建設智慧物流，除了人工智慧你還必須知道它

人工智慧是當前最熱門的科技概念，常常伴隨人工智慧出現的還有一個辭彙，那就是運籌學。

運籌學是什麼呢？簡而言之，運籌學就是將實際問題轉化成數學模型並高效求解的一套方法。

運籌學並非新鮮事物，它起源於上世紀四十年代，並被應用于軍隊資源調配和商業優化等諸多領域。但長期以來，運籌學只是一個小眾概念，不被大眾所熟知。在沉寂了大半個世紀之後，運籌學為何忽然熱門了起來？它在當下的商業活動中有哪些應用？又將帶來哪些價值？帶著這些疑問，雷鋒網對杉數科技CTO王子卓進行了一次專訪。

運籌學為什麼忽然變熱了？

王子卓認為，這個問題可以從兩方面來回答。首先是運籌學本身的發展。得益於計算機技術的高速發展，運籌學在過去二十年間獲得了巨大的提升。過去研究人員雖然掌握了演算法，但運算仍然需要人力來完成。計算機技術的發展使得研究人員可以運用這些演算法在短時間內解決複雜的實際應用問題。

理論的背後還需要數據作為支撐。過去幾年，人類以前所未有的速度生產和積累了海量數據，這些數據進一步推動了運籌學的發展，為之拓展了更多的應用。基於海量數據，研究人員可以運用模型做出真正對企業產生價值的決策。

另一方面，人類商業生產活動自誕生以來，便一步步走向精細化運作。在相對寬鬆的競爭環境下，粗放型的經營模式也能獲得不錯的收益，商家對提升經營效率的需求並不強烈。當前中國經濟正處在轉型升級階段，市場競爭加劇，商家開始越來越重視新技術的運用，以此提升經營效率。運籌學作為一套行之有效的工具，自然引起了他們重視。

運籌學跟人工智慧有啥關係？

王子卓向雷鋒網介紹，運籌學和當前熱門的機器學習有許多相似之處，它們的核心都是「模型+演算法」。機器學習也運用到了許多運籌學優化方面的技術，只不過前者更偏重於研究某一類演算法優化問題，比如圖像、語音識別；這類問題有其特殊的性質，而這些性質是運籌學領域不大關注的。另外，機器學習還結合了統計等其他演算法，會產生一些不同的結果。

但由於機器學習本質上運用到的還是優化方面的演算法，任何運籌學領域的最新進展都將促進機器學習技術的進步。而機器學習則拓展了運籌學的應用場景，帶來了新的問題，並激發出新的模型和演算法。二者是相輔相成的。

運籌學可以應用到物流的哪些環節？

區域劃分和選址

區域劃分和選址是物流行業面臨的首要的問題。物流企業需要選擇每一個網點的具體位置，以及這個網點負責哪片區域，這些將直接影響到企業的效益。

在這個問題中，物流企業首先要弄清楚自己的目標，即通過區域劃分保證每個區域的面積、需求量和配送時間大致相同，並將其以數學的形式表達出來。

實際劃分過程中物流企業還將面臨許多約束，比如某兩個點屬於同一區域，另外兩個點又不在同一區域等等。為此，研究人員需要用演算法對結果進行優化。單純的平面劃分並不複雜，但物流企業還需要考慮到時間維度，因為很多時候快件投遞是有時間窗口的。區域劃分並非一個靜態問題，而是會隨著時間不斷變化的。

劃分完區域之後，物流公司還要考慮選址問題：區域中哪些地方是網點，哪些地方是投送點。這個過程中同樣需要考慮很多因素，比如目標送貨員從哪裡出發最近，怎樣設置網點才能實現平均送貨時間最短，或者最長送貨時間最短等等。

區域選址之外，還有更高維度的樞紐選址問題。大型物流公司的物流網路遍布全世界，為了保證貨物快速有序流通，需要設置一些樞紐。如何選擇樞紐地址對提升送貨效率至關重要。

和區域劃分一樣，選址問題也可以轉化為數學形式，設定相應的目標和約束，通過合適的演算法得出最佳決策結果。

定價與收益管理

物流行業的另一個重大課題是定價和收益管理。所謂定價和收益管理，就是指商家如何在正確的時間將正確的商品以正確的價格賣給正確的人。

要實現好的收益管理，首先需要採集和整理數據，包括用戶的基礎信息、歷史交易數據等等。有了這些數據之後，再用機器學習進行客戶挖掘、對消費者進行標註、分析消費者對價格的敏感程度等。並最終決定對什麼樣的產品制定什麼樣的價格，在何時推薦給什麼樣的人。

具體到物流行業，其中很重要的一點就是如何制定產品線或產品目錄。物流企業需要給目錄中的每一個產品制定相應的價格，並實現整體收入的最大化，這時候就需要考慮到不同產品和服務之間的相互影響。

另外對於一些新的產品和服務，由於缺少消費者數據的積累。商家無法一步到位制定合理的價格，這時就需要用到動態機器學習，不斷積累數據並進行分析，學習消費者的行為，總結其選擇的規律。

物流行業中另一個常見的問題是非標產品定價。物流行業其本質就是在不同時間將貨物送到不同的地點，其中時間是一個非常敏感的因素。因此，物流企業需要通過機器學習演算法挖掘消費者對每一單價格的反饋，做到更好的個性化定價。

路徑優化

路徑優化也是物流行業中非常基礎性的問題。物流企業每天都會接到大量的送貨和取貨需求，如何設計一條最佳路線，在滿足所有需求的前提下，壓縮成本並保證效率呢？

王子卓介紹，以車輛調度為例，這是一個非常複雜的過程，需要同時考慮多個因素。這一場景涉及多個送貨員和多個出發點；同時需求是不斷實時變化的，有的是取貨，有的是送貨；道路上也充滿許多不確定因素，比如路面的承受重限制等。這時就需要用到很多運籌學優化和機器學習方面的技術。

此外，運籌學優化演算法在倉儲領域也大有用武之地。比如倉庫內的貨物擺放問題，不同貨物的取貨送貨頻次是不一樣，根據常識大家都知道要把頻繁取送的貨物擺放在靠近出口的位置，以提升倉儲效率。但倉庫內貨物種類眾多，如何擺放才能實現效率最大化呢？光憑主觀臆測是不夠的，管理人員需要建立起一套合理的演算法。先用機器學習演算法預測每種貨物的出貨頻次和需求，然後用運籌優化演算法計算出合理的擺放和路徑方案。

標準化是最大的難題

王子卓特彆強調，除了物流行業運籌學演算法還可以運用到很多其他領域。只不過杉數科技作為一家初創公司，將首先聚焦於物流行業，因為物流行業的供應鏈問題相對容易標準化一些。與充滿人為因素的金融行業相比，物流行業的路徑優化和倉庫管理都是相對可控的系統。

王子卓指出，將運籌學演算法用於物流行業，技術本身的挑戰並不大。目前針對大公司的個性化或標準化方案已經很成熟了，難的是對場景的理解和把握，如何從不同企業的實際應用場景中提取出共同點，制定一套能夠推廣到整個行業，給每個企業帶來實際幫助的方案。

分工與合作

杉數科技早期服務的客戶主要以大公司為主，合作方式類似於諮詢。這類客戶的需求通常非常精細化，需要與實際業務緊密貼合。由於體量巨大，任何微小的改進都將為企業帶來巨大的收益。因此他們願意花大價錢去定製軟體和演算法。

實際合作過程中，杉數科技首先會詳細了解客戶的需求，比如說在某一個城市司機出發的位置、送貨的時間窗口、司機的路線偏好等等。這些需求往往是基於客戶過去的歷史和習慣產生的，不一定是最佳的約束條件。有些在演算法上實現起來非常困難，有些實際效果並不好，那麼杉數科技就需要從演算法的角度給客戶提供合理化的建議。

大公司通常擁有自己的技術團隊和力量，在數據處理和IT等基礎工作方面更加高效出色，只是缺乏運籌優化相關的專業人才。這種情況下，基礎工作——比如說數據清洗完全可以交給客戶自己來完成，杉數科技只需要專註於自己擅長的運籌優化即可。

對於杉數科技而言，定製化的人服務十分耗費人力，且服務的企業十分有限。有了服務大企業的豐富經驗，並從中提取出一些共同需求之後，杉數科技未來的規劃是加強產品開發，推出一套標準化的服務。在標準化服務的基礎之上，再根據每個企業的特定需求進行微調。這樣一來既省時省力，又能降低服務的使用門檻，達到普惠大眾的目標。

王子卓介紹，杉數科技目前已經推出了一款名為「小馬駕駕」的標準化產品，可以為物流企業解決車輛分配、路徑優化，以及線路設計等常見問題。

人才是最堅實的壁壘

當前國內正處於經濟轉型的拐點，企業對提升經營效率越來越重視。可以預見，未來像杉數科技這樣用機器學習和運籌學優化演算法幫助企業壓縮成本，提升經營效率的企業會越來越多，大公司內部也會成立團隊進行相關方面的研究。

不過，王子卓對於杉數科技未來的發展仍然十分樂觀。他向雷鋒網表示，國內雖然有很多機器學習和人工智慧領域的企業，但他們主要聚焦於圖像、語音識別以及自動駕駛，與杉數科技並不形成直接競爭。國外類似公司相對較多，但它們還沒有進入中國市場，而且即便進入短時間內也難以適應國內特殊的商業環境。

另一方面，運籌學領域的人才整體比較欠缺，而人才培養又非一朝一夕的事情。大公司雖然能夠籠絡到一些優秀的人才，成立自己的研究團隊。但現階段他們也樂於和專業的團隊合作，共同摸索和積累經驗。與大公司相比，中小企業一方面難以吸引到專業人才，另一方面也沒有必要花大力氣去組建自己的團隊，而他們對於壓縮成本提升效率的需求同樣迫切。因此杉數科技未來的發展空間還是十分廣闊的。

作為一家剛剛成立一年的創業公司，杉數科技已經獲得了京東、滴滴、順豐等重量級企業的青睞，可謂成績斐然。對於未來，王子卓表示，自己希望繼續推動運籌學在商業活動中應用，同時通過與產業界緊密結合，進一步促進學界理論研究的進展。即使身在商業圈，王子卓對學界還是有一種割捨不斷的情懷。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！