疫情加速全球产业链深度重构，市场供需两侧不确定因素增加；全球经济滞胀导致出口需求衰退，工业生产过热增长不可持续；行业整体产能过剩，产品同质化严重，绿色低碳转型迫切……
企业的每位高管都面临着一个必答题：如何加速塑造企业韧性来抵御市场风险，实现业务增长和绿色可持续发展？
随着数据科学和人工智能技术的发展，基于“数据+算法”的决策在实际业务中凸显越来越重要的价值，企业端诉求、技术变革与基础设施完善共同推动智能决策时代到来。
据研究分析公司Gartner预测，到2023年，超过33%的大型机构将采用智能决策的实践。
那么，什么是“智能决策”？智能决策的关键技术是什么？它又将如何打造引领企业二次增长的“智能抓手”？
围绕融合了机器学习、运筹优化等多种方法的智能决策技术，杉数科技CTO王子卓在「量子位·视点」直播中分享了他的从业经验和观点。
以下根据分享内容进行整理：
今天主要想跟大家聊一聊，大家所讨论的数字化转型和数据算法，到底能够在实际中给企业带来什么样的价值。杉数过去几年一直在做类似的尝试，在这里希望把我们的观察和理解来跟大家做简单的分享。
我想线上的听众里，绝大部分人都知道这些年大家讨论最多的，总是数字化、人工智能、大数据、机器学习这样的词语，那么我们在讨论这些词的时候到底是在说些什么？或者说这些概念到底能够帮企业去做些什么样的事情，能够给企业带来什么样的价值？实际上，这个问题在我们看来是一个非常重要也值得去思考的问题。
实际上可能很多时候大家在讨论“数字化”的时候，其实它代表了几个不同层面的含义。
首先，是一个基本的概念。当我们想要做数字化的时候，第一步实际上是“信息化”的事情：怎么样能够把这个企业里的很多信息，通过数字或者说计算机的方式，把它积累下来，也就是把现实中的很多事情映射到我们的数字世界。
这个是在过去20年左右的时间里，整个世界上的企业，包括我们国内的企业一直在做的事情。这在我们看来是一个非常基础的工作。
企业的这些信息沉淀下来，在信息化的基础上再往前走一步，我们也叫“数字化”。那么在某种意义上，数字化是指能够把这些积累的信息进行一些整合和展现，进而给企业的人员带来一些有用的观察。
这里大家过去几年做得比较多、或者听得比较多的，比如说BI（Bussiness Intelligence）的应用，怎么样能够很清晰地把企业各个维度的数字展示给企业的管理者或者决策者，大家可以依赖这些数字做很多的洞察和思考。
这两个，其实可以说是数字化比较基础性的工作，或者说，现在大家讨论“数字化”，或者讨论“人工智能”这样的概念的时候，目标肯定不仅仅只是把数据收集上来，或者把它做整理，我们会认为最归根到底一定要能够体现在企业的决策环节上。
那么作为任何一个企业或者个人，每天都要做很多的决策，比如要决定每天的库存要补多少、每天的产线上应该生产哪些产品、运输路径应该怎么样去规划等等。在传统上，大家都是由有经验的人来做决策，那么在未来的大数据时代，这些数据能做决策吗？
我们的想法是：最终肯定要依赖于这些数据，帮助在企业的决策端做出更好、更高效的决策。这样才能够让数据在企业中真正发挥价值，这也是至少我们杉数看到的所谓“未来的数字化”所代表的意义。
那么这里的图大概展示了我们看到的过去20多年时间里比较大的变革，当然我们在过去的五六年也一直在做很多的事情。
这个过程中有很多人在问，包括我们自己也体会到，做数字化转型实际上是非常不容易的，会面临各种各样的挑战，比如说企业的管理流程、数据的基础等等。大家讲了很多的概念，从大数据、工业互联网又到智能制造，那么到底“数字化”是不是一个真的概念，是不是一定会发生呢？
关于这一点，我会觉得好比过去二三十年，大家刚刚开始用计算机的时候，也会去问同样的问题，比如到底计算机未来会有多大的作用，企业花那么大的价钱去采购计算机到底是不是值得的等等这样的问题。那么现在数据对于企业的意义，就可能是二三十年计算机对于企业的情况是类似的。在未来，真正有竞争力的企业一定是会采用更加智能高效、基于数据和计算的决策方式。
所以从这个角度来讲，我认为数字化的进程，虽然漫长但必然会发生，对企业而言也是非常重要且一定会发生的变革，这也是我自己的体会。
当然变革不可能一两日就发生，这里面肯定会有大量的问题和挑战。我们过去的这些年也接触到了大量的企业，也在帮助这些企业去实现这样的变革，就是说从相对比较传统的决策方式，向由数据驱动的决策方式转变。
这个过程，大概会分成四种阶段，像这里所写的。
那么最原始的就是依赖于人工经验去做大量的企业决策。我们国家绝大多数企业在绝大多数的环节上，可能现在还是处于人工经验的阶段。
在这里我以一个做物流的企业举例，每天员工要去城市里很多地方去送货，也有很多的物流车辆，那么企业就需要去安排每天的车辆，去承担哪些货物，要以什么样的路径去送货物。
在我们合作之前，企业的决策形式实际上是，几个老师傅每天花几个小时的时间，把每天的订单先打印出来，然后这些师傅根据自己的经验把这些要送的货物按照一定的规律组合起来，最后发配给每一个车辆。
这是一个典型的依靠人工经验去做决策的场景。当然很多企业都想往前走一步，那么在人工经验的基础上，往前走、利用数据的第一步是我们叫做“数据感知”的阶段。这是指企业已经开始利用数据来支持自己的决策系统，也就是说在人工做决策的时候，已经有大量的数据可以给出一些支持。在数据感知这个阶段，企业决策本身还是由人工来做，只不过数据可以提供很多支持。
再比如一些连锁性质的咖啡店，每天都需要补货，像咖啡豆、牛奶或者食品。在我们和这样的企业合作之前，那么它做决策时已经有了一个比较好的系统，这个系统能够给出每一个产品过去一段时间里每天销量、平均销量等数据和趋势，能够支持店长判断补货需求。
店长可以根据这些数据，看到过去平均卖了多少，什么样的时间卖了多少等等，然后根据他自己的经验加上一些简单的脑子里的计算，可能就得到一个“我今天应该去补多少”这样的决策。
在这个过程中，大家可以看到数据能够给决策者提供比较强的支持，但是最终的决策还是结合人工经验来完成的。实际上很多企业都已经处于这样的阶段，可能在过去五年十年的时间里，很多大企业都已经完成了信息化，包括我们最开始提到的数字化，就是已经有了这些能够把数据展示出来的工具。
当然在这个阶段，我们会认为还远远不能够达到我们真正“数字化”或者“智慧”运营的目的。那么再往前迈出一步的话，实际上也是数字化转型里非常重要的一步，可能就到我们未来状态最至关重要的一步——我们要从“数据感知”，走向“数据导向”的决策模式。
如果说“数据感知”是指数据提供给人们一个决策的基础、但仍然主要由人们来做决策，“数据导向”的主次是不一样的，就是说在重要的决策里，是首先由数据和算法给到一个我们认为比较好、比较优化的结果，在这个结果之上，人工再根据经验和具体的场景去加以调整，稍微修正一下，但是绝大多数的工作都会逐渐由数据或者由算法来完成。
我刚才讲的这两个例子其实都可以完成这样的转变。
比如物流企业每天车辆路径的安排，可以通过算法的快速计算，在几分钟的时间把每天几千单的订单安排出，满足业务场景、且路径最短或者服务效率最高的行车路径。算法安排好后，这些调度员还可以再去核查一下这些线路。当然也可能有算法考虑不到的特殊情况，像明天某街道的交通会有变化，或者某些客户的需求可能有些调整，但是绝大数情况下线路可以直接地去执行。
同样的，比如说餐饮企业的门店，在使用了这些算法和数据之后，可以直接自动地知道每天补货量的建议是多少；算法可以考虑到过去每天的销量、周期性的变化，还有现有库存的到期情况等等各种各样的因素；最后，人工可以根据额外信息做一些调整，像明天有什么样的活动，或者可能某地区暂停营业了等等。在实际场景下，百分之八九十的情况都可以直接采纳算法和数据得到的结论。
到了这一步的话就可以实现，从更多依赖于人工的企业运营决策系统，转变为基于算法平台的系统。对于整个数字化转型来说，这是至关重要的一步，但还不是最终的一步。有很多的场景还可以做到更多的“数据驱动”。
“数据驱动”就是基本上不需要人工干预，很多互联网企业都有很多要高频决策的场景，比如无人仓库。
大家都知道现在很多仓库里都是这些机器人去负责拣货，和上下架等这样的事情。在这种场景下，基本上每一两秒都要对机器人进行调度，这些都可以完全通过算法来完成。同样的，比如大零售平台上面会实时调整价格，或做营销决策，基本上都可以实现完全由算法来驱动，也能够达到很好的效果。
这些场景里，人工也很难真正地做到实时的调整，因为这里要做的决策频率会非常高，现在其实已经可以实现基于数据、算法实现比较自动化的运营。
我们所讲的数字化升级或数智化升级有很多阶段，但是并不一定是某个企业处于某个阶段，而是它现在的某个场景或者某个环节可能正处于某个阶段。针对于这个特定的场景，我们可以不断地帮助他实现整个转变。
当企业在绝大多数的关键运营场景逐渐地进行转变，那么之后整个企业运营的模式就会发生质的变化。
企业的数字化转型，在我来看这是一个必然的趋势，尽管这个趋势肯定需要一段时间才能够完成。但是第一，这是一个必然发生的事情；第二，从我们的观察来说，也已经是可以说是一个迫在眉睫的事情。这么讲是因为我们现在很多行业、甚至整个市场也都在发生巨大的变化，那么对企业的要求也是越来越高、挑战越来越大。
比如消费品市场，在过去的几十年里模式都相对稳定。但是过去的这几年，大家可以看到产生了很多新的模式，营销模式从最传统的像线下渠道，到线上的零售平台，现在又有很多直播带货的形式。基本上每年都会冒出一堆新的模式，当有这种新的模式产生的时候，很多过去的人工经验就会变得没有那么有效果。因为人工经验总是基于过去已经发生的，没有办法快速地应对不断产生的新的模式。
关于第二点，还有就是消费者对企业的要求越来越高了。还是比如刚才提到的消费品，以前企业生产的东西，消费者只要需要就会购买；但是现在消费者有更多挑选的机会，而且对产品的供应速度有比较高的期望，像今天买的东西希望明天就能送到。如果要满足消费者对时效、商品丰富度等各种各样的要求的话，对企业的供应链而言是一个巨大的挑战。
另外技术的迭代速度也很快，新的产品线会不断地产生、规模会不断扩大。这些都会导致很多原来人工经验的失效。这些都是企业所面临的问题，在具体的运营中企业其实会遇到很多这样的挑战。
这样的变化在企业内部，还会涉及到企业规划、销售计划、供应计划等等计划制定的变化，但是不同部门的意见可能也有分歧。到底怎样制定才能够真正地满足企业发展的目标呢？
因为大家没法在同样的基准上进行讨论，每个人都有不同的视角，那么只有数据才是比较客观的基准，通过数据和算法至少能够帮助大家搭建一个相对客观、一致的基准。在这个基准的基础上，大家可以再进行主观的调整等等。通过我们的观察，这个问题是一个极大的挑战，很多企业对此有非常强烈的需求。
除了消费品企业，这几年很多制造型企业也发生了很多变革。
首先是疫情导致的需求端波动非常大，有时候会堆积很多订单，有时候可能又会很少，对生产的压力也很大。其次，很多资源受到限制，比如说电力限制，还有3C企业芯片的短缺等等，还有碳排放的限制。当这些限制突然产生的时候，整个企业的生产运营应该怎么样去应对？怎么样能够在受到限制的情况下，仍然最大化利用产能去实现生产？
这样事情在人们没有任何经验的情况下是非常难解决的，所以就需要企业更多地利用新的技术、数据算法，来实现更快速、更好地应对。
所以最终的目的是帮助企业做更加智能的决策。
“决策”这个词里包含很多个重要的概念。首先要定义我们需要决策的点在哪里，在每一个环节上要做的决策到底是哪些；同时要定义每一个决策，要实现的目标是什么，例如订单满足率最大化，还是库存成本最小化，或是运输成本最小化等等。另外在实际中也有很多的约束，比如产能的约束、人员的约束、产线的约束、原材料的约束等等，也是需要梳理清楚的。
有了这些企业场景描述的输入后，就可以通过这样的一个叫“建模+求解”的方式，帮助企业做到智能决策，这里还会涉及到几个关键的环节。
第一步，我们需要把整个企业面临的问题抽象出来，形成一个数学的问题。毕竟决策本质上可以说是一个资源分配的过程，最后能够得到一个数学上的表达，这里主要指的是运营方面的一些决策。现在的“数字孪生”，或者说把企业的运营目的和约束等映射到数字世界，其实就是一个模型。
那么有了建模之后，就相当于有了一个模型来刻画企业的整个运营。接下来，就要通过计算来告诉企业，怎样的决策能够让这些关键的指标在未来实现一个最好的结果。这里就会涉及到大量的优化计算。
这里“优化”实际上意思就是指，如何在一个具有约束条件的环境下，怎么样做决策能够最好地达到某一个目标。这也是我们今天的主题，就是说我们在智能决策里怎么样去利用优化的工具实现最终目标。
那这里可以举一个具体的例子。
一个制造型企业，需要决策的主要是整体的生产计划：尤其当“急单、插单”时应该怎么样安排生产，怎么样重新安排生产计划，但同时还有产线、产能、物料供应等等约束条件；生产目标是要尽可能满足订单。这些信息就可以抽象为一个模型。
模型的输入数据可以主要来自于企业信息化系统，包括产线、产能、物料供应等信息，可以作为模型的参数。有了参数之后，可以求解计算出生产计划的调整方向，最终输出给企业可执行的决策。
从“数据导向”到“数据驱动”，这个流程或说范式是如何实现的呢？实际上是，先把业务的问题通过建模计算的方式抽象出来，然后再返回到业务的过程。这样的方法相比于人工有极大的优势。
首先是更加透明。因为所有这些规则、约束、数据都是可见的，大家是在同一个基础上去讨论事情的。同一套数据、同一套模型，算法结果上也会从上千万上亿中选择最好的，所以也是更加优化的。
人工经验或许也能选出很好的方法，但是当问题规模很大的时候，人们的能力可能就无法保证仍然能选出最好。那么基于数学逻辑的算法可以保证一个最优的结果。另外，从速度上来说，算法也可以非常敏捷地反应。这个对比优势应该是非常明显的。
刚才提到的内容里，今天想和大家讨论的核心技术点主要有两个部分。
一个是这些年大家讨论也比较多的，有关机器学习的技术。机器学习在这个过程中主要的功能，实际上更多是去预测一些未来的参数，例如未来市场的需求会是多少，订单周期是多少，运输的时间大概会是多少等等，往往是这样的一些预测。预测之后，这些参数还需要最终形成决策。
那么另一部分就需要我刚才所讲的优化算法。优化本质上属于运筹学的技术范畴，核心就是解决这样的决策问题中的一些优化的问题，基于对显示问题进行准确描述刻画来建模，通过运筹优化算法在一定约束条件下求目标函数最优解。这里面还会有很多更细分的不同种类的模型和方法，时间关系不会过多展开，这是一套非常重要，而且比较成熟的工具。
利用好这套工具，能够帮助很多企业解决大规模问题中的决策变量。某个SKU在某条产线上，在未来每天生产的量组合起来可能是个上亿级别的决策。但是对于运筹优化来说，成熟的方法可以分钟级地解决这样的问题。
我们能够实现这样一个听起来非常高效、这么好的结果，并不是那么简单的。这样的计算在底层会需要依赖于一个计算引擎，这在优化领域叫优化求解器。当有了一个模型之后计算出最优解的过程，就需要通过这个叫求解器的软件进行计算。
求解器也是一个非常重要的工业软件，在我国各个领域里，尤其是像能源、军事、航空、金融、电网、工业制造这样的关键领域，大企业都需要使用求解器去做运营支持，其实每年都会花很多钱去购买国外的求解器。
好消息是，国内包括我们团队也一直致力于开发国产求解器。这两三个年下来，也达到了世界一流水平，非常的不容易。因为求解器内部非常的“精密”，可以把它比喻成发动机的引擎，有很多的细节需要去处理。这个软件代码也是上百万行级别的。
很高兴地跟大家汇报，杉数科技现在已经可以和国际最一流的求解器比肩——整数规划和美国Gurobi生产的求解器，处于差不多的水平。甚至在不同场景的很多指标上可以超过他们，可以说是世界第一了；当然，也有一些场景还和他们存在一定差距，但也在比较接近的范围。基本上在解决实际问题的距离上，可以认为是同一级别的。
通过我们过去几年的努力，在优化求解器领域，基本上可以说中国已经打破了欧美的封锁。
我们利用求解器的最终目的，还是要解决实际中的问题。比如制造业是个非常典型的场景，还有像交通、金融、能源、零售、互联网、医疗等领域其实都在使用求解器服务。这些年，我们也在为各行各业里最顶尖的一些企业提供服务。因为这样的企业规模比较大，面临的问题比较多，那么通过优化能够提升的价值也会更加明显。
过去几年里，至少我们整个团队确实看到了基于运筹优化和机器学习的方式，能够实际地帮助企业实现决策的智能化、数字化，确实能够给企业带来非常显著的收益，只要企业能够愿意去推动而且双方愿意一起来配合。
不同行业的收益会体现在不同的维度。比如消费品供应链的企业，可以提高企业的订单满足率，然后最直接的是销售的增长，包括降低库存成本、降低仓库里积压产品的时间；对工业制造企业，可以更高效地利用同样的产能，可以更快速地交付订单，时效满足率更高，还有在不损失收益的情况下可以有效降低碳排放，这对整个国家、企业来说都有巨大的价值。
当然对其他的领域里也都能带来非常显著的提升，可以看到这不仅是一个可以量化的提升效果，还有不可逆的数字化的趋势。这里还可以和大家快速分享一些具体的案例。
比如消费品企业，做营销活动会有很高的营销费用，在这个过程中会涉及广告投放、价格促销、流量等不同的资源分配。企业可以利用智能决策系统，从价格体系分析、促销销量预测、促销价格管理等维度来进行决策，从而知道什么节点应该购买流量还是投放广告，如何把资源分配到更加高效的环节中，这样可以有效的提升促销费效比和提升促销活动的商品交易总额。
有营销的场景，也有供应链的环节。从供应链的角度也叫履约，就是各个渠道线上线下等等如何发货，按照什么样的优先级，当产能有限的时候怎么样更好地分配我货物，能够使最终订单满足率能够有比较好的保障。同时还有库存的问题，需要多少级的仓网，每一级的库存如何备货去应对不同层级的需求。这些也会基于前端需求的计划，如何能够把算法数据的预测能够结合到场景之中，最后又联动到生产。
有了这些履约的计划之后，对产线的要求又是怎么样的，工厂每天应该生产哪些产品，要生产多少等等这样的一些问题形成工厂的生产计划。那么整个供应链在很多的客户里，其实是基于一些传统的Excel表格，再基于一些人工的经验不断去协调的事情。而基于杉数的智能供应链计划平台，则可以实现可视、可预测、可解释的高效决策，例如基于该平台，助力好丽友大幅提升订单满足率和拉动销售额。
那么通过数字化、智能化，这些都可以在一个大的平台上以数据为基础、由算法给出一个决策方案，人工再在此之上继续做调整，最后实现更高效的供应链运作，实现更高的订单满足率、更低的库存积压，进而体现在企业整个营收在效益上的明显增长。
这样消费品企业的案例，对于具体的饮料啤酒、美妆日化等企业都能够取得相似的收益。
回到最开始讲的智能化或者数字化这件事情，应该说还处于比较早期的阶段。我们也可以看到过去5年左右的时间，大家开始非常关注。这也是因为技术发展到了这样的阶段，确实有了这样数据的技术，也有了运输优化这些算法和资源可以支持落地。
我认为这是一个不可逆的趋势，并不会过几年就不流行——从长远角度来看，它是一定会发生的趋势。
虽然还在早期，但是各个行业的领头者现在也都逐渐在做这些事。那么逐渐地，每个行业的企业都会从上到下不断地去渗透。我想，只要企业有比较强的发展诉求，企业管理者都会思考应该如何在这个过程中实现企业的数字化升级。既然都不愿意做落伍者，就希望能够在相对早期去完成对未来的布局。
今天这里很重要的就是运筹优化的概念。因为大家听得更多的是人工智能、机器学习这些概念，这些概念确实很火，也确实带来了很炫酷的东西，能够不止让企业，包括我们个人在生活中都能够感受到一些变化像人脸识别这些。
但是从更本质的角度来讲，一方面，对企业而言，更重要可能还是一些运营的决策，它并不见得有多主流，但是能够解决问题。
另外一方面，人工智能的发展，其实也大量依赖于底层的运筹优化算法。
机器学习之父迈克尔·乔丹（Michael Jordan）曾在人工智能大会上提到，其实人工智能未来最重要的突破方向，也是在运筹优化领域，应该是怎么样能够更好地与优化算法紧密结合。
这里体现了所讲的优化技术，对于人工智能也是一个非常重要、非常有潜力的领域。
量子位发起的CEO/CTO系列分享活动，不定期邀请前沿科技领域创业公司CEO/CTO，分享企业最新战略、最新技术、最新产品，与广大从业者、爱好者探讨前沿技术理论与产业实践。欢迎大家多多关注 ～
— 完 —
量子位 QbitAI
关注我们，第一时间获知前沿科技动态
“
