锦素供应链优化目标.docx

《锦素供应链优化目标.docx》由会员分享，可在线阅读，更多相关《锦素供应链优化目标.docx（4页珍藏版）》请在第一文库网上搜索。

1、我对供应链的思考概述3年（仅是个人理解）初识供应链从2016年3月开始，从当初的模糊了解到慢慢深入，已有3 年之多。那供应链到底在解决什么问题呢？我的理解是，解决商家与消费 者之间的供需关系，优化这条链路。这个链路最核心的两个主体是商家和 消费者，那从主体的角度去看整个供应链要达到以下目标：消费者在合适 的时间以最优的价格买到最想买的货品；商家通过一切方式较低企业成 本，包括降低生产费用、仓储费用、销售费用，获取利润。消费者想买， 商家想卖，但是由于存在信息不公开和信息部对称，这个买卖的撮合动作 不是很顺畅，所以才要有供应链平台的存在，这里我指的是相对广义的供 应链，渗透到了电商环节。 熟悉供

2、应链的同学都知道，供应链有三个目标：可视化、可感知、可调 节。我这三年做的事情，恰好覆盖了这三个目标，但没有完全覆盖。下面 就这三个目标总结这三年做的事情，先来一张图，表达关联关系。控制塔：调度、控制可调节（决策中心&风控中心）观望塔：分析、发现可感知（可视化求导）核心子域：模块可视化（线上化，供应链管理）优化 改进 主链路第一年（可视化）供应链信息化 可视化亦是线上化，将线下动作线上化，提升流转效率，降低人工成本。 线上化的第一梯队是核心流程：采购、出库、入库等,保证业务正常的流 转，第二梯队是目标、计划等，对整体的节奏进行优化和把控，合理利用 资源,提高竞争力。经历过这个阶段后，飞来飞去的

3、EXCEL基本上会消失 80% 了。 我把供应链流程的关键环节比作人体的器官,每个流程都有自己独特的功 能，彼此之间又是关联协作的的，确保完成目标可一个环节出现问题 或者配合出现问题,都会出现所谓的神龙Or谷仓效应。第二年（可感知）供应链可视 可感知就是可视,通过对信息化阶段产生的数据进行加工,得到关键的指 标数据,从数学角度看,就是对信息化求导的过。指标是什么？指标就是 一组代表了业务运行情况的数字,通过数据去发现和优化问题。都有哪些 指标呢？库存域：周转、现货、动销等商品：转化率、NPS等供应商：商品分层采购：满足率、良品率、VLT等这是从各个子域角度去看的，从全链路还可以去看时效、成本、

4、利润。 可视化是运营的银弹。外面都说阿里的运营是厉害的，到底哪里厉害？据 我对认识的数据运营的同学的了解，他们需要从茫茫数海中，抓取关联的数据，通过已知的方法论，分析数据的逻辑关系，通过这些关系进行决策，影响运营的结果。那可视化在这里就成了运营与数据的桥梁，运营通过可视化,掌握业务发张的趋势,在根据未来的目标，进行决策。 可视化的技术。按照从数据流转的方向，我分为几个层面：数据收集：数据收集的手段很多。总体分两大类：离线：od ps、定时任务 抓取、实时：监听db的binlog ,消息，流式计算工具。目前看,实时收 集与计算的指标越来越多,这是趋势。数据分析:数据分析的手段也是很多的，比如sq

5、L规则、模型、算法等都 可以去分析。一般来说这种分析的数据量都是比较大的,离线平台可以在 Odps上写sql ,数据库查询，可以选用。1叩能力较好的hybriddb或者 ads ,流式计算就选Blink吧。这些能满足各式各样的场景。数据展现：数据展现是最后一步了，前面提到过彩云间、夸克之类的，可以根据离线 和实时的数据生成页面,满足查询的要求。除此之外我认为邮件的推送也 是一种展现的方式，最终的目标都是让某些人看到关键的数据而已。可感知仿佛就是神经中枢，实时感知这各个器官的运行状态，哪里有疼 痛、哪里有兴奋都能感知到。第三年（可调节）供应链风控 可调节包含单不限于风控，经过一年多的演进,终于迎

6、来的可调节阶段。 风控的产生是必然的，随着可感知环节发现的问题、风险越来越多，必须 要有下一步动作，于是产生了风控。 可调节除了风控应该有其他的,比如供应链决策大脑：根据指标的数据, 给出决策意见，这里应该有一个统一的管理视角，结合各个领域的数据， 分析问题点，根据模型给出意见，我觉得这个是智慧供应链必须要走的一 步。各行业的风控系统，职能是不同的，但是系统架构却是相似的。风控 的核心流程：识SH处置+审核+分析。这是风控业务的顶层逻辑，万变不 离其宗。其中识别和处置是不能缺的,是最基础的。风控可以比作人体中的免疫系统，能够发现供应链环节中的风险，并修复，时期健康的运转，实现其原始的目标。风险来自哪里？风险的本质是问题，或者说是一种特殊的问题,问题的本 质是gap ,可得到风险的本质也是gap0 gap从哪来？来自异常的操作、 预期差距以及不可抗力的因素。可分为已知风险和未知风险。针对已知风险，通过规则、模型、算法可以 识别；针对未知风险，目前能想到就是无监督学习的聚类算法，因为风险 发生时，必然会伴随数据的变化。通过对数据分析便可反向分析风险，这是未来的趋势，需要强大的算法支撑。