京东物流吴盛楠：数字化智能物流“新基建”的实践探索

图片来源：快科技

导读

近些年，随着社会经济高度发展，商业形态创新迭代，甚至黑天鹅事件层出不穷，市场和客户对物流服务商的服务水平、履约时效、异常处理能力等提出了更高的标准和要求。与此同时，中国从全球“制造中心”向“智造中心”的转型和产业升级，使得国内的蓝领劳力用工成本不再具有明显的优势。这所有的大局变化都迫使物流企业对网络进行持续优化，探索在不同商业模式下如何敏捷响应和降低履约成本，并化解或减小各类突发事件带来的冲击，以提供稳定、可靠、可持续性的物流服务。

本文总字数4650，阅读约16分钟。

作者简介：

吴盛楠，京东物流副总裁、首席数据分析官 (Chief Data & Analytics Officer)，负责大数据和 AI 的发展。2002年本科毕业于清华大学，2008年于美国匹兹堡大学获得运筹学博士学位，之后一直从事数据算法方面的工作，在美国和中国多家世界百强企业主导过大型智能系统的开发建设。

各个头部物流企业及企业内的物流部门都在大力投入数字化“新基建”的建设，试图利用大数据、人工智能、5G、IoT等技术手段，在不同层次、各个环节建立数字化和智能化的能力，来升级传统以劳动密集型为主要形态的物流行业，基本上都从以下三个方面构建智能物流生态体系---宏观的智能规划、中观的智能计划、微观的智能作业。这样的智能物流生态体系，不仅从不同的目标维度、时间粒度、管理环节上解决了场景化的物流智能应用问题，还覆盖了物流从流程线上化，到业务数字化，再到决策智能化的整个生命周期，建立了物流行业数据智能变革的实践方法论。

一

智能规划

智能规划服务于物流的中长期网络规划，目标是满足业务的物流战略性诉求，对企业的整体物流成本起着至关重要的决定性影响。它主要包括设施选址、网络布局、路由规划等3大功能模块，三者有机结合起来构成了网络规划的综合解决方案。

网络规划抽象总结其实就是要解决“定点”、“划片”、“连线”的三个问题。“定点”即设施选址，确定仓储、分拣、站点等物流设施在整个网络中的位置。“划片”是现状的物流设施位置和未来的网络需求结构演变，确定设施和设施之间、设施和客户地址之间的服务覆盖范围。“连线”就是通过不同的运输线路组开和路由组织，将全部设施连接起来，最终整合连通形成一张的物流网络。

网络规划的起点是“定点”，即我们通常所说的设施选址问题。设施选址方面，根据用户的场景特点，我们综合采用了传统机器学习算法、运筹建模和精确最优化求解、结合人工经验的策略启发式算法等支持辅助选址决策。例如为支持公司业务发展战略，科学化精益化决策全国枢纽节点的规划，算法可自适用地给出在不同规模需求下的最佳枢纽选址、成本测算、客户覆盖率及服务水平，为业务发展布局提供了有力支撑。在设施位置确定后，第二步是确定设施的功能和覆盖范围，即“划片”。像京东物流这样的头部企业之所以能够实现高时效服务承诺，重要原因之一是能够科学的将客户需要的物流服务资源提前部署在离客户最近的位置。我们在“仓储-分拣-站点-客户地址”的覆盖关系设计上，充分采用了线性规划、整数规划、动态规划等运筹学方法，辅助网络规划专员做出平衡成本和时效的优质网络布局决策，使之成为业务核心竞争力。

图1. 路由网络规划3大产品交互

图片来源于吴盛楠博士

需要重点介绍的是第三步“连线”，即路由规划。路由规划相比设施选址和网络布局，是一个更为高频的规划需求，通过路由规划能够动态根据货量的变化进行网络的局部性调整，实现物流网络基于货量需求下的时效成本动态平衡。我们通过路由管理系统、路由规划系统、路由仿真系统三位一体，实现了路由规划方面在行业的领军地位。路由管理系统，采集现有的路由网络现状数据，为后续路由规划和仿真奠定了数据基础；此外，还通过路由管理系统与运输管理系统、仓储管理系统、分拣管理系统、揽派系统的打通，协同仓拣运配各环节运营，保障路由规划决策和网络资源能够转化为物流时效服务能力。路由规划系统，是路由规划的决策大脑，给出最优化的线路开通和路由组织决策。路由规划系统对接路由管理系统采集的仓拣设施位置、网络层级关系、历史单量等基础数据，搭建了一个Hub-and-Spoke轴辐式网络模型，通过初始候选线路及路由集生成、骨干路由网络搭建、路由末梢网络完善这3个算法阶段，为路由规划人员输出不同货量需求下，最佳的线路组开方式，有效降低了物流运输成本，保障了服务时效。在路由规划系统中，我们主要基于数据规划方法进行静态网络规划，但由于物流网络的复杂性，数据建模无法考虑现实中复杂的营运规则及动态随机性因素，导致无法考虑到一些路由网络的细节业务场景，因此算法建模优化的结果，需要通过仿真这一技术进行进一步有效性验证。路由仿真系统，能够有效解决路由规划系统算法结果有效性验证这一问题。在路由仿真系统中，我们采用了离散事件仿真的建模方法刻画路由网络细节，并综合考虑了分拣、仓储、站点环节的业务运营逻辑，搭建了一个用于解决超大规模网络优化问题的仿真优化框架。同时，因为网络仿真中分拣中心和站点的规模在万级别，人工进行仿真输入分析变得不切实际，可通过引入机器学习的方法对仿真中处理时长、装卸货时长和运输时长等关键参数进行估计，大幅提升了模型的有效性。

二

智能计划

智能计划聚焦在供应链管理层面，核心形成一套供应链采购、生产、分销、物流计划体系，解决商品的动态流转以及库存控制问题。

预测是计划的基础。为从数据和算法模型两大方面支持不同粒度、行业、品类等场景的预测算法开发，京东物流搭建了预测算法中台，涵盖数据定义、数据分类、特征分析、数据模型、场景策略、行业策略等功能。

目前，算法中台在数据源方面，除订单数据、库存数据、促销数据、日历事件等基础数据外，已包含了行业趋势数据、竞品分析、流失预警等通过大数据横向挖掘的数据。在数据处理方面，中台支持从业务、数据特点两个角度进行数据预处理、数据约束以及特征工程。可基于一定业务特点或一定的统计量进行数据分类、聚类和关联分析。在算法模型方面，中台集成了如ARIMA、RF、XG、LSTM、ES-RNN等机器学习、时序模型类算法模型，以及bagging、stacking、boosting等融合方法，针对不同的场景，可自动匹配不同的预测策略。在预测工程化生产过程中，中台可支持使用Spark、HDFS、Kafka等大数据相关技术进行处理。

具体到物流业务量预测上，我们针对常见的预测不全以及预测结果不统一的问题，从供应链角度出发进行了创新。将原来直接产出单一业务量预测（例如单仓业务量预测、单配送区业务量预测）的方式拆分成2步：第一步从全链路的角度考虑上下游的影响因子，产出全覆盖的基础预测数据；第二步根据实际业务需求，部分重点和特殊场景在基础预测数据上优化并产出基于该场景的预测数据。这样不仅可以大大提升预测效率，同时由于加入了上下游的影响因子，也显著提升了预测的准确度。同时，为提升预测准确度，还打通了预测+计划的循环迭代链路，实现了影响预测的计划因子数据（如促销信息、销售计划、生产计划等）的智能收集和整理，并反哺到预测中供算法建模和学习，以不断提升重点场景的预测准确度，以及打造多元化的预测场景。

采购计划方面，京东物流融合多年库存管理业务经验，为商家提供了围绕供应链库存的一揽子管理模式以及管理系统。在经典库存管理模型，借鉴业务经验，引入了安全库存点、最小订货单元、订货时长等决策点及建议参考值，建立了多套库存管理模型，可应对新品、季节品、长尾品、以供定采等多类采购场景。并使用仿真系统模拟真实采购人员的实际操作，使用深度学习方法，结合迁移学习，学习业务经验，形成自动化库存计划推荐提醒，在实际系统运行中，已经可以实现基于库存计划的快速、自动生成、推荐采购、生产、调拨建议。综合应用后，可显著优化商家客户的总体仓储成本和商品库存周转率等核心指标。

三

智能作业

智能作业聚焦采用信息化和数字化的手段，依托仓储、运输、配送、供应链等各类管理系统，灵活的业务、数据中台，形成基于算法的智能运营解决方案。

在生产系统进行智能化改造，使用算法驱动业务运营，是智能运营的主要实现方式：如在仓储管理系统增加的库存智能布局、智能排产等模块；运输配送管理系统增加的智能装载、车辆智能调度、揽配路径优化等模块；订单中控系统增加的订单履约监控、全程智能寻源等模块、集合单优化等。

以集合单优化为例，其解决的是当订单池较大时，人工集合单不合理，拣货效率不高的问题。主要使用了种子算法，根据订单与商品信息、商品与仓内定位表、约束条件配置计算出了集合单、任务单与商品关系。为实现在多种仓内场景的应用，算法应满足多个条件：一是支持多种优化算子，如交叉算子、删除插入算子等，支持多种元启发式算法，比如禁忌搜索、模拟退火策略、遗传算法等；二是支持多种种子订单选择方法，如拣货距离最长订单、跨逻辑区最多订单、待拣件数最多订单、覆盖巷道最多订单等；三是通过种子订单扩大任务的过程中，支持多种订单临近程度度量方法，如合并后的拣货距离、共同储位数量、总储位数量、额外增加巷道数等；四是在得到可行解之后，可以直接输出，也可以进一步的优化。

以揽配路径优化为例，其要解决的是在不新增或有限增长配送员特数量的前提下，通过协同揽派人员排班，妥善处理新增的揽配量。其求解主要分为3步：第一步利用机器学习技术对配送顺序、配送时效等约束进行挖掘；第二步通过对配送员实体进行仿真建模，将各个约束条件直接融入到配送员实体中，形成配送员“智能体”；第三步仿真随机性事件（例如临时加入的紧急揽收任务），“智能体”可以自主决策接下来的行为动作，从而使仿真模型整体可以再现真实的履约过程和履约效率。在这样的基于智能体的仿真模型上进行不同排班策略的实验，具备极高的可靠性和可行性。

四

智能应用的数据基石

正如在上文提到的，不论是智能规划、智能计划、智能运营，算法的应用都离不开业务数字化的基础；而业务的数字化，又依赖于流程线上化。业务数字化一般通过搭建统一的数据中台来实现。这一庞大的数据中台体系，除了能够支持内部业务人员数据查看和分析的需求，更为智能算法的应用提供了充足的“养分”和“燃料”。

具体来讲，数据中台的核心是：收好数据、管好数据、用好数据。收好数据，就是在已经完成流程线上化的物流业务系统（如TMS/WMS/DMS等）中，抽取结构化或非结构化的数据，整合到数据中台之内，通过统一的数据指标和口径，完成数据对于历史物流业务运作的数字化“描述”。管好数据，就需要依托数据资产管理、数据资产诊断与可视化、数据安全保障制度、数据生命周期管理制度等，对数据建立如同图书馆索引一般精细化的管理，精确到每张表、每个字段、每个指标、每个口径，做到数据来源清晰、血缘关系明确、数据导航可视、数据字典可查、增删改查悉数在案。用好数据，和管好数据相对，即是在完善的管理制度同时，考量数据使用的快捷性，保障算法能够方便快捷的找到使用所需数据。同时，通过统一的数据中台，确保算法与公司业务人员的使用的基础数据口径保持高度一致，从而提升了算法结果的业务认可度，保障技术可以落地应用。

五

结语

作为民生基础设施的物流行业对数字智能“新基建”的探索和应用才刚刚起步，但随着运营方式的不断升级和数据的不断完善，无论是在智能规划、智能计划还是智能作业层面，都将有大量的应用场景不断产生、挖掘。运用多类算法解决一个业务场景，或是多个业务场景通过一套算法方案串联的情况会越来越多。未来的智能物流应用将从单个场景延伸，向着更综合、更灵活、更复杂的方向发展，而我们的解决方案也会向着更加复合、协同、组件化的方向发展，这是整个行业的一个重要发展趋势。

文稿｜吴盛楠

编辑｜于亿航 周圣钧 高松龄 邱雨浩

审核｜赵　鑫 张可人