如何看待供应链数据分析的三种经典思路？

在供应链管理领域，我们应该如何做好数据分析，从海量数据中得到有用的信息呢？

在数字化时代，企业拥有越来越丰富的数据，数据分析逐步成为从业人员的必备技能之一。数据分析师、数据科学家等职业，也变得越来越热门。这类职业并非IT出身人士的专利，而是越来越多地需要将IT技能和相关的业务知识相结合。

在供应链管理领域，我们应该如何做好数据分析，从海量数据中得到有用的信息呢？本文将试着解析三种经典思路的特点。注意：数据采集和清洗的手段不在本文的讨论之列。这里更多地讨论，如何把手头已有的数据转化为有意义的“输出”。

（一）数学公式

“数学”在许多朋友听来好像有点头疼，但它是现代商业（也包括相关的各种数字化系统）运行的基础。我们日常用到的各种KPI计算也都是数学公式。而一些经典的公式则渗透到供应链运作的各个环节，例如Little's law：

平均排队长度 = 平均吞吐速率 * 平均排队时间

这个公式可以应用于各种场合，例如：如果某商超柜台在一段时间内的客户平均排队时间是1分钟，平均吞吐速率（服务能力）是每分钟可以为三名客户完成服务，则我们可以通过两者相乘，计算出这个柜台处的平均队列长度是三人（当然，实时的队列长度会有所波动。但时间越长，平均值估计越准确）。

数学公式的优点是：类似little's law这样的经典公式，可以透过纷繁复杂的现象直击问题本质。无论外界环境如何变动、人员工作方式如何、应用了什么信息系统，类似的定律都成立。

由此我们可以更好地理解一些知名企业的管理实践。例如，许多车企要求“尽可能缩短造车过程在厂内所耗的时间”，实质上就是要求缩短排队时间，从而可以降低排队长度（压缩库存），减少对企业资金的消耗和对场地的占用。

数学公式的主要缺点是：供应链各个环节涉及的场景纷繁复杂，能够用精确公式来测算的并不多，许多时候最多只能用一个近似公式来估计。随着现代供应链涉及的人员、设备、系统等要素越来越复杂，我们就不能只靠数学公式了。

（二）计算机算法

如果说数学公式的计算更多给人一种手工时代的“亲切感”，那么在数字化时代，我们会更多依赖算法的运行来解决问题。例如，对于全国范围内电商物流的库存布置、每天跨区调动货物的物流流向等，这种问题可能会涉及成千上万个变量，最优的决策绝对不是靠人脑所能够做出来的。

阿尔法狗打败人类围棋高手，就是一个最形象的例子：将来，我们在各行各业都会需要“阿尔法狗”，因此也会越来越需要（懂得行业知识的）算法工程师。

在算法的帮助下，供应链系统能够发掘出的潜力是十分巨大的。例如，某农产品公司基于数字化系统和AI优化现有的供应体系，可以为农业供应链带来10%-15%的成本节约。某大型制造业企业应用算法来求解现有生产线资源的最优配置，实现了20%以上的效率提升。有个“不成文”的经验说：如果一个供应链系统以前从未做过整体效率优化工作，那么发掘出20%以上的降本增效空间是不难的。

计算机算法的优点是：能够适应更加复杂、更加大规模的问题，在脑力劳动的层面实现“机器换人”。

其缺点在于：

1）受目前发展阶段的制约，算法在很多场合还不能确保计算出结果。比如说，一个物流路径优化算法，在80%的情况下能够求出解，在20%的情况下求不出来 。 如果是这样的话，离实战应用的要求往往就有较大距离了，尤其是工业场景往往要求（接近）100%的可用性。

2）算法计算出结果的“可解释性”往往较差。许多时候，我们只看到一个冷冰冰的数字，而不清楚背后的逻辑。这也是导致很多一线员工抵制算法工具的原因。所以，近年来供应链领域的一个趋势是算法的“白盒化”，要让用户理解算法是怎么计算出结果的，以及结果究竟好在哪儿（可以体现在一些关键的KPI）。

（三）仿真工具

仿真是比数学公式、算法更加直观的一种思路。即：无论供应链实际场景是什么样，我们都尽可能将这个场景在计算机中模拟出来。现场有多少仓库设施，我们就在数字世界里描绘多少仓储设施。现场的货物分拣是什么顺序，我们就在数字世界里按一模一样的顺序来分拣。最终，我们实现物理世界和数字世界的一一对应。

这样，我们可以达到的效果是：只需要在电脑中对各种元素作排列组合，就可以预知实际世界会产生什么效果。试错的成本被大大降低了。

和供应链管理相关的仿真工具，至少包括下列一些类型：

- 模拟离散或连续流程制造的生产线。

- 模拟整个工厂内部的设备运行，包括设备和CAD, ERP等软件的通信。

- 模拟AGV、自动化立体库等智能装备；

- 模拟长途物流网络运行，包括相关的财务指标；

- 模拟短途配送物流，以及厂内/场地内物流。

仿真工具的优点是：

1）比较直观和图形化，在电脑屏幕上能直接看到各种方案及其运行的效果；

2）现代的计算机仿真工具也在与时俱进，能够把越来越多的元素都包括进来。例如：可以模拟AGV小车的充电过程、以及模拟最新的自动化立体库运作的各种细节。

其缺点是：商业化的仿真软件，价格往往较为昂贵，并且能够模拟的场景总的来说还是比较标准化的，各家公司的个性化特征不一定能模拟得出来。

总的来说，仿真软件的功能会越来越强大，以至于可以在数字世界“元宇宙”里面真的复制出一条完整的供应链。到那个时候，也许我们不需要再去刻意“分析”供应链的性能，只要“观察”就够了。

因为，所见即所得。

小结

常见的供应链数据分析工具，包括数学公式、计算机算法和仿真工具。

总的来说，三者能够应对的场景是越来越全面，分析功能越来越强大。随着我们拥有的算力越来越强大，笔者相信，仿真工具是最终极的解决方案。通过仿真模拟，我们真的可以对供应链系统做到“未卜先知”。

然而，这并不意味着数学公式和计算机算法是“无用”的。事实上，新一代的“元宇宙”仿真工具背后都有强大的算法在支撑，而算法的实质性进展又要依靠数学的进步。所以，这三者就如同金字塔的不同层级，每一层都为更高层级的发展打下了基础。

在未来的供应链运行中，前台操作会变得更加简单，或许只需要图形化的简单拖拽就能完成各种功能。而后台的算法、架构支撑则会变得越来越复杂。也许这就是创新弄潮儿们的使命吧。用自己幕后的艰难工作，让前台用户的体验更加轻松、感受更加美好。