在人工智慧和大資料時代，越來越多的雲上資料和越來越智慧的模型開始輔助人們做出各種最優決策，從運營效率、成本節約、最優配置等方方面面，實現降本增效，進一步提升商業效率。京東、美團、滴滴、順豐等眾多知名廠商，都透過運籌最佳化平臺，改造其供應鏈、智慧派單、司乘匹配、智慧分揀等等。

零售行業環節眾多，從生產到倉庫、到線下門店的供應鏈中，即使最終產品的需求非常穩定，長鞭效應也經常會發生。原因在於供應鏈中各節點只根據其相鄰的需求資訊進行生產或者供應決策時，需求資訊的不真實性會沿著供應鏈逆流而上，逐級放大。 更準確的需求預測只是決策的一個步驟，還有隨著銷量等業務變動過程和流程管理過程中的庫存訂貨決策、價格波動決策、短缺博弈決策等決策問題。長鞭效應表明即使預測再精準，如果對後續的流程決策過程沒有有效管理，精準預測帶來的收益也會被不合理的安全庫存帶來的損失抵消掉。

很多企業的決策過程往往過於依賴對應崗位的個人經驗，而企業員工在這些事情上一方面獲取的資訊不完全，另一方面決策環節存在大量估算對比的重複工作，導致決策方案輸出的低效和不穩定。員工重複勞動限制了個人成長，企業耗費了人力資源和寶貴的決策判斷時間。 針對企業優秀計劃決策經驗方法的快速複製、集中高效決策、快速資訊反饋和計劃決策效果預估等需求，奇點雲在資料中臺的基礎上，推出了決策引擎的應用。

奇點雲決策引擎

資料採集與管理完善，對資料進行資訊提取，瞭解事物的規律，並不能釋放資料的巨大價值。 資料要產生實際價值，必須真正提升決策質量，實現決策的自動化、流程化、規範化。

在為客戶完成資料中臺的開發後，提供基於中臺資料資產的智慧決策服務，根據場景的不同，選擇最大收益期望決策、最大最小收益決策、最小最大後悔值決策、馬爾科夫博弈決策等決策方式，並結合運籌最佳化演算法和強化學習對決策目標進行求解。

現實生活中，有很多問題可以描述成最佳化問題，然後利用運籌最佳化的知識加以解決。

比較核心的兩個步驟是：建模(modeling)和求解(solve)。奇點雲根據成熟的軟體工具包（cplex, gurobi, glpk，lpsolve, scip ...）給出經典運籌最佳化問題的baseline解，快速上線試執行。在執行的過程中根據結果評估的核心指標，結合運籌最佳化演算法和強化學習，對演算法和求解過程進一步最佳化，使得計劃決策模型、求解過程、評估體系能夠滿足客戶業務發展所需的計劃決策流程。

奇點雲預測引擎以需求預測作為切入點，決策引擎則關注執行過程中的計劃決策效率和決策質量。對於商品的季節性的影響和市場的供應的不穩定性需要補貨決策合理跟進；鋪貨完成後，具體倉庫到門店之間的補貨，門店到門店之間的調貨，依然需要客戶的工作人員進行大量的工作，來生成每一期的補貨、調貨方案；為了完成鋪貨、補調貨的同時保證市場狀態的鬆緊平衡，也需要一個合理的方案。

計劃決策的核心是庫存的分配，包含倉庫庫存、在途庫存、店鋪庫存等。庫存管理是對製造業或服務業生產、經營全過程的各種物品，產成品以及其他資源進行管理和控制，使其儲備保持在經濟合理的水平上。利用歷史資料實現實時更新的需求預測，為企業提供補貨建議。合理地設計倉儲貨架擺放，商品區域劃分，高低貨架擺放，入庫出庫最優路徑調配等，可以為企業節省鉅額的成本以及大量人力勞動成本。可以減少資金佔用，提升庫存週轉率，提升自動化管理，提高人員與裝置利用率，降低庫存負擔。

運籌最佳化算出最優調貨策略

奇點雲某大時尚客戶，線下門店有幾千家，每家店有幾百個sku，透過歷史資料預測每家店鋪每個sku在未來的銷量，必然有的店鋪會出現庫存不足，而有的店鋪出現庫存積壓的問題，那麼透過將庫存積壓的店鋪的商品，調貨到庫存不足的店鋪，將會提高公司的整體毛利。店鋪與店鋪之間的物流成本不同，缺貨和積壓的商品種類也有差異，透過運籌規劃中的混合整數規劃的方法，計算出最優的調貨策略，混合整數規劃的模型可以抽象建模如下：

透過對調補貨過程的建模求解，幫助客戶業務人員對應的重複工作量減少了80%，計劃決策時間縮短了三天。業務人員能夠在決策時看到更多的資料依據，計劃決策輸入輸出清晰高效。

結語

客戶的業務流程中，大量環節會涉及到決策問題， 如何高效利用資料來驅動決策是奇點雲決策引擎的核心。在上篇StartDT AI Lab專欄文章中我們提到了精準需求預測的重要性，而實際中預測總是有偏差，帶有不確定性，需要在不同環節產生的多級不確定性情況下做出決策。結合需求預測和決策引擎，讓資料決策更加智慧。未來我們會不斷在需求預測與決策引擎領域耕耘，幫助客戶創造更大的價值。