視點 發自 凹非寺

量子位 | 公眾號 QbitAI

疫情加速全球產業鏈深度重構，市場供需兩側不確定因素增加；全球經濟滯脹導致出口需求衰退，工業生產過熱增長不可持續；行業整體產能過剩，產品同質化嚴重，綠色低碳轉型迫切……

企業的每位高管都面臨著一個必答題：如何加速塑造企業韌性來抵御市場風險，實現業務增長和綠色可持續發展？

隨著數據科學和人工智能技術的發展，基于“數據+算法”的決策在實際業務中凸顯越來越重要的價值，企業端訴求、技術變革與基礎設施完善共同推動智能決策時代到來。

據研究分析公司Gartner預測，到2023年，超過33%的大型機構將采用智能決策的實踐。

那么，什么是“智能決策”？智能決策的關鍵技術是什么？它又將如何打造引領企業二次增長的“智能抓手”？

圍繞融合了機器學習、運籌優化等多種方法的智能決策技術，杉數科技CTO王子卓在「量子位·視點」直播中分享了他的從業經驗和觀點。

以下根據分享內容進行整理：

今天主要想跟大家聊一聊，大家所討論的數字化轉型和數據算法，到底能夠在實際中給企業帶來什么樣的價值。杉數過去幾年一直在做類似的嘗試，在這里希望把我們的觀察和理解來跟大家做簡單的分享。

我想線上的聽眾里，絕大部分人都知道這些年大家討論最多的，總是數字化、人工智能、大數據、機器學習這樣的詞語，那么我們在討論這些詞的時候到底是在說些什么？或者說這些概念到底能夠幫企業去做些什么樣的事情，能夠給企業帶來什么樣的價值？實際上，這個問題在我們看來是一個非常重要也值得去思考的問題。

實際上可能很多時候大家在討論“數字化”的時候，其實它代表了幾個不同層面的含義。

首先，是一個基本的概念。當我們想要做數字化的時候，第一步實際上是“信息化”的事情：怎么樣能夠把這個企業里的很多信息，通過數字或者說計算機的方式，把它積累下來，也就是把現實中的很多事情映射到我們的數字世界。

這個是在過去20年左右的時間里，整個世界上的企業，包括我們國內的企業一直在做的事情。這在我們看來是一個非常基礎的工作。

企業的這些信息沉淀下來，在信息化的基礎上再往前走一步，我們也叫“數字化”。那么在某種意義上，數字化是指能夠把這些積累的信息進行一些整合和展現，進而給企業的人員帶來一些有用的觀察。

這里大家過去幾年做得比較多、或者聽得比較多的，比如說BI（Bussiness Intelligence）的應用，怎么樣能夠很清晰地把企業各個維度的數字展示給企業的管理者或者決策者，大家可以依賴這些數字做很多的洞察和思考。

這兩個，其實可以說是數字化比較基礎性的工作，或者說，現在大家討論“數字化”，或者討論“人工智能”這樣的概念的時候，目標肯定不僅僅只是把數據收集上來，或者把它做整理，我們會認為最歸根到底一定要能夠體現在企業的決策環節上。

那么作為任何一個企業或者個人，每天都要做很多的決策，比如要決定每天的庫存要補多少、每天的產線上應該生產哪些產品、運輸路徑應該怎么樣去規劃等等。在傳統上，大家都是由有經驗的人來做決策，那么在未來的大數據時代，這些數據能做決策嗎？

我們的想法是：最終肯定要依賴于這些數據，幫助在企業的決策端做出更好、更高效的決策。這樣才能夠讓數據在企業中真正發揮價值，這也是至少我們杉數看到的所謂“未來的數字化”所代表的意義。

那么這里的圖大概展示了我們看到的過去20多年時間里比較大的變革，當然我們在過去的五六年也一直在做很多的事情。

這個過程中有很多人在問，包括我們自己也體會到，做數字化轉型實際上是非常不容易的，會面臨各種各樣的挑戰，比如說企業的管理流程、數據的基礎等等。大家講了很多的概念，從大數據、工業互聯網又到智能制造，那么到底“數字化”是不是一個真的概念，是不是一定會發生呢？

關于這一點，我會覺得好比過去二三十年，大家剛剛開始用計算機的時候，也會去問同樣的問題，比如到底計算機未來會有多大的作用，企業花那么大的價錢去采購計算機到底是不是值得的等等這樣的問題。那么現在數據對于企業的意義，就可能是二三十年計算機對于企業的情況是類似的。在未來，真正有競爭力的企業一定是會采用更加智能高效、基于數據和計算的決策方式。

所以從這個角度來講，我認為數字化的進程，雖然漫長但必然會發生，對企業而言也是非常重要且一定會發生的變革，這也是我自己的體會。

當然變革不可能一兩日就發生，這里面肯定會有大量的問題和挑戰。我們過去的這些年也接觸到了大量的企業，也在幫助這些企業去實現這樣的變革，就是說從相對比較傳統的決策方式，向由數據驅動的決策方式轉變。

從數據到決策，更多企業向數據驅動運營轉變

這個過程，大概會分成四種階段，像這里所寫的。

那么最原始的就是依賴于人工經驗去做大量的企業決策。我們國家絕大多數企業在絕大多數的環節上，可能現在還是處于人工經驗的階段。

在這里我以一個做物流的企業舉例，每天員工要去城市里很多地方去送貨，也有很多的物流車輛，那么企業就需要去安排每天的車輛，去承擔哪些貨物，要以什么樣的路徑去送貨物。

在我們合作之前，企業的決策形式實際上是，幾個老師傅每天花幾個小時的時間，把每天的訂單先打印出來，然后這些師傅根據自己的經驗把這些要送的貨物按照一定的規律組合起來，最后發配給每一個車輛。

這是一個典型的依靠人工經驗去做決策的場景。當然很多企業都想往前走一步，那么在人工經驗的基礎上，往前走、利用數據的第一步是我們叫做“數據感知”的階段。這是指企業已經開始利用數據來支持自己的決策系統，也就是說在人工做決策的時候，已經有大量的數據可以給出一些支持。在數據感知這個階段，企業決策本身還是由人工來做，只不過數據可以提供很多支持。

再比如一些連鎖性質的咖啡店，每天都需要補貨，像咖啡豆、牛奶或者食品。在我們和這樣的企業合作之前，那么它做決策時已經有了一個比較好的系統，這個系統能夠給出每一個產品過去一段時間里每天銷量、平均銷量等數據和趨勢，能夠支持店長判斷補貨需求。

店長可以根據這些數據，看到過去平均賣了多少，什么樣的時間賣了多少等等，然后根據他自己的經驗加上一些簡單的腦子里的計算，可能就得到一個“我今天應該去補多少”這樣的決策。

在這個過程中，大家可以看到數據能夠給決策者提供比較強的支持，但是最終的決策還是結合人工經驗來完成的。實際上很多企業都已經處于這樣的階段，可能在過去五年十年的時間里，很多大企業都已經完成了信息化，包括我們最開始提到的數字化，就是已經有了這些能夠把數據展示出來的工具。

當然在這個階段，我們會認為還遠遠不能夠達到我們真正“數字化”或者“智慧”運營的目的。那么再往前邁出一步的話，實際上也是數字化轉型里非常重要的一步，可能就到我們未來狀態最至關重要的一步——我們要從“數據感知”，走向“數據導向”的決策模式。

如果說“數據感知”是指數據提供給人們一個決策的基礎、但仍然主要由人們來做決策，“數據導向”的主次是不一樣的，就是說在重要的決策里，是首先由數據和算法給到一個我們認為比較好、比較優化的結果，在這個結果之上，人工再根據經驗和具體的場景去加以調整，稍微修正一下，但是絕大多數的工作都會逐漸由數據或者由算法來完成。

我剛才講的這兩個例子其實都可以完成這樣的轉變。

比如物流企業每天車輛路徑的安排，可以通過算法的快速計算，在幾分鐘的時間把每天幾千單的訂單安排出，滿足業務場景、且路徑最短或者服務效率最高的行車路徑。算法安排好后，這些調度員還可以再去核查一下這些線路。當然也可能有算法考慮不到的特殊情況，像明天某街道的交通會有變化，或者某些客戶的需求可能有些調整，但是絕大數情況下線路可以直接地去執行。

同樣的，比如說餐飲企業的門店，在使用了這些算法和數據之后，可以直接自動地知道每天補貨量的建議是多少；算法可以考慮到過去每天的銷量、周期性的變化，還有現有庫存的到期情況等等各種各樣的因素；最后，人工可以根據額外信息做一些調整，像明天有什么樣的活動，或者可能某地區暫停營業了等等。在實際場景下，百分之八九十的情況都可以直接采納算法和數據得到的結論。

到了這一步的話就可以實現，從更多依賴于人工的企業運營決策系統，轉變為基于算法平臺的系統。對于整個數字化轉型來說，這是至關重要的一步，但還不是最終的一步。有很多的場景還可以做到更多的“數據驅動”。

“數據驅動”就是基本上不需要人工干預，很多互聯網企業都有很多要高頻決策的場景，比如無人倉庫。

大家都知道現在很多倉庫里都是這些機器人去負責揀貨，和上下架等這樣的事情。在這種場景下，基本上每一兩秒都要對機器人進行調度，這些都可以完全通過算法來完成。同樣的，比如大零售平臺上面會實時調整價格，或做營銷決策，基本上都可以實現完全由算法來驅動，也能夠達到很好的效果。

這些場景里，人工也很難真正地做到實時的調整，因為這里要做的決策頻率會非常高，現在其實已經可以實現基于數據、算法實現比較自動化的運營。

我們所講的數字化升級或數智化升級有很多階段，但是并不一定是某個企業處于某個階段，而是它現在的某個場景或者某個環節可能正處于某個階段。針對于這個特定的場景，我們可以不斷地幫助他實現整個轉變。

當企業在絕大多數的關鍵運營場景逐漸地進行轉變，那么之后整個企業運營的模式就會發生質的變化。

如何利用“技術杠桿”實現智能升級迫在眉睫

企業的數字化轉型，在我來看這是一個必然的趨勢，盡管這個趨勢肯定需要一段時間才能夠完成。但是第一，這是一個必然發生的事情；第二，從我們的觀察來說，也已經是可以說是一個迫在眉睫的事情。這么講是因為我們現在很多行業、甚至整個市場也都在發生巨大的變化，那么對企業的要求也是越來越高、挑戰越來越大。

比如消費品市場，在過去的幾十年里模式都相對穩定。但是過去的這幾年，大家可以看到產生了很多新的模式，營銷模式從最傳統的像線下渠道，到線上的零售平臺，現在又有很多直播帶貨的形式。基本上每年都會冒出一堆新的模式，當有這種新的模式產生的時候，很多過去的人工經驗就會變得沒有那么有效果。因為人工經驗總是基于過去已經發生的，沒有辦法快速地應對不斷產生的新的模式。

關于第二點，還有就是消費者對企業的要求越來越高了。還是比如剛才提到的消費品，以前企業生產的東西，消費者只要需要就會購買；但是現在消費者有更多挑選的機會，而且對產品的供應速度有比較高的期望，像今天買的東西希望明天就能送到。如果要滿足消費者對時效、商品豐富度等各種各樣的要求的話，對企業的供應鏈而言是一個巨大的挑戰。

另外技術的迭代速度也很快，新的產品線會不斷的產生、規模會不斷擴大。這些都會導致很多原來人工經驗的失效。這些都是企業所面臨的問題，在具體的運營中企業其實會遇到很多這樣的挑戰。

這樣的變化在企業內部，還會涉及到企業規劃、銷售計劃、供應計劃等等計劃制定的變化，但是不同部門的意見可能也有分歧。到底怎樣制定才能夠真正地滿足企業發展的目標呢？

因為大家沒法在同樣的基準上進行討論，每個人都有不同的視角，那么只有數據才是比較客觀的基準，通過數據和算法至少能夠幫助大家搭建一個相對客觀、一致的基準。在這個基準的基礎上，大家可以再進行主觀的調整等等。通過我們的觀察，這個問題是一個極大的挑戰，很多企業對此有非常強烈的需求。

除了消費品企業，這幾年很多制造型企業也發生了很多變革。

首先是疫情導致的需求端波動非常大，有時候會堆積很多訂單，有時候可能又會很少，對生產的壓力也很大。其次，很多資源受到限制，比如說電力限制，還有3C企業芯片的短缺等等，還有碳排放的限制。當這些限制突然產生的時候，整個企業的生產運營應該怎么樣去應對？怎么樣能夠在受到限制的情況下，仍然最大化利用產能去實現生產？

這樣事情在人們沒有任何經驗的情況下是非常難解決的，所以就需要企業更多地利用新的技術、數據算法，來實現更快速、更好地應對。

所以最終的目的是幫助企業做更加智能的決策。

“決策”這個詞里包含很多個重要的概念。首先要定義我們需要決策的點在哪里，在每一個環節上要做的決策到底是哪些；同時要定義每一個決策，要實現的目標是什么，例如訂單滿足率最大化，還是庫存成本最小化，或是運輸成本最小化等等。另外在實際中也有很多的約束，比如產能的約束、人員的約束、產線的約束、原材料的約束等等，也是需要梳理清楚的。

有了這些企業場景描述的輸入后，就可以通過這樣的一個叫“建模+求解”的方式，幫助企業做到智能決策，這里還會涉及到幾個關鍵的環節。

第一步，我們需要把整個企業面臨的問題抽象出來，形成一個數學的問題。畢竟決策本質上可以說是一個資源分配的過程，最后能夠得到一個數學上的表達，這里主要指的是運營方面的一些決策。現在的“數字孿生”，或者說把企業的運營目的和約束等映射到數字世界，其實就是一個模型。

那么有了建模之后，就相當于有了一個模型來刻畫企業的整個運營。接下來，就要通過計算來告訴企業，怎樣的決策能夠讓這些關鍵的指標在未來實現一個最好的結果。這里就會涉及到大量的優化計算。

這里“優化”實際上意思就是指，如何在一個具有約束條件的環境下，怎么樣做決策能夠最好地達到某一個目標。這也是我們今天的主題，就是說我們在智能決策里怎么樣去利用優化的工具實現最終目標。

那這里可以舉一個具體的例子。

一個制造型企業，需要決策的主要是整體的生產計劃：尤其當“急單、插單”時應該怎么樣安排生產，怎么樣重新安排生產計劃，但同時還有產線、產能、物料供應等等約束條件；生產目標是要盡可能滿足訂單。這些信息就可以抽象為一個模型。

模型的輸入數據可以主要來自于企業信息化系統，包括產線、產能、物料供應等信息，可以作為模型的參數。有了參數之后，可以求解計算出生產計劃的調整方向，最終輸出給企業可執行的決策。

從“數據導向”到“數據驅動”，這個流程或說范式是如何實現的呢？實際上是，先把業務的問題通過建模計算的方式抽象出來，然后再返回到業務的過程。這樣的方法相比于人工有極大的優勢。

首先是更加透明。因為所有這些規則、約束、數據都是可見的，大家是在同一個基礎上去討論事情的。同一套數據、同一套模型，算法結果上也會從上千萬上億中選擇最好的，所以也是更加優化的。

人工經驗或許也能選出很好的方法，但是當問題規模很大的時候，人們的能力可能就無法保證仍然能選出最好。那么基于數學邏輯的算法可以保證一個最優的結果。另外，從速度上來說，算法也可以非常敏捷地反應。這個對比優勢應該是非常明顯的。

智能決策的關鍵技術：運籌優化與機器學習

剛才提到的內容里，今天想和大家討論的核心技術點主要有兩個部分。

一個是這些年大家討論也比較多的，有關機器學習的技術。機器學習在這個過程中主要的功能，實際上更多是去預測一些未來的參數，例如未來市場的需求會是多少，訂單周期是多少，運輸的時間大概會是多少等等，往往是這樣的一些預測。預測之后，這些參數還需要最終形成決策。

那么另一部分就需要我剛才所講的優化算法。優化本質上屬于運籌學的技術范疇，核心就是解決這樣的決策問題中的一些優化的問題，基于對顯示問題進行準確描述刻畫來建模，通過運籌優化算法在一定約束條件下求目標函數最優解。這里面還會有很多更細分的不同種類的模型和方法，時間關系不會過多展開，這是一套非常重要，而且比較成熟的工具。

利用好這套工具，能夠幫助很多企業解決大規模問題中的決策變量。某個SKU在某條產線上，在未來每天生產的量組合起來可能是個上億級別的決策。但是對于運籌優化來說，成熟的方法可以分鐘級地解決這樣的問題。

我們能夠實現這樣一個聽起來非常高效、這么好的結果，并不是那么簡單的。這樣的計算在底層會需要依賴于一個計算引擎，這在優化領域叫優化求解器。當有了一個模型之后計算出最優解的過程，就需要通過這個叫求解器的軟件進行計算。

求解器也是一個非常重要的工業軟件，在我國各個領域里，尤其是像能源、軍事、航空、金融、電網、工業制造這樣的關鍵領域，大企業都需要使用求解器去做運營支持，其實每年都會花很多錢去購買國外的求解器。

好消息是，國內包括我們團隊也一直致力于開發國產求解器。這兩三個年下來，也達到了世界一流水平，非常的不容易。因為求解器內部非常的“精密”，可以把它比喻成發動機的引擎，有很多的細節需要去處理。這個軟件代碼也是上百萬行級別的。

很高興地跟大家匯報，杉數科技現在已經可以和國際最一流的求解器比肩——整數規劃和美國Gurobi生產的求解器，處于差不多的水平。甚至在不同場景的很多指標上可以超過他們，可以說是世界第一了；當然，也有一些場景還和他們存在一定差距，但也在比較接近的范圍。基本上在解決實際問題的距離上，可以認為是同一級別的。

通過我們過去幾年的努力，在優化求解器領域，基本上可以說中國已經打破了歐美的封鎖。

我們利用求解器的最終目的，還是要解決實際中的問題。比如制造業是個非常典型的場景，還有像交通、金融、能源、零售、互聯網、醫療等領域其實都在使用求解器服務。這些年，我們也在為各行各業里最頂尖的一些企業提供服務。因為這樣的企業規模比較大，面臨的問題比較多，那么通過優化能夠提升的價值也會更加明顯。

過去幾年里，至少我們整個團隊確實看到了基于運籌優化和機器學習的方式，能夠實際地幫助企業實現決策的智能化、數字化，確實能夠給企業帶來非常顯著的收益，只要企業能夠愿意去推動而且雙方愿意一起來配合。

不同行業的收益會體現在不同的維度。比如消費品供應鏈的企業，可以提高企業的訂單滿足率，然后最直接的是銷售的增長，包括降低庫存成本、降低倉庫里積壓產品的時間；對工業制造企業，可以更高效地利用同樣的產能，可以更快速地交付訂單，時效滿足率更高，還有在不損失收益的情況下可以有效降低碳排放，這對整個國家、企業來說都有巨大的價值。

當然對其他的領域里也都能帶來非常顯著的提升，可以看到這不僅是一個可以量化的提升效果，還有不可逆的數字化的趨勢。這里還可以和大家快速分享一些具體的案例。

比如消費品企業，做營銷活動會有很高的營銷費用，在這個過程中會涉及廣告投放、價格促銷、流量等不同的資源分配。企業可以利用智能決策系統，從價格體系分析、促銷銷量預測、促銷價格管理等維度來進行決策，從而知道什么節點應該購買流量還是投放廣告，如何把資源分配到更加高效的環節中，這樣可以有效的提升促銷費效比和提升促銷活動的商品交易總額。

有營銷的場景，也有供應鏈的環節。從供應鏈的角度也叫履約，就是各個渠道線上線下等等如何發貨，按照什么樣的優先級，當產能有限的時候怎么樣更好地分配我貨物，能夠使最終訂單滿足率能夠有比較好的保障。同時還有庫存的問題，需要多少級的倉網，每一級的庫存如何備貨去應對不同層級的需求。這些也會基于前端需求的計劃，如何能夠把算法數據的預測能夠結合到場景之中，最后又聯動到生產。

有了這些履約的計劃之后，對產線的要求又是怎么樣的，工廠每天應該生產哪些產品，要生產多少等等這樣的一些問題形成工廠的生產計劃。那么整個供應鏈在很多的客戶里，其實是基于一些傳統的Excel表格，再基于一些人工的經驗不斷去協調的事情。而基于杉數的智能供應鏈計劃平臺，則可以實現可視、可預測、可解釋的高效決策，例如基于該平臺，助力好麗友大幅提升訂單滿足率和拉動銷售額。

那么通過數字化、智能化，這些都可以在一個大的平臺上以數據為基礎、由算法給出一個決策方案，人工再在此之上繼續做調整，最后實現更高效的供應鏈運作，實現更高的訂單滿足率、更低的庫存積壓，進而體現在企業整個營收在效益上的明顯增長。

這樣消費品企業的案例，對于具體的飲料啤酒、美妝日化等企業都能夠取得相似的收益。

智能決策技術未來五年將逐步實現規模化

回到最開始講的智能化或者數字化這件事情，應該說還處于比較早期的階段。我們也可以看到過去5年左右的時間，大家開始非常關注。這也是因為技術發展到了這樣的階段，確實有了這樣數據的技術，也有了運輸優化這些算法和資源可以支持落地。

我認為這是一個不可逆的趨勢，并不會過幾年就不流行——從長遠角度來看，它是一定會發生的趨勢。

雖然還在早期，但是各個行業的領頭者現在也都逐漸在做這些事。那么逐漸地，每個行業的企業都會從上到下不斷地去滲透。我想，只要企業有比較強的發展訴求，企業管理者都會思考應該如何在這個過程中實現企業的數字化升級。既然都不愿意做落伍者，就希望能夠在相對早期去完成對未來的布局。

今天這里很重要的就是運籌優化的概念。因為大家聽得更多的是人工智能、機器學習這些概念，這些概念確實很火，也確實帶來了很炫酷的東西，能夠不止讓企業，包括我們個人在生活中都能夠感受到一些變化像人臉識別這些。

但是從更本質的角度來講，一方面，對企業而言，更重要可能還是一些運營的決策，它并不見得有多主流，但是能夠解決問題。

另外一方面，人工智能的發展，其實也大量依賴于底層的運籌優化算法。

機器學習之父邁克爾·喬丹（Michael Jordan）曾在人工智能大會上提到，其實人工智能未來最重要的突破方向，也是在運籌優化領域，應該是怎么樣能夠更好地與優化算法緊密結合。

這里體現了所講的優化技術，對于人工智能也是一個非常重要、非常有潛力的領域。

關于「量子位·視點」

量子位發起的CEO/CTO系列分享活動，不定期邀請前沿科技領域創業公司CEO/CTO，分享企業最新戰略、最新技術、最新產品，與廣大從業者、愛好者探討前沿技術理論與產業實踐。歡迎大家多多關注 ～

需要觀看直播回放的小伙伴，請戳“閱讀原文”吧~

— 完 —

「人工智能」、「智能汽車」微信社群邀你加入！

歡迎關注人工智能、智能汽車的小伙伴們加入我們，與AI從業者交流、切磋，不錯過最新行業發展&技術進展。

ps.加好友請務必備注您的姓名-公司-職位哦~

點這里