“随去随买”、“随时补货”已经成为我们习以为常的超市购物体验，在人们热火朝天选购的另一面，是供货厂商和物流方忙忙碌碌的排单和运输过程。今天的路况如何、货车是否可以在某路段通行、货物的温湿度状态要求如何、接单时的货物体积是否与实际情况是否匹配……这些问题和数据成为了不同运输情况中的“难题组合”。
在第二季第三期未来午餐会里，围绕智能制造领域，我们邀请到了逗号科技董事长罗浩，一起来看看让ToB第三方物流行业更智能、更高效的科技解决方案！
以下根据未来午餐会直播对话整理：
逗号科技董事长罗浩：“第三方物流领域有巨大发展空间，在硬件技术、软件平台和算法支持三者并行的发展下，真正的智慧物流、智慧供应链一定会实现。”
物流行业的A、B面：95%的运输车辆依然使用单据调度
Eva：我们有着非常发达的物流系统，不论是在复杂的城市路况或者是高频次的电商配送中，货品可以迅速送达到城市的每一个角落，这背后就涉及到了物流管理中的科技运用，我们现有的物流配送系统有哪些优化空间？
罗浩：近年来中国的物流发展非常迅速，我们日常接触到的像快递、快运这类物流，大多是直接面向ToC端的消费者，但这只是中国物流版图中的一部分，还有ToB的板块，同样占据了国民经济运输体系非常重要的位置。
与ToC物流不同，ToB物流在整个产业链条中的用户对象是第三方物流企业（合同物流企业），负责承接大型生产制造企业的产品物流合同。相比于大家非常熟悉“三通一达”这些物流公司，大家对他们并没有清晰的了解。此外，ToB物流运输的业务流程非常复杂，因为上游货主的需求是动态变化的，他们会用招投标的形式来发布和获取年度物流运输业务，下一步再组织运力完成运输任务。市场上95%以上的车辆调度甚至还在使用单据模式，这是ToB类物流面的现状。
我国的物流整体发展较快，但是物流的整体信息化建设还有很大的发展空间，在物流的运营过程中有两个痛点，首先在日常运营层面，物流企业需要一套完整的智能化信息管理系统，解决并管理日常复杂的物流运作。虽然现在有很多物流管理软件，包括专门管理运输的、专门负责仓库工作的，但行业内仍然缺乏把单独模块组合为一体的系统和解决方案。
其次在决策层面，物流运输其实涉及到很多能够通过运筹学优化的城市配送服务方法，比如怎样选择驾驶路径确保快递及时送达，如何安排物品位置保证在有限空间内装下，但整个行业90%以上的城市配送物流企业还在依靠非常传统的人工调度和派单手段进行运输。可见，物流科技有很大的应用空间。
算法优化下的物流场景：运输成本降低，排单效率大幅提升
Eva：的确，尤其在冷链物流库领域，配送公司需要非常科学的设计方法，才能确保生鲜产品避开堵车高峰，准时到达运输目的地并高效返回仓库。从逗号科技的角度，如何帮助我们的物流客户规划配送方案？
罗浩：冷链物流运输其实是非常典型的城市配送场景，我们通常称它为“T+1”模式，也就是当天收到门店需求，第二天进行配送。这个模式与经典的运筹优化问题非常类似，很多运筹优化领域的本科院校也有涉及路径规划等问题的经典案例。
最初我们认为规划方案很简单，但在深入了解这个行业，接触更多客户后，我们发现从经典的数学算法到最终应用落地的过程中，还需要解决非常多的难题，基于对行业的理解和认知，我们将其总结为三方面的挑战。
第一是时间窗口的挑战，我们需要在复杂的城市环境下，考虑配送当天、第二天以及不同客户的订单情况，比如火车站和便利店的接货时间不同，同一时间窗口内允许通行的车型不同，有时大车会不允许通行等等。
第二是物料规模和实际装载量的评估差距，在城配行业，特别是快消品行业，货物体积数据一直不准确，而且运货量庞大，之前我们让前线的工人去不断测量，但是发现数据还是不够准确。逗号科技采用了一种新思路：建立庞大的货物体积基础数据库，通过机器学习的方法让机器根据工作人员输入的一段描述型文字推测物料体积。经测试，通过机器学习后获取的体积数据比人工测量的更精准。
第三是人员经验的挑战，很多时候，算法不能落地的最大原因是现场执行人员认为算法得出的唯一解决方案总会存在一些问题。在原始模式下，调度人员会根据人工经验解决现场出现的特殊情况，因此，逗号科技也会同时推送出6-7个可行方案，并配以直观的交互界面，让有经验的调度人员简单修改配送方案，使之适应现场环境。此外，我们在解决方案中加入机器学习的理念，不断抓取经过人工调整的策略使得方案更加智能。
同时，由于配送末端的驾驶员大部分是个体司机，对于是否接单、接哪个单的话语权极大，因此在整个配送方案中，我们还要考虑司机的个人主观因素。曾经的解决方法是让司机抽签选取，弥补人工派单的差异性，而在逗号科技的算法中，我们更充分地考虑实际工作中的个性化需求。比如，算法可以根据司机习惯的工作时长安排每天工作量，还会综合考虑司机对片区的熟悉度，将其作为派单决策中的一个判断因素。
对比传统人工模式，运用算法的物流方案至少能节省整体物流费用的10%-30%，还可以合理规范人工难以控制的约束和规则，比如时间控制、超载、限行等，虽然运送总量和出车的数量减少了，但司机的个体收益随着车辆满载度同步提升。
另一个非常重要的指标就是算法的响应速度很快，相比传统手工调度需要工作人员每天花费3-4小时来进行次日的排单工作，算法可以在2-3分钟内快速给出结果，这样总仓就可以把以往下午四点就开始的次日派单工作，延长到晚八点或晚十一点，大幅提升仓库效率。
总体来讲，算法只是方案落地中的一个影响因素，实践中的问题还需在融合算法后逐一解决，才能真正实现技术发展服务于整个行业。
基础运营管理+决策优化，算法在实践中“打怪升级”
Eva：非常生动的案例介绍，我们感受到整套流程非常的科学、严谨，同时这些解决方案在实际情况中的应有也有着很高的弹性和灵活性。那么您是怎么看待运筹学的理论，这种科学理论又是怎样转化为咱们的解决方案？
罗浩：数据科学有两大分支，其一是人工智能，像大数据、数据挖掘这些大家比较熟悉的概念，另一个分支是运筹学。在物流，特别是配载、路径规划等领域，看似与人脸识别等需要大量数据集进行高强度训练的技术不同，但在每天几百台车或几千个订单的物流空间里，数据的组合空间非常庞大，不同排列组合的数量是个天文数字，这就是整合物流空间数据的难点所在。
在很多研究领域里，我们通常会找理论上的全局战略最优解，但在实际问题中，庞大的数据量导致工作人员无法尝试全部解法从而找到“最优解”，这种情况下，运用运筹学通过算法设计和机制进行的组合优化，我们可以快速地在天文数字般的组合中找到近似于最好的结果。
此外，随着学科的发展，我们会借助仿生学的逻辑和机制来解决算法领域的问题，比如遗传算法和进化论的概念、蚁群算法等。我们观察到动物们在做路径选择的时候会有自己独特的方法，比如蚂蚁在寻找食物的路程中会留下信息素，如果成功找到食物，这条路线的信息素就会增强，后面的蚂蚁们就会以最短路径找到食物，我们在设计算法时也吸纳了类似原理来指导解决工程问题。
Eva：我了解到逗号科技在产品架构方面设计了两个层级的解决方案，其中的考虑是什么？可以分享些案例吗？
罗浩：物流行业需要解决两个层面的问题，第一个层面是基础的运营管理，第二个层面才是算法决策。目前第三方物流企业还停留在数字化可行的阶段，无法直接承接算法机制。考虑到这一点，逗号科技设计了两层产品架构——C-Link日常管理系统满足了基层数字化需求，C-ROS智能决策算法平台解决了智能化提升问题，先帮助客户通过硬件采集数据，打通底层数据，再实现顶层算法。
为此，逗号科技围绕我们在物流领域里的三大
转载请注明：http://www.0431gb208.com/sjsbszl/3598.html
