在上一期内容中，我们深入剖析了海信集团的现状及其供应链领域面临的挑战。本期，我们将视角转向海信在供应链数智化转型路途上的关键步伐，具体聚焦于三大核心模块：数据标准化建设，业务决策五大模型构建，以及数字化决策人才的培养与发展，来详细阐述海信是如何分阶段、有策略地推进其数智化转型进程的。

03 海信提升数字化决策能力的三部曲

Step1：建立数据标准，挖掘数据资产价值。

(1)  为什么要做数据标准化建设。

供应链决策优化的基础是可靠的数据输入。高质量的数据通过科学算法模型运算后可产生可靠的供应链决策建议，劣质的数据只能导致不准确的结果。供应链决策数据来源于各种不同的业务执行和计划系统，这些系统建设时间不同，采用的系统供应商不相同，数据标准千差万别，数据质量参差不齐。因此，为了实现供应链智能决策，必须先建立标准化的数据体系，为数字化决策提供坚实的基础。

(2)  实现数据标准化的途径：标准化产品+标准化模型。

输入模型的标准化数据是复杂多样的，不同应用场景下有些数据是共通的，另外一部分数据又是相异的。

海信以往的做法是由 IT 部门收集业务部门的需求，按照业务要求进行数据的开发工作，这种方式在系统集成时难以应对上述的数据复杂度。蓝幸软件的标准化供应链决策平台提供了一套标准化数据框架结构，将各产品公司、各业务场景的数据规范成一套统一的数据逻辑，再由海信的大数据平台进行数据转化和对接，接入标准化数据模型。解决了 IT 团队在梳理业务部门需求时会遇到的技术方面和业务方面的困难。同时，标准化数据框架也帮助海信发现 IT 数据治理的缺失环节，帮助海信提高数据质量。

(3)  数据标准化建设的目标。

①主数据标准化库：对来源于不同系统模块、不同数据源的主数据进行标准化整理，将海信各系统中的主数据形成一套统一的标准。

②成本要素标准化库：对端到端供应链路径上发生的各项成本进行标准化梳理，对接各系统提取标准化运输费率、标准化生产变动成本、标准化库存持有成本等数据，为决策优化提供判断依据。

③业务规则约束标准化库：规则和约束是业务特征的体现，也是决策优化结果有效落地的保障。业务规则约束有极大的复杂性，在供应链不同业务环节和不同产品公司之间也有极大的差异性。标准化业务规则约束库的梳理可以提升搭建决策优化模型的效率，也可以提升分析业务规则约束对供应链影响的工作效率。

Step2：建设业务决策五大基础模型，应对市场挑战。

(1)  业务决策模型总体架构。

得益于海信长久以来的数字化建设，业务部门均有基于现有业务流程的计划或执行系统。供应链决策能力建设核心部分包含五大业务决策模型，将现有系统中的数据输入模型，通过模型和算法进行智能决策运算，再将运算结果输回海信原有计划和执行系统中，指导业务决策。

五大模型如下所示。

①指导仓网布局的仓网模型，由物流部承接使用。

②指导库存策略的库存模型，由产品公司计划团队承接使用。

③指导产能布局和供应计划的产能模型，由产品公司计划团队承接使用。

④指导需求预测的预测模型，由产品公司计划团队承接使用。

⑤指导补调货计划的补货模型，由产品公司计划团队承接使用。

(2)  五大模型提供的决策支持和解决的业务问题。

仓网模型用于指导全国乃至全球的物流网络规划。通过分析历史运输记录，结合未来重点发展的区域和业务模式，得出适合的仓网结构、仓库数量、仓库位置等结果，同时结合运输、仓储、装卸等成本项，确定仓库和客户之间的覆盖关系，工厂和仓库之间以及仓库和仓库之间的补货和调拨关系，以实现在满足客户服务时效水平条件下的物流成本最优。

仓网模型为其他各模型提供规则支持。例如，为库存模型提供覆盖关系规则、为补货模型提供补货路径规则等，深刻影响着供应链计划和运营的方方面面。

库存模型用于指导各仓库的库存策略。通过分析产品需求和供应特征，结合产品市场策略，得出产品在各仓的库存广度（是否备货）和库存深度（目标库存天数），在满足合理的仓库有货率要求下实现库存水位和金额最优。

库存策略的输出结果直接指导着两方面业务活动。

①指导需求计划。目标库存天数结合需求预测和销售单位的需求提报，在需求计划中得出净需求量。

②指导补调货计划。将目标库存天数输入补调模型，计算得出各分仓分货量、补调货路径及补调货货量。

库存策略作为供应链运营的“变速箱”，对其他业务模块有着间接影响。例如，库存模型帮助计划团队与生产运营团队共同制定供应和补货策略，如提高生产/补货频率以降低周转库存水位、缩短生产锁定期以降低安全库存水位等；库存模型帮助计划和物流团队决策物流网络和发运规则，如缩短供应链路长度以降低在途库存水位、允许采用更小车型发运以降低凑车天数，从而降低周转库存等。

产能模型可划分为长周期产能模型和短周期产能模型。

①长周期产能模型主要用于指导一年或几年时间长度下全球产能配置。结合未来市场的发展趋势，综合考虑生产成本、物料采购成本、运输成本、关税、开启/关闭产线一次性投入、模具复制一次性投入等成本项的全局最优，确定未来各工厂应当具备哪些产品的生产能力、应当配备多少产能、应当供应多大的区域范围等决策项。

②短周期产能模型是在长周期产能模型所确定的规则框架内，以月度和周度为时间长度，结合滚动需求刷新，考虑当前产能可利用情况、产线产能均衡性、有限物料供应量等限制因素，同时考虑生产成本、物料采购成本、运输成本、进出口关税等端到端供应链路成本最优，确定未来一段时间各工厂生产量、向各区域的供应量，帮助决策产能缺口的情况下优先满足哪些需求，以及原物料供应缺口的情况下怎样实现生产齐套最大化。

产能模型作为供应端计划决策的核心中枢，对整个供应链规划、计划层都有着不可忽视的影响。长周期模型承担着未来几年产能资源布局的决策辅助工作，其结果基本上可以影响整个供应链上至仓网、下至补货计划的方方面面。短周期模型上接需求计划作为输入，运算后的输出通过供应计划的制订和执行，间接成为补调货计划中未来可用货量的输入。

预测模型提供基线需求预测，用以支持需求计划工作。预测模型通过对历史销量的统计特征、时间特征、产品特征和历史销量表现的学习，结合节日促销活动、价格调整、销售任务等影响因子的历史情况和未来计划，机器学习算法自学习得出未来每个 SKU 、每个分仓、每个时点的高准确率销量预测。

在得出基线需求预测结果之后，预测模型辅助需求计划团队分析预测结果，解读预测因子使用权重，深入理解影响销量的各项因子，辅助市场团队制定高效的市场促销策略。

预测是整个供应链链路的起点和开端，高质量、可解释的预测结果可以对整个供应链的绩效改善都带来影响。例如，更准确的预测结果有利于正确评估未来可售卖的库存天数，在正确的时间放置更正确的库存品类和库存数量，从而改善库存分布不均，减少站点间调拨和冗余库存，提高库存效率；准确的需求预测作为产能模型的输入也 可以获得更准确的生产供应计划。

补货模型用于支持补货计划工作。补货模型通过分析各仓各分公司计划需求量、各仓现有及在途库存水位和各仓的目标库存水位，结合工厂生产计划，基地期初库存，RDC 期初库存，物流运费报价及单车、凑车规则，各仓装卸费，仓库—客户覆盖关系，工厂—仓库以及仓库—仓库的补货和调拨关系，得出周维度基地仓—海信 RDC 、基地仓—商家仓、海信 RDC—商家仓的最优补货路径、发运产品、发运量以及车型方量建议，以实现在满足各仓需求均衡下的物流成本最优。

补货计划承担着保障商品向客户做交付的最终工作，承接库存模型、产能模型、预测模型等的规则输入，对计划到运营的落地给出指导。

(3)  五大模型之间的价值承接问题。

五大业务决策模型聚焦各自的业务模块，相互之间有密切的承接关系。从业务决策范围和时间来说存在着战略层决策指导战术执行层、战术层落地战略层决策，自上而下逐层规范、逐层承接价值的关系。因此，业务决策模型中既需要战略层决策模型，也需要战术执行层模型。战术执行层模型需要战略层模型输入高阶业务规则，战略层模型输出的优化规则也需要战术执行层模型来落地。

例如，仓网模型通过优化测算得出的最优补货路径，需要补货模型考虑实时需求量和现货库存等实时因素，得出当前情况下最优的补货路径、发运量和车型方量建议；而补货模型则需要将仓网模型中得出的各方量下最优补货路径和车型作为规则输入和物流部门的运力资源储备，才有条件在补货测算中使用对应补货路径和车型。

因此，两部分模型是相辅相成、缺一不可的。缺少战术执行层模型，则战略层模型规划的宏大变革策略将无从落地，缺少战略层模型，则战术执行层模型只能小修小补，无法实现根本性变革。

Step3：培养供应链数字化决策人才，持续产生价值。

(1)  数字化决策人才培养的重要性。

成功的数字化变革提供的不仅是一次性的业务价值，更是持续增值并扩展的过程。

大多数企业的数字化变革起始于外部团队的一两个项目，这些项目的成功仅能算作数字化变革的开始。随着数字化变革的深化，会遇到诸多问题要求企业自身的数字化人才介入，举例如下。

①如何持续提升数字化变革所需数据的质量？

②如何有效落地智能决策模型给出的建议？

③如何保持决策模型始终与业务当前所面临的挑战匹配？

这些问题无法依靠外部团队解决，此时如果企业自身数字化人才建设跟不上，数字化变革往往会高开低走，逐渐艰难。数字化变革的瓶颈需要企业自身去突破，门槛需要企业自己的数字化人才带领大家迈过。因此，数字化决策人才的培养，是巩固数字化变革为企业持续带来价值，持续扩大价值的重要保障。

(2)  数字化决策人才培养的层级和目标。

数字化决策人才不应仅局限于 IT 部门，也不应仅局限于相关业务岗位。而是应该从多层次多职能，采用不同方式进行培养。

管理团队需要培养数字化决策思维，理解数字化决策模型的原理、各项输入条件对输出结果影响的机理逻辑、如何在构建决策模型时针对模型假设进行决策，以及如何根据模型结果的建议指导业务活动。

业务团队的数字化决策人才一般是需要操作模型的，因此对模型各项输入输出、各项参数都需要有详细了解，输入输出和参数与业务的结合点也需要有深刻的认识。

海信 IT 团队中的数字化决策人才培养应当与业务团队的形成互补，且有别于业务团队需要更深刻地理解模型参数代表的业务意义和调整参数对业务的实际影响。IT 团队的数字化决策人才培养聚焦于模型所需输入输出与海信现有系统和大数据平台如何集成，减少模型在日常使用中的操作障碍，提高数据标准化水平和数据质量。

(3)  数字化决策人才的有机复制和延续。

如同数字化变革不是一日之功，数字化决策人才的培养也不是一朝即可功成。除了建立知识转移和传承文档，定期进行新成员的培养，海信也计划在后续项目中邀请京东蓝幸团队以项目辅导的形式为海信持续进行数字化决策人才培养。

下期预告：

下期我们将与各位分享截至目前海信所取得的建设成果。