出最优的能源选择。

04

更多场景拓展分享

上一章节中分享了 4 个典型的应用场景案例，在制造型企业当中类似案例不胜枚举。

1. 如何我们在这些问题中引入关于碳排放的思考呢？

复杂的供应链背后折射出企业对于供应链和智能决策的需要。越来越多的制造型企业对于供应链的需求，从原先单纯的供应商端变成了针对整个企业的运营，从原先能源作为单纯的供服部门变成了参与到整个供应链决策当中的一个主体。在生产过程当中，还需要把能源和碳排放也加入决策当中来，包括生产制造过程中的碳排放、外购能源所涉及的碳排放和上下游供应链中的碳排放。

2. 基于端到端业务流，追溯企业碳排放的碳素流

基于端到端业务流，需要在销售、采购、物流等各个环节，完整记录和追溯企业碳排放的碳素流。

3. 企业碳排放的“碳流向”所形成的“碳网络”

碳作为企业需要重点考虑的资源，也可以被刻画成一个流，从而更好地控制其流向、大小和时间。

我们相信，未来各种各样的生产要素，都需要依靠智能决策技术去实现更好的配置。

05

问答环节

Q1：在人为做出最后决策的情况下，如何衡量算法生成库存计划的合理性？如何更好地让业务接受算法的结果？

A1：一般来说有两个方式：

一是让更多的业务同事了解算法到底是什么。大家一般不太敢用的原因是因为对于结果产生的方法论没有办法很直观地理解。这也需要在选择系统和算法应用的时候尽可能地白盒化。

二是需要通过像沙盒的模拟，通过模拟仿真的工具，更加直观地通过典型的库存指标，如服务水平、库存成本、不同时间段的相应的指标让业务人员去做更好的理解。

Q2：是否在汽车行业有一些应用？

A2：有的，可以回看 2022 年杉数在 Datafun Summit 的相关分享。本次分享是希望帮助大家了解制造业更多面的应用。

目前杉数科技自身的 COPT 求解器是所有的公众都可以使用的，大家可以在杉数科技的官网上进行试用。它不仅面向专业的科研人员，数据的使用人员，对于初学者也有丰富的应用示例。杉数自研的教学平台当中有很多供应链的课程，大家无论处于初学还是已掌握一定编程能力的阶段，都可以直接使用，很多客户的业务人员都是通过我们的教学服务掌握了这一能力。以上就是本次分享的内容，谢谢大家。

分享嘉宾

INTRODUCTION

黄翔

杉树科技

副总裁

多年运筹优化算法研究经验，自加入杉数以来专注于为大型企业提供优化方案并实施，参与并主持实施了多个大型制造企业供应链与生产制造优化项目，主导设计华为多工厂生产排程项目与多级库存优化项目、顺丰选址优化项目、仓储优化管理项目和库存管理项目；永辉门店选址优化项目；万城万充选址优化与定价项目；上汽通用排产排程项目；舜宇光学物料计划项目；六国化工企业产销协同升级项目以及多家航空公司的航空排班和航班恢复项目等等。

限时免费资料

往期优质文章推荐

往期推荐

Open Vocabulary Detection 开放世界目标检测竞赛 2023获胜团队方案分享

腾讯 PCG 数据治理体系

大模型视角下的因果推断

大模型分布式训练效能提升的必要性（万字长文推荐收藏）

火山引擎  DataLeap  计算治理自动化解决方案实践和思考

字节跳动 Spark Shuffle 大规模云原生化演进实践

为何要用向量数据库？成本，成本，成本！

终于有人讲透了用户分析方法论

超越Midjourney？基于语境学习训练图像扩散模型【前沿】

淘宝推荐场景的利器：融合复杂目标且支持实时调控的重排模型

小米数据中台建设实践赋能业务增长！

MaxCompute湖仓一体方案新能力

点个在看你最好看