1、引言
今年我们在制造行业上推出了工业数据中台，并依托工业数据中台主打几个行业场景解决方案，这其中供给侧供应链优化是其中最普遍的一个场景。之所以讨论场景的中台解决方案，是因为一直有一个想法，我们对客户讲数据中台，业务中台，在没有场景的情况下是很难让客户理解的，除非客户需要的就是一个大数据的平台或者技术中台等，究其原因最终这些我们经常讲的中台背后是具体落地的技术方案，业务人员需要的是通过场景来去理解中台，并解决其业务问题的解决方案，我们在零售经常讲的中台其实有价值的是数据银行和上面的那几个Q的解决方案，因为通过这些客户体会到了中台的价值，所以我们在制造业推也是要推供应链的中台场景，设备管理的中台场景，营销服务的中台场景，最后合并演化成为成为制造业数字化场景解决方案的基础，形成制造企业的数字化基础-制造中台，这不是炒概念，而是通过场景去讲价值，例如在供应链领域，已经有了行业成熟的业务模型，按照供应链的SCOR模型如何把计划，采购，生产，配送等业务内容分解为业务或者数据中台的服务，这样中台就有形为一个具备业务价值的平台，通过业务场景定义-》业务场景服务化分解（DDD建模），然后客户需要智能订单服务也好，还是物流一体化服务也好，组装这些数据或者业务中台的服务就好了，这样也达到了敏捷和快速应对不确定性的目标，当然，这里数据中台数据服务的设计和业务中台的业务引擎服务设计非常重要了，不然也达不到敏捷的目标，这是我们目前打造场景化的中台解决方案的目标，下面我们通过供给侧供应链优化场景来具体分析。
2、供给侧供应链优化
供应链的优化对制造业是很有价值的场景，从C端的电商到离散制造，都有广泛的应该用，供应的核心是计划，而计划又离不开需求预测，一般由订单预测驱动的供应链，即拉式供应链适用于C2M模式的零售制造，阿里的犀牛工厂就是典型的例子。但是对于非零售制造的特色的其它制造行业来讲，这种供应链优化模式就不合适了，传统制造行业的订单很难预测，或者没有多大的预测价值，要预测也是需求预测，然后通过库存来驱动生产，例如工程机械，只要控制好库存风险，这种推式供应链模式还是很适合的。所以我们看一下我们定义的供给侧的供应链优化的特点：
第一，需求、计划和库存为驱动，需求波动较小，批量生产、运输，生产有周期性，靠计划实现产能的弹性；
第二，库存水位线长期稳定，需求预测主要是为了缩短供应链的响应周期，或者是提高其供应链的响应速度；
第三，供给侧优化实际上就是用增量促进存量优化，这一类企业的特点是习惯性的低估业务的可预测性，或者强调需求的不可重复性，通过增量的变化刺激业务决策判断能力的提升，然后用这个能力管理好常态的存量业务过程优化，即存量订单的供应链集成优化；
第四，供给侧供应链以创造客户价值为核心，构建生产、商贸、物流、金融服务高效协同，资源共享，客户、供应商、合作伙伴互利共赢的高信用的一个生态体系；
3、中台为什么最适合
为什么中台战略是非常适合供给侧供应链的，我们从如下几个方面进行分析：
1）、从宏观来看，我们大部分泛制造企业是处于一个过剩经济的阶段，这一阶段的特点就是产品的生产在整个商业价值中的比例越来越低了，更多的价值是由采购、运营、物流和商贸金融活动去创造，因此一个企业的供应链集成能力就非常重要。而在传统的企业模式下，供应链的集成是不容易的，因为企业的各个部门首先都是再看自身的KPI，采购的目标是省钱，生产只关注效率和降本，这样的模式下驱动企业行为的是一个个烟囱式的纵向指标，而几乎很少有人站在客户的角度去关注一些指标么，例如我的订单什么时候可以交付，我的订单的质量保证如何。这样一讲大家就明白了，我们需要统筹营销、计划、成产、采购和物流等这些职能去协作，而且需要一个流动的抓手让这些协作和统一看得见摸得着，这个抓手就是数据，也即是我们所说的业务数据化，通过数据的流动和分析，将分析和决策带回业务流程中，这就是我么说的数据业务化，整个这一过程天然就是一个供应链中台的构建过程，注意这里讲中台的不是技术，今天我们讲的供应链中台的业务场景优化和变革，中台首先是一个战略和策略，能够帮助企业实现更紧密的协作和集成，特别是在供应链领域；
2）、从微观来看，供应链集成和协同是内部产品流、信息流和资金流的集成，采购要看财务的预算，生产要看供应商的交货期，销售要知道产品什么时候能给到客户，整个企业的每一个部门都在参与其中，为了客户的一个订单准时交货。但是往往就是比较困难，而且企业每天都有很多订单，可以想像这是一个什么样的复杂场景，这里的问题关键就在于集成度不够，供应链的集成度不够，我们需要透明的信息流在供应链的内部畅通无阻，任何一个觉得在需要的时候都可以随时获取到数据的支持，而不是浪费业务人员宝贵的时间自己去挖掘数据。所以利用中台的思维和技术，围绕企业的客户订单，将生产、采购、供应商、物流等多个环节的数据流打通并标准化，形成供应链的数据资产，并在每一个需要业务场景和环节上利用数据资产的价值提供分析和决策。这也是一个利用中台的思维倒逼企业养成运用数据去分析和决策习惯的机会。当然这里面中台的策略绝对不只是技术，首先是供应链的组织优化，不过这一个超出了我们讨论的范畴，可以站在中台的角度给出建议，关于组织优化核心还是企业自身的决策。另一个方面及时 要通过中台的技术能力支撑供应链集成能力的快速建设，例如份属于三个系统的订单、交货单和发票的对账，熟悉吧，没有中台是很难做到的，这个就类似金融系统里面的个人或者企业的综合对账单，我们今天在制造业做的一切事情基本上金融已经先做过了，我们可以吸取这些经验，结合制造业的特色打造业务特色的中台组织和能力平台。
3）、从DT的思维和技术来看，我们知道供应链的核心执行是计划，做好计划的前提就是做好预测，特别是需求预测，预测就离不开数据，离不开预测的技术，离不开数据的各种处理能力，引用供应链的专栏作家刘宝红老师的一句话，好的预测就是“从数据开始，由判断结束”。数据从哪里来呢，现在企业里有些人经常抱怨说我知道数据分析的重要性，但是我没有数据，的确，有数据的没有判断的职能，做判断的没有数据，这就是大多数企业的一个矛盾，例如一线销售经常是没有数据的，但是他对客户，对市场是有判断力的，而计划部门呢，手握大量单一的数据，但却缺乏做判断的一个支撑平台环境，另外大家经验做多了，习惯了用经验去判断，所以企业家们需要用一种战略和思维来改变这个局面，那么中台，特别是数据中台就是他需要的，我们会告诉客户，抛开技术的领先性，数据中台会让你的管理方式产生变化，从经验驱动变为数据驱动。其实我们企业的管理者没有意识到，他们的挑战不是没有预测，或者预测不准，而是预测太多，每个职能部门都在为自己的KPI做预测，但是几乎没有人站在整个供应链的视角上去预测，而这个才是决问题的根本，因此基于中台的集成和协作去预测，才是我们企业最需要做的，也是企业供应链优化的关键内容，也是一个企业数字化成熟的开始。
4、如何基于中台落地
前面我们说了这么多，做了这么多铺垫，最后还是要落地的，通过我们的工业数据中台+AISOP引擎来完成这个场景，当然目前的方案还是在孵化中，欢迎大家提意见和指正。解决方案的基础是工业数据中台，业务中台的部分我们后面再撰文阐述，今天主要是数据中台和AISOP。为了大家更好地理解，我们不从技术的角度去阐述，而是通过解决方案的能力模型去描述，至于产品的具体功能和实现，还需要后台的PD和研发同学。下图是我们AISOP的简要介绍：
1）通过数据的融合能力提供供应链的集成和协同能力，供应链集成和协同一直难以解决的一个矛盾就是全局和局部的矛盾，需求计划，库存优化都是需要全局的，需要针对所有的订单和物料，而针对每一个客户的具体订单或者具体供应商来讲，他们的着眼点又是局部的，因此我们通过数据中台汇聚计划、采购、供应和生产与运营等数据，按照SCOR模型构建供应链诊断模型，基于数据模型的诊断模型，并建立对应的指标体系，例如订单执行效率、供货周期、产品销售成本等，这样将供应、需求和销售运营有机的进行整合，这里一些关键的诊断指标我们列举如下：
- 订单执行效率
- 需求预测的效率
- 库存成本效率
- 物流配送效率
供应链的指标体系不仅仅是绩效的测量工具，更是供应链战略落地的导向器和风向标。每个部门的工作目标都是被指标驱动的。一个好的指标体系可以确保不同供应链职能之间是协调合作的，是向着同一个方向努力的。一个差的绩效体系，会导致供应链不同职能之间的内容竞争，造成巨大的内耗，最终大家都在原地踏步，一事无成。如何制定合理的指标体系，如何设定指标的目标值，这是非常重要的。指标并不是越高越好，而是合适才是最好。这也是发挥工业数据中台资产管理和运营能力的关键。
我们用一个图来对库存成本效率诊断进之宝体系行展开，如下图所示：
通过数据中台的数据融合能力，打通供应链的数据孤岛，实现关键的业务和数据的融合，这就是业务数据化，如下具体步骤交给工业数据中台来解决：
- 供应链的全域数据采集、存储和计算
- 供应链的数据治理和标准化
- 供应链的业务描述的数据模型建立（供应链主数据）
- 诊断指标体系的建立和指标编目
- 供应链数据资产的运营和服务化
2）赋予供应链预测诊断的AI能力
看到这里大家已经理解了，为什么是AISOP，当然之前大家对于在需求预测的算法上进行了很多探索，不过大多数效果不好的原因都都归咎于没有数据，或者没有好数据，那么现在这个问题可以被工业数据中台来解决了，那么我们就可以发挥AI的能力挖掘这些数据价值来让预测竞价精准了。
用AI引擎我们可以在如下关键环境提升基于SCOR的预测能力：
- 预测精准度；
预测的准确率不是我们追求的目标，而是选择合适的统计模型，识别预测的偏差，然后根据偏差调整预测和计划，这才是我们需要的，预测的精准度实际上是预测的偏差度。这里有几个基本工作要做，第一是市场和客户的细分，第二是细分的市场和客户的精准画像，第三是市场情报的搜集和监控，第四是企业需求管理体系的完善和数字化运营，最后就是老难题对牛鞭效应的控制，限于篇幅我们后续专们描述。
- 供应链的反应能力；
供应链的反应能力或者说供应链的柔性，通过预测识别变化，那么就需要我们的供应链整体有一个快速的反应和执行能力，一个典型的例子就是高级排程排产（APS），我们认为一个好的，或者具备AI能力的APS需要显著提高生产提前期或者缩短成产周期在面对供应链的变化的时候，这里APS本身不是我们这一次要介绍的重点，我们想强调的是通过工业数据中台和AISOP和引擎的能力：
- 提升工程效率，通过对行业数据、业务模板数据链路加工自动化来缩短复杂工程的数据开发、业务建模交付时间；
- 提升算法效率，通过定制化求解器，全局寻优，数字化详细的工序级车间作业计划和精细化的投料计划，依托大数据处理能力，自动处理紧急插单等
- 提升集成效率，根据不同业务场景，进行算法引擎配置，内置行业业务规则模板提升业务建模效率，场景和和规则的解决是匹配是的，为系统的扩展提供可集成的空间
- 供应链监控诊断；
大多数情况下我们基于历史数据，定期调整预测和安全库存就可以应对大多数需求，但是总有一些那一预料的变化需要企业去应对，它们的特点就是要么是产品比较独特，要么是集中于那么几个客户，要么就是价格变化高，有一定的区域周期性等市场特性，围绕这些变化我们可以通过AISOP建立的诊断模型实现动态监测，识别变化进而管理变化，调整预测。
当然供应链的集成优化远不止这些内容，就库存优化来讲我们就有很多解决方案场景，但是工业数据中台和AISOP是目前我们有积累的、有经验和案例的，同时受限于本人对供应链的理解能力，本文也是对于工业数据中台应用于供给侧供应链集成优化进行探讨，还有很多内容，例如运用业务中台去优化执行等还都没有涉及，希望大家多提意见一起丰富这个场景。
