美团|从精细到最优,如何构建新数字经济下的工业互联网决策大脑?( 四 )


(三)构建产业自己的决策大脑
最后讲两个案例 , 让大家有一个直观的感受 。 第一个我先讲一个制造业企业 , 这是一个ICT行业的巨头 , 那么它关心的事情是我怎么样能够把我在全国上百个工厂的产能协同调度起来、协同利用起来 , 这是一个上百个工厂 , 接近10万种零部件半成品 , 以及在每一个时间点 , 要往后去看所谓的28天加十周 , 也就是你可以把它理解成接近40个时间颗粒度的这么一个复杂的问题 , 你把它乘起来 , 这是一个千万上亿级规模复杂度的问题 , 每天都需要跑这么一遍 , 凌晨两点数据给我 , 凌晨六点你能够开工 。 这样子一件事情 , 你如果把它设想成一个应用题 , 那你需要有复杂的模型来描述它 , 因为这个模型里面要顾及到它所有的生产约束 , 产能的、物料的、供给的、订单端的 , 甚至包括非常细致的场景 , 比如说它的核心的物料、核心的模具、出口的要求、环保的指令、版本的控制 , 所有这些事情 , 你如果不能够把它支撑下去 , 支撑它典型的业务场景 , 那你产出的结果就是没法用 。 我们帮它做完这件事情 , 首先订单满足率提上去了 , 为什么?因为我把产能的资源池盘活了 , 本来可以有另外一个闲置的产能来生产的东西 , 在之前是不可能去帮另一家工厂来分担的 。 简单的理解就是这么一件事情 , 如果你有高度的共用的原材料或者半成品 , 以及这个产线的规则 , 由于做了这件事情 , 使得订单满足率和订单及时率 , 能够提升接近20个百分点 , 你想一想这是一个巨额的原来你挣不到的钱 , 但是你现在可以挣到 。 第二产能损失率、产能浪费率 , 可以显著的降低 , 这就是成本层面的节约 。 第三人工干预比例的降低 , 人工干预刚才我们说了 , 之前的解决方案提供商 , 可能这个人工干预比例有85% , 基本不能用 , 我们把这个数字降了70个百分点 , 降到了15% , 所以这是一个完全支撑工业生产级别的数字 , 你不可能没有人工干预 , 你一定需要有人工去解决那些最复杂的 , 机器解决不了的 , 算法解决不了的事情 , 但这其实是企业最需要的这个调度大脑 。 因为他帮助你解决的 , 就是在什么产线、什么时间、什么产品、应该生产什么东西的加工指令 , 同时我能告诉你采购建议 , 告诉你订单承诺 , 我能告诉你的异常分析 , 问题在哪里 , 给出预警 , 同时我能给你去做实施的模拟 。 所以这些事情对应到企业层面上 , 这个决策者层面上 , 它就是一个决策大脑 。 我们产出的金额价值 , 从比例上你就可以去判断 , 它是一个什么体量的巨额的成本节约效率提升 。
再举一个例子 , 这是一个消费品行业 , 端到端的决策大脑的需求 , 这个可能就更直观 , 大家可以看到一个消费品企业 , 一个食品饮料消费品企业 , 供应链链条里面 , 从最开始的生产到补货到仓储到配送 , 最后再到前端的销售、需求计划 , 整个供应链链条的每一个维度 , 都是它整个大脑决策中的重要环节 。 从需求计划端 , 我们去做对未来的需求 , 去做需求预测、计划 , 从补货端我能够告诉你 , 在不同层级的仓库 , 去中心仓区域仓前置仓 , 哪个仓库里面应该放哪些东西 , 在什么时间应该把哪些东西 , 从哪个仓调拨到哪个仓去 。 然后到生产计划 , 就有点像刚才我们讲的 , 在哪个产线什么时间应该生产什么东西 , 来降低原材料半成品及成品库存 , 来提升产能利用率 。 配送我们怎么样用最少的车辆在最短的时间 , 用最短的路线 , 能够在满足所有的配送要求的前提下 , 把那些原材料运到工厂去 , 把那些成品运到经销商或者你的仓库里面去 。 最后在仓储环节 , 如果你有一个巨大的仓库 , 若干个巨大的仓库 , 从拣货到上架到摆放到出仓 , 甚至里面如果是无人的仓储机器人的管理 , 你怎么样去帮它做调度 。 所有这些事情 , 都是一个大脑应该做的事情 , 这些大脑做的事情 , 都是决策问题 , 决策问题解决了 , 它带来的都是真金白银的收益 。