Fork me on GitHub

京东零售供应链数字孪生探索与实践

以下文章来源于 https://zhuanlan.zhihu.com/p/631325157

导读: 数字孪生是以计算机图形学和人工智能为基础,将现实中的要素在虚拟世界中动态模拟仿真,针对现实世界中的实体对象,在数字化世界中构建完全一致的对应模型,通过数字化的手段对实体对象进行动态仿真、监测、分析和控制。随着新一代信息技术的发展和广泛应用,数字孪生的应用范围不断扩大。本文将分享京东零售供应链场景下对数字孪生的探索与实践,将以更为直观的实际案例分析带大家深入了解数字孪生目前的运用体系与未来展望。

今天的介绍会围绕下面四点展开:

  1. 京东零售供应链

  2. 数字孪生体系

  3. 实践案例

  4. 未来探索


分享嘉宾|潘宇通博士 京东 算法工程师

编辑整理|魏忻昱 西安电子科技大学

出品社区|DataFun


01/京东零售供应链



京东零售供应链包含中小件、冷链、大件、B2B、跨境及众包 6 大类型网络,每一张不同类型的网络运营逻辑不一样,从而带来不同的网络层级结构,网络层级最高可达到 3 级。在此庞大的供应链网络上包含了 1400 多个仓库,实现了全国区县 100% 的覆盖,并且每天有 1000 多万自营商品通过这张网络从品牌商送到消费者手中。

1. 供应链环节与算法服务

京东零售智能供应链 Y 业务部希望通过以成本、效率、体验最优配置的方式,将商品从品牌方送至消费者的手中,同时通过趋势洞察、C2M 等能力,捕捉消费者的需求与趋势信息,反馈给品牌方实现反向定制。



京东零售供应链能力布局涵盖了创意、设计、研发、制造、规划、采购、库存、营销、履约和售后十个环节,其中前四个环节主要是服务于上游的品牌商,而从规划到履约是京东零售商品供应链的核心环节。



在这五个环节当中,部门利用了大数据、AI、运筹优化等前沿算法技术布局了相应的智能决策能力,例如在规划层面,京东有大规模的网络规划优化能力,采购方面有行业领先的端到端补货模型,库存环节有采-配一体决策,营销则可以根据库存信息进行促销排期,并且在最终的履约环节,通过全渠道智能履约决策,将商品送至消费者的手中。

2. 规划类问题的挑战

仓网规划与库存布局是零售供应链中规划环节的重要场景。不管是对于算法工作人员还是业务人员,在规划类的工作上均会面临一些通用的挑战。

**规划层对问题识别和反应相对滞后。**供应链中有很多问题是长期存在的,当问题的影响积累到一定的程度并引起质变后,通过常规运营手段无法解决时,才会在规划层寻找相关的解决方案。

**规划类工作的决策影响深远。**由于规划环节处于整个零售商品供应链的上游环节,任一决策的变动会对下游环节产生长期且深远的影响。

**规划类工作效果跟踪困难。**由于规划类工作效果与所有运营环节绑定较深入,如何从各类运营指标当中,单独将规划方案的效果进行剥离,实现持续的优化,都存在一定的困难。



为了应对上述挑战,我们建立了数字孪生的数智能力体系,从被动响应需求到主动发起改变,实现供应链决策全链条深度协同。

--

02/数字孪生体系


1. 孪生要素

数字孪生是基于数字与算力,将物理实体抽象为数字模型,通过数字模型高效驱动决策生成,并且将决策作用于物理现实的技术方法论。



举例:

飞机是物理世界中的物理实体,通过搭建传感器若干,对飞机整体数据进行一个全面的收集,从而在数字空间中我们可以建立飞机的数字模型。在飞机本身反馈到数字空间的零件参数中,存在部分零部件具有故障风险的可能性,此时我们需要在飞机的数字模型里对其飞行状态进行仿真,从而开展飞机零件潜在故障对飞行安全影响的推断评估,并通过决策生成飞机定制的维修方案反馈给飞机的机械工程师,机械工程师会根据定制的方案在飞机起飞之前对其整体的零部件进行提前的维护。

从该案例可以看出,除飞机实体在现实世界以外,所有动作都是在数字世界中发生的,从而我们可以得出数字孪生概念中关键的要素:

① 具有与现实物理实体一一对应的数字模型。

② 从数字指标中发现问题驱动决策动作。

③ 通过数字模型高效进行决策生成得到解决方案。

三大孪生要素中,数字模型对应的是端到端仿真能力,利用数字指标驱动决策对应智能诊断能力,决策生成解决方案对应智能决策能力。京东零售供应链的数字孪生体系能力建设上,是将以上三种能力有机结合,服务于供应链业务决策流程。

2. 数智能力体系

供应链业务的决策流程,可以简单抽象为四个环节---发现并定位问题,明确解决方案,评估方案影响,方案落地运营。



在问题定位环节, 京东建立智能诊断能力,通过对数据指标进行监控、诊断以及归因,智能化地输出业务存在的通用性问题,根据问题诊断结果驱动后续的智能决策;在明确方案环节, 京东在战略类、策略类及执行类的场景都建立了相应的智能决策能力,从而对不同场景、不同问题输出相应的数智解决方案;方案评估环节, 由供应链端到端仿真能力,从规划到履约环节,对输出方案进行全流程评估,对方案影响进行全面量化,辅助供应链业务方在系统侧或人工侧推进方案落地执行;**方案执行后,**需对数据进行回收,对业务决策质量进行进一步效果评估,通过回收的数据指标中溯源运营之中仍存在不完美、具有一定风险的问题,通过智能诊断驱动对业务流程的持续优化。基于智能诊断、智能决策、端到端仿真能力,建立决策全流程数字孪生闭环。

本次介绍与大家主要分享的是智能诊断能力与端到端仿真能力,智能决策能力与应用场景关联度较高,不进行过多展开。

(1)智能诊断

智能诊断是由智能算法与专家知识相结合,实现数据指标的智能解读,驱动决策优化。

当今大量实践经验表明,数据本身不直接等于资产,它很可能也是一个数据沼泽。目前多数企业在数字化建设上都发展出了一定的规模,积累了大量的原始数据,数据自然成为了一个企业的无形资产。从海量数据中实现价值挖掘,该"看什么"、"如何去看",非常考验分析师们的经验,同时数据之间的因素难以解耦,指标 A 的变化可能受指标 B 与指标 C 共同的作用,与两者的关系难以单一剥离,每个因素的单独影响难以评估,核心问题难以暴露。



我们在供应链成本指标上建立了智能诊断能力,通过智能诊断能力,回答三个业务关心的问题:一是谁的成本有问题,二是具体是什么问题,三是如何对问题进行改善。其中"谁有问题",还可以进一步进行拆分乘两个子问题:"成本指标有问题吗?"以及"到底是谁的问题?"。这四个问题,分别对应了异常检测、异常定位、运营归因以及决策驱动的数据分析流程。



通过专家经验与智能算法的结合,从数据认知层面到利用数据进行决策改变的转化,平衡了数据分析的可解释性与可操作性。利用智能算法,在众多维度和因素中输出指标异常的结构性问题,驱动决策生成,从数字化的信息化向智能化的升级转变,最大程度上实现数据价值的应用。

(2)供应端仿真平台

供应链最大的魅力在于"链"。供应链中上下游环节之间的耦合非常紧密,例如上游仓库进行的调整,会给下游所有环节的决策带来变化,在供应链场景中优化决策的"蝴蝶效应"非常明显。供应链本身是一个实体场景,线下的 A/B 实验成本高、周期长,部分场景不具备 A/B 实验的可行性。为解决上述问题,京东搭建供应链端到端仿真平台,供应链场景中的决策优化提供辅助工具。



端到端仿真平台实现仓网、预测、采购、库存、履约等环节的全流程还原,支持订单维度的高精度仿真,同时支持多环节的决策实现变更,帮助业务部门对决策的影响作出全面、科学的量化评估。



仿真平台核心功能的实现,离不开关键技术保障。供应链仿真平台与线上的仓网规划系统、需求预测系统、库存管理系统以及履约决策系统的决策方案进行联动,实现各环节深度耦合计算,通过全流程仿真还原供应链现状。

利用多种算法工程技术,高效支撑大规模订单平台仿真计算。通过对商品的水平化扩容的工程技术,使订单数据处理量达至亿级;应用订单并行计算,将仿真运算效率提升至 42% 以上;设计了数据抽样方法,实现了样本在多 KPI 指标下的高精度还原,将场景中 SKU 的数量实现几近 20 倍规模上的翻量。

为量化各环节决策的影响,京东通过模块化设计,提供供应链沙盘的制作环境,帮助业务人员在新的业务场景与规则下快速灵活搭建新的供应链形式,并通过仿真计算对决策动作的全局影响进行科学量化。

--

03/实践案例


1. 库存下沉

案例背景:

随着企业的不断发展,精细化的运营需求日益激增,降本增效成为供应链的重要议题之一。

京东的中小件二级网络运营方式是由供应商向网络中的 8 个区域仓(RDC)进行补货,同时 RDC 会通过内配的方式将商品送至离消费者更近的前置仓(FDC)。但受限于物流的内配产能与 FDC 仓容面积,无法将足够以及足量的商品调往 FDC。对 FDC 未被满足的需求,由 RDC 代替 FDC 进行履约,从而拉长了供应链整体的履约链路,导致了仓配成本的增加。

解决方案:

供应商除了在 RDC 进行备货外,同时可在 FDC 对部分品类的商品进行补货;由于补货量较高,FDC 无需再与 RDC 进行库存共享,可切断上游 RDC 的支援关系。该方案缩短了商品的履约距离,降低配送成本,提升履约时效。利用数字孪生技术,输出供应商库存下沉的端到端解决方案。



(1)智能诊断

在众多优化成本的方案中,我们通过数字孪生体系中的智能诊断能力,回答了为什么推动供应商下沉,是解决仓配成本核心痛点的关键动作。

我们结合专家经验对中小件仓配成本指标进行智能诊断,引入了多个因素,对成本指标进行拆解,将仓配成本进行多维度的划分。

众多因素以及维度的引入,从微观层面解释对指标变化的影响,但也容易导致对结构性问题的失焦。通过基于蒙特卡洛树搜索的多维定位算法,从众多的维度当中识别结构性问题,输出成本变化的根因,进而驱动成本优化决策。



案例中,从区域、重量、距离、订单结构 4 个维度,识别出仓配成本增加的原因为距离、重量、订单结构 3 个维度下的 5 个问题集合,对仓配成本增加的贡献高达 84%。异常集合中,中、长距离履约的因素的贡献突出,意味着对中、长履约距离因素进行改变能有效地降低供应链仓配成本,说明推动供应商库存下沉是解决仓配成本的重要动作。

(2)智能决策

通过智能诊断,了解了"为什么要做"之后,接下来需要解决"怎么做"的问题。



业务方的诉求有各自的倾向。对于某些品类而言,仓配成本是核心痛点,仓配成本的收益最大化是他们的目标,对于另一些品类,会倾向于大面积铺货,提供为消费者提供更好的时效服务;而有的品类,希望在两个目标之间形成平衡。为了应对不同的业务诉求,京东在库存布局上设计了多种启发式方法来满足业务的不同优化目标,输出最优存货布局方案。

(3)仿真评估&落地执行

方案输出后,接着是"如何落地"的问题。

库存布局方案的决策目标主要京东的零售业务方的输入,但该项目的参与方还包含了上游的供应商以及下游的物流部门。仅依靠零售视角下的单目标或多目标,在单一一个环节上进行决策优化,对于供应商和物流提供的决策信息不够,难以协同配合。

为推动决策方案的落地,我们将存货布局方案作为输入,在供应链端到端仿真平台进行仿真,将仿真结果输出给供应商、零售以及物流:供应商可根据仿真结果进行盈亏平衡分析,推动其商品进行直送下沉;零售可根据平台对库存与履约的成本、周转、现货的仿真结果,对补货或履约网络结构的调整;物流则需根据仿真得出的库存量及大促时销量的波峰波谷,进行仓储资源、拣货资源及物流资源的产能需求评估。三方共同根据平台仿真结果协同决策方案落地执行。



(4)效果评估

库存布局的方案整体采纳率可达 88%,这不仅只是零售对库存布局方案的采纳率,而是供应商、零售、物流三方共同的采纳率,对解决方案有着高度认可。在指标效果上,实现了成本与时效的双优化,并且在对指标后续的监控与分析过程中,通过智能诊断对发现了项目的运营问题,与运营的解决方案进行匹配,实现对项目运营的动态优化。

在本案例当中, 京东将智能诊断、智能决策及仿真技术相结合,通过数字与智能算法能力,驱动业务决策全流程。利用数字孪生技术的助力供应链决策的高效生成,实现端到端解决方案的输出。

2. 多仓布局优化

案例背景:

在京东的单层级网络里,由于供需的不稳定性,部分商品不能满足全仓位备货,某些商品可能只能备货在 1-2 个仓库,以一仓或两仓发全国模式满足客户需求。此情景会造成大量的订单跨区履约,从而带来仓配成本增加。该场景下,**有两个优化决策点:**一是商品若不能全仓备货,那应该在哪几个仓更合适;二是由于无法进行全仓备货,需要跨区履约支援,此时如何调整履约支援网络,使仓配成本最低,时效服务最优。这是一个仓网规划+库存布局的联合优化问题。

解决方案:

多仓布局问题,可基于运筹优化的智能决策,以最优仓配成本为目标函数,京东将网络关系、备货仓限制、业务 KPI 诉求以及现实约束,建立商品-网络联合优化的整数规划模型。



模型的数学公式能较好地还原问题场景,但该案例是一个 What-If 场景下的组合优化问题,现实中可能存在某些商品一直都在广州备货,从未在北京和上海这两地进行补货以及履约,缺少决策所依赖的历史数据,模型参数严重缺失。



为解决模型参数缺失问题,我们利用仿真评估 SKU 不同备货仓及履约支援场景下的库存、履约成本情况,生成决策数据,输入商品-网络联合优化模型当中,对模型进行求解,从而输出仓配成本最优的备货方案和履约支援网络建议。

与上一个案例的先优化,后仿真流程不同,该案例完全在数字世界中生成决策信息,基于仿真的优化能力输出最优方案。决策质量的好坏,一方面取决于数学表达是否精准,另一方面取决于决策参数的数据质量。精准的数字模型,有质量保证的决策参数,解决方案是能得信赖并最终落地的保障。

--

04/未来探索


最后是对数字孪生能力后续探索方向的一些思考。



(1)最优解决方案

目前智能诊断最终输出的不是决策本身,而是驱动决策的一个关键信息。对于同样的问题,在规划层,在计划层、执行层都会有不同的解决方案,需要在众多解决方案中,找到最优的解决方案。

(2)最佳配置组合

供应链的链路环节非常多,从仓网规划到采购到履约,每一个环节都有相应的业务模式、算法模型以及相应参数的配置组合。通过什么方式进行获得不同环节中策略的最佳配置组合,这也是我们未来探索的一个方向。

(3)识别瓶颈环节

在现实世界当中,时常会遇到一个较为激进的业务目标,穷尽了现有能力,也无法达成,此时我们需要识别是供应链中的哪个环节、策略、模型阻碍目标达成,了解问题瓶颈。

(4)数字驱动创新

由于瓶颈的存在,需要针对性地完成解决方案的设计。如何利用数字信息实现创新驱动,我们也希望能够通过数字孪生这一方法论进行回答。

--

05/问答环节


Q1:如何看待供应链链条较长,完全 1:1 数据复现不够准确,不适合用算法决策来解决?如何控制智能决策与业务实际运营结果的偏差?

A1:第一个是供应链的全局优化/联合优化问题,全局的优化本身的挑战与落地难度非常大,供应链链条较长且有不同的环节,每个环节都是有相应的负责人员,所服务的业务指标是不一样的。全局优化/联合优化的本质上是要做目标与信息的拉通同步,这是供应链长链条下整体优化的前提。

第二个是决策质量效果评估的问题,在规划层面该问题评估条件较难,规划方案的整体效果是依赖于实际运营方的。在其他的不同环节,例如说补货、履约,每完成一个环节的动作都会有很快的一个指标反馈,此时可以通过对人工与算法执行的指标差异对效果进行一个评估。

Q2:对于该项目规划的相当规模的蓝图,实施起来亦需要相当大的工作量,请问京东有多少人力来投入这样一个蓝图?工程、算法、产品、业务大概是一个怎样的配置?

A2:目前整体能力处于初期阶段,在试点部门、试点指标进行相应的开展与建设。一方面需要业务、运营专家去给予我们相应的决策支持,帮助我们去实现一个整体的数据、业务理解,帮助我们算法工程师进行相关场景的诊断、决策、仿真能力构建;同时,在数据、算法和工程的人员上的诉求也是较为明确的,需要在统一规划规划下,差异化地承接各自的任务,共同完成决策能力体系的整体构建。

Q3:如何评估模型的准确性?如何解决准确性结果的偏差?

A3:仿真准确性的评估有两个维度,一个是回测,一个是预测。回测 是对现状以及历史的还原程度,可通过对供应链指标的仿真结果与现状指标误差范围进行评估;另一方面是将决策仿真作为预测的一部分,可采用预测的评估指标。

对于解决偏差优化,一个是需对业务流程、环节以及方法策略有深刻的了解与认识,通过仿真还原业务现实流程;另一方面,需要仿真结果尽可能做到精细,提高业务的可解释性、可接受度。

Q4:供应链数字孪生建模过程中,有无考虑或实现不同角色之间的博弈?如供应商、平台、客户。

A4:目前我们是做到了京东零售供应链内部的离散事件的仿真,如果我们要把供应商、平台和客户加入到京东仿真的框架里,我们需要相关方的数据信息。多源的数据同步上,涉及隐私以及商业机密等问题,这部分可能是难以实现的。

Q5:在仓网规划、布局选址设计及数字孪生仿真的时候,有无考虑除京东物流之外的社会化物流基础设施?

A5:有考虑的,但这一部分不仅仅是涉及到仓网规划,还有我们整体履约模式的调整。我们在自营的很大的场景里基本都是京东物流提供的物流服务,但也存在一定的场景,需要对一些三方物流进行考虑和评估。不同的物流服务商以及不同的业务场景下我们该如何进行网络规划以及商品布局,会根据场景目标而定。

今天的分享就到这里,谢谢大家。



▌2023亚马逊云科技中国峰会


2023年6月27-28日9:00-17:00,2023亚马逊云科技中国峰会将在上海世博中心举办。

本次峰会将会分享数百个技术话题与最佳实践,覆盖汽车、制造、金融、医疗与生命科学、电商、游戏、泛娱乐、电信、教育、数字化营销等领域。

下面给大家预告一些精彩议题 报名参会,请点击"下方链接"。
2023年亚马逊云科技中国峰会 - 因构建_而可见

|---------------------|-------------------------------|
| 大数据方向议题 | 算法方向议题 |
| 下一代"智能湖仓"架构演进 | 玩转Stable Diffusion模型的微调与提示词工程 |
| 数据合规与云上安全架构构建实践 | 智能搜索技术在金融行业的应用 |
| 敏捷数据分析架构详解 | 基于开源LLM模型如何快速构建类ChatGPT应用? |
| 云原生数据库最佳实践 | 大语言模型(LLM)驱动的AIGC应用架构解密 |
| 智慧医疗: 本地化与全球化精选案例合集 | 生成式AI在游戏行业的应用 |
| 技术人员如何抓住风口获取成功? | AIGC在互联网行业与传统行业的应用与创新案例 |



本文地址:https://www.6aiq.com/article/1684751629625
本文版权归作者和AIQ共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出