【数智化案例展】联想——以智能决策技术应对呆滞物料管理挑战

联想案例

本项目由联想投递并参与“数据猿行业盘点季大型主题策划活动——《2022中国企业数智化转型升级创新服务企业》榜单/奖项”评选。

数据智能产业创新服务媒体

——聚焦数智 · 改变商业

---

自2019年底起，在全球范围内，新冠疫情爆发。疫情不仅打乱了人们以往的日常生活节奏，也严重扰乱制造业的供应链运行秩序。市场需求波动、上游供应不足、物流能力受阻，使得许多制造型企业不得不将库存策略从尽可能“零库存”调整到战略性“多备料”，这种策略调整能防止原材料断档导致产品的生产及交付周期延长，从而影响企业服务水平；但与此同时，多备料也相应地加剧了库存物料积压成为“呆滞物料”的风险。

呆滞物料是指企业在生产过程中周转速度较慢的库存物料，这些物料可以是原材料、半成品或成品。对于“周转速度较慢”的定义，不同行业、企业有着各自的标准，如有些工厂把库龄超过90天的物料定义为呆滞物料。呆滞物料库存量的增加，不仅会占用企业大量的资金成本，而且积压物料长久放置，会出现腐朽、变质、劣化等过期情况，使得物料跌价减值，给企业带来经济损失。

呆滞物料库存产生的原因有很多，除因疫情等特殊条件下的备货策略调整因素外，在供求关系复杂变化，而生产管理水平提升有限的情况下也较为常见。当前行业面临的挑战包括：对未来需求的预测不准确（偏多）、销售订单频繁变更、大客户订单取消、生产管理及物料控制（PMC）计划失误、采购最小量限制（MOQ）、生产用错料、余料或多生产、货仓保管不当等。在现代制造业中，如果呆滞物料风险控制不到位，不仅会增加库存数据的混乱，而且直接影响公司的净利润。

实施时间：

开始时间：2021年11月

截止时间：2022年5月

客户的数智化（数字化）转型升级需求

制造行业库存周转慢、呆滞库存持续增加都会给企业运营带来现金流风险，所以联想的供应链部门一直都在致力于处理呆滞库存，加速库存周转率，从而保证公司的高效运营。

呆滞物料的风险控制策略，通常包含“预防”和“处理”两个方面。“预防”是指通过提高未来需求预测的精度、落实订单审查机制、加强系统规范化和管制等措施，减少呆滞物料的产生；呆滞库存的“处理”方式有很多，传统方式有退货、转卖、报废，这些方式虽然能把库存处理掉，但是会给公司带来较大损失。所以联想一直都在探索一条更合适的“解题思路”，即希望呆滞库存能和市场需求紧密结合，满足客户需求的同时消耗呆滞库存。该方式对于一个业务量庞大的大型企业来说存在如下痛点：首先，呆滞库存种类繁多，数据量庞大；其次，成品种类繁多，且和原材料之间的关系错综复杂，手工梳理困难；第三，业务数据类型和维度较多，也面临不同数据源中同样字段的格式及命名方式不统一、在线及离线数据无法标准化的挑战；最后，即使梳理出可以生产的成品，也很难快速决策响应客户潜在需求。

基于以上呆滞库存管理的痛点，在公司智能化升级大趋势下，联想研究院打造了具有自主知识产权的智能库存优化引擎，通过实时连通供应链各个环节的数据，基于人工智能技术助力企业呆滞库存管理。

面临挑战

呆滞物料的“预防”和“处理”是企业生产必须面临的课题，其中呆滞物料的处理尤为考验企业供应链管理的技术水平。如果能及时将呆滞物料齐套出成品售卖，无疑是最上乘的“处理”方法。这种方式不仅可以最小化损失，还可以增加销售额。其本质上是基于所需要考虑的几种优化目标、生产工艺和资源约束，通过运筹优化给出最终的成品齐套方案。个人电脑、手机等复杂电子产品大规模制造场景下的呆滞物料消耗问题，存在如下挑战：1.单个产品的齐套方案可达上亿种，同时每种物料又对应成千上万可被组成的产品，数据量和逻辑关系极其庞大和复杂；2.在原料层面，还要最大化呆滞物料的消耗，最小化为实现齐套需额外购料成本和等待时间；3.需要同时限制齐套可用的其他物料的库存使用，尤其是紧缺物料的使用；4.在成品层面，也要考虑齐套后成品的畅销度，包括历史销量、欠单量和未来需求量等。

数据支持

要解决呆料齐套方案问题，在满足业务的各种约束下达成令人满意的多个目标，需要获取到目标和约束对应的所有数据，这使得项目数据具有以下特点：

1. 数据类型丰富

数据部分包含呆滞物料信息（物料类型、分库龄区间的数量、所属大区等）、其他物料的实时库存数据和未来到货数据、短缺物料信息（分大区的实时可用量）、物料组成整机的BOM信息、物料的最小购买量信息、整机的历史出货和未来预测量数据等。数据类型包含整型、浮点型、字符型、图结构型等多种类型。

2. 数据来源多样

以上数据不仅来源于多个线上数据库，而且有的输入数据需依赖手工经验的处理过程，如呆料分配到各个大区，需线下提供。

3. 数据量级巨大

多种来源的各种类型数据量级很大，如物料全量库存数据可达到7亿行以上，整机历史出货数据可达到千万级行数，整机和物料之间的BOM关系数据，单个整机的齐套方案最多可达到上亿种。

应用技术与实施过程

对于库存中的呆滞物料，联想智能库存优化引擎采取启发式算法和多目标混合整数规划模型结合的方式，充分挖掘畅销产品的齐套数据，结合各个区域各个工厂的库存呆滞物料，提供基于人工智能优化算法的呆滞物料齐套消耗方案。

在技术方案选择上，考虑到本案例要解决的问题是一个数据量级巨大的多目标优化问题，案例最终推荐的成品（Machine Type Model, MTM）范围来源于历史出货数据、当前欠单数据以及未来需求预测数据。这三类数据涉及到的成品数量很多，如果全部作为多目标优化算法的输入，将会带来计算难度的指数级增长，且考虑到最终推荐的成品是否畅销等因素，本案例采取启发式构造算法和多目标优化算法结合的方式对问题进行建模求解。

本案例的技术实现主要包括三部分：

1.启发式构造方法

联想智能库存优化引擎将复杂度很高的问题拆解为两个模块进行求解，通过控制第一个模块输出结果的范围，可以将第二个模块中混合整数规划模型的复杂度控制在可控范围内，并且可以灵活选择模块二的求解方法，比如直接求解混合整数规划的方法以及线性规划结合分支定界的方法等，确保能更快速的获得问题的最优解，支撑用户的实时决策。

基于历史和预测数据，预测成品的畅销因子，并作为优化的重要依据，从而确保推荐的成品在市场的畅销度。

2.多目标优化

联想智能库存优化引擎借助历史订单、当前欠单和未来预测订单数据，给出能够消耗库存呆料最为畅销的整机候选列表。结合用户关心的多个优化目标和资源约束，借助多目标混合整数规划模型输出最优齐套方案，可综合考虑用户关心的多个优化指标，输出最终解决方案。

联想智能库存优化引擎针对用户设定的多个目标，通过对两个模块的逻辑进行调整，可灵活支持对不同目标的倾向性选择，极大丰富了用户的最终方案选择的灵活度。

3.交互数据可视化工具实时呈现结果

支持用户输入自定义参数。联想智能库存优化引擎针对用户设定的多个目标，通过对两个模块的逻辑进行调整，可灵活支持对不同目标的倾向性选择，极大丰富了用户的最终方案选择的灵活度。

多维的图表呈现。可视化呈现分析和模拟结果，实时的监控和详细的信息展示。

核心技术模块介绍：

算法总体流程如下图，其中数据更新、产品候选集生成呆料数据清洗、生成齐套数据、订单数据处理属于数据处理模块，齐套方案提取、产品和齐套方案优先级排序以及多目标优化属于算法模块，最后就是结果输出和UI前端展示模块。核心技术模块包含三个：产品候选集生成、齐套方案提取、多目标优化引擎，下面以这个三个模块为例，详细介绍相应技术方案细节。

核心技术模块1：产品候选集生成

在进行呆料消耗前，需要确定输入产品的候选集列表。产品候选集列表确定需要综合考虑多种因素，包含产品的欠单量，未来需求量，运单量，每种齐套方案包含的呆料价值等。

重要性

·优先选取更受欢迎的产品，提升推荐结果的可信度。

·缩减候选集产品中机型的数量，降低模型复杂度。

技术方案

确认产品的欠单量，未来需求量及一年出货量的取值方式。

Figure 1各个数据中产品的个数及最大最小值

分别计算每种成品的欠单因子（backorder fitness），需求因子（demand fitness）以及运单因子（shipment fitness），结合不同因子的权重，计算成品畅销因子（MTM score）。成品畅销因子计算公式如下：

由于不同因子的原始值相差较大，为了统一各个因子的数量级，对原始数据做了归一化处理；对于欠单因子，需求因子以及运单因子没有涵盖的产品，在计算畅销因子时分别进行了相应惩罚。

核心技术模块2：齐套方案提取

在确定产品候选集后，需要根据齐套规则从物料清单（Bill of Material, BOM）中提取每个产品的组装方式。由于BOM中的物料存在替代关系，每个产品会存在海量的组装方式。以个人笔记本为例，组成一台笔记本的零件有多种类型，包含核心处理器、内存、显卡等。相同类型的物料包含不同的型号以及供货厂商，在同一物料组之中的物料存在替换关系。同时，对于各个物料组之间也存在着打组替换关系。

我们将产品的齐套方案转换成图结构表示，把每一个物料看成子节点，并为每一个节点增加价格，库存等属性。通过图结构提取，打分的方式为产品齐套方案制定优先级，借助并行化处理技术加快齐套方案提取过程，将模型的复杂度降低至可控范围内。

核心技术模块3：多目标优化引擎

在设计多目标优化算法模块时，需要考虑到给用户提供多目标，多场景，多维度的解决方案。多目标指的是多种优化目标，在考虑最大化呆滞物料的消耗的同时，也需要最小化额外购料成本和等待时间；同时在成品层面，也需要考虑推荐产品的畅销度。多场景包含了全球呆料共享场景以及中国，南美，欧洲等各个区域呆料独立消耗的场景，用户可以根据需求灵活查看各个场景的结果。多维度指的是生成解决方案包含产品生产方案，齐套方案，库存消耗方案及借料方案等不同维度的结果。

模型中的一些关键约束定义介绍如下：

限制每种物料的消耗量：

实施过程

本案例系统架构如下：

本案例主要基于上图系统架构进行实施，底层依赖于CPU、存储、带宽等物理硬件资源，其次是中间件的链接，保证数据和系统的可用性、稳定性，而后是前后端的应用业务集群和核心算法服务集群，最后是面向用户的接入层。核心模块主要包含数据处理模块，核心引擎算法和前端UI展示模块。

方案实施流程如下：

1. 从服务器读取最新数据源，进行自动化数据处理，数据清洗工作。

2. 采用构造启发式生成输入产品候选集；应用图计算技术并行化生成候选产品的齐套方案。

3. 将输入数据传入多目标优化模块，多目标优化模块根据用户设置的参数运行算法。

4. 输出结果同步至前端UI界面，用户可以通过Chrome浏览器实时查看结果界面。

商业变化

联想智能库存优化引擎已经在联想集团出口海外的重要生产基地——深圳工厂落地应用。深圳工厂肩负着为全球170多个国家供应联想商业PC和服务器的业务重任。联想智能库存优化引擎实时连通了供应链各个环节的数据，通过大数据AI算法给业务提供智能化呆滞库存消耗方案，提高了业务人员决策的科学性与效率，实现了数字化的从无到有，降低了呆滞库存金额18%。

关于企业

·联想

联想集团（下称联想）是一家成立于中国、业务遍及180个市场的全球化科技公司。联想聚焦全球化发展，树立了行业领先的多元企业文化和运营模式典范，服务全球超过10亿用户。作为值得信赖的全球科技企业领导者，联想助力客户，把握明日科技，变革今日世界。

联想作为全球领先ICT科技企业，秉承“智能，为每一个可能”的理念，为用户与全行业提供整合了应用、服务和最佳体验的智能终端，以及强大的云基础设施与行业智能解决方案。

作为全球智能设备的领导厂商，联想每年为全球用户提供数以亿计的智能终端设备，包括电脑、平板、智能手机等。2018年联想PC销售量全球第一。作为企业数字化和智能化解决方案的全球顶级供应商，联想积极推动全行业“设备+云”和“基础设施+云”的发展，以及智能化解决方案的落地。

面向新一轮的智能化变革的产业升级契机，联想提出智能变革战略，围绕智能物联网（Smart IoT)，智能基础架构（Smart Infrastructure），行业智能（Smart Verticals）三个方向成为行业智能化变革的引领者和赋能者。

今日抽奖

后台回复关键词
“2022国际奥林匹克日”
即可参与现金红包抽奖

联系数据猿