“你们供应链不是有好几个算法吗？”老板的话轻描淡写却不容置疑，“建个模型，算出最优解。这行利润微薄，几个点的成本差异就是生死线。”
作为一家正从成熟市场向华南新区域扩张的餐饮零售企业，供应链部门面临着提升服务与降低成本的双重压力。
01 模型里的最优，现场未必买账
算法团队构建的目标函数在数学上无懈可击：总成本最低等于仓储、运输、采购及库存成本之和。然而，对于初入华南市场的企业而言，问题远非如此简单。
企业核心诉求不仅是成本最低，更需兼顾服务稳定性、食品安全、门店体验、扩张速度及现金流控制。降本不能以牺牲供应链缓冲为代价。这本质上是一个多目标博弈问题：部分目标清晰可量化，部分则模糊依赖管理判断，而团队在建模前并未厘清这些取舍。
李航指出，数学上的最优往往将冗余视为浪费。若仅指令求解器“成本最低”，模型会剔除所有未赋值的冗余项。但在实际运营中，仓容缓冲、车辆时窗余量、双供应商备份及极端天气恢复能力，看似是成本，实则是应对不确定性的保险。
此外，数据本身的稳定性也存疑。成熟市场的需求预测准确率尚不足 80%，华南新市场误差更大；新承运商交付可靠性数据亦不稳定。在输入端不稳定的情况下，计算理论极值的意义有限。
02 好决策不是一次算完
管理者常面临信息不全、时间紧迫的困境，必须在特定时点拍板定案。决策质量不取决于初始时刻的绝对正确，而在于是否搭建了正确的决策框架。
直接将问题窄化为“华南仓网的最优解是什么”是偷懒的表现。更佳的提问方式是：华南物流网络需支撑什么？例如，如何在坚守食品安全、核心缺货及开业延误等红线的前提下，支撑门店稳定扩张并逐步降低单位履约成本。
明确目标优先级与红线后，还需厘清备选方案、关键不确定变量、评估指标、决策责任人及纠偏机制。优秀的管理者不会指望一次计算解决所有问题，而是先做出稳健判断，再随数据变化动态修正：需求变动则调整假设，承运商表现波动则优化线路，扩张节奏改变则重构仓网。
对李航而言，他需要的不是一个静态的“最优网络”，而是一个具备自适应调整能力的网络。即便需求误差超过 20%，也必须先定方向，在行进中校准。
03 端到端最优，未必能适应变化
从数学角度看，将建仓、运输、供应商选择联合求解具有吸引力，理论上能捕捉环节间关系并得出全局协调结果。但这也导致组合爆炸，数百个决策变量相互牵制，可行方案数量庞大且难以处理。
即便算出结果，也可能成为一个难解释、脆弱且无人看懂的“黑箱”。一个无法解释的“最优解”在管理中难以获得信任与执行。
李航的策略是将华南网络建设拆解为边界清晰的子问题：是直接新建区域仓还是利用华东大仓辐射？若新建，容量几何？哪些品类适合低成本冷链整车？哪些高价值订单值得航空冷链？
分步求解使答案更清晰，选因、代价、风险及执行要点均一目了然。这类模型虽不宏大，但更易理解落地。很多时候，强行塞入大模型的“整体最优”，只是用晦涩的精确替代了本该清晰的判断。
04 结语
管理问题并非不能用算法解决。对于建仓等重大不可逆投资，模型能辅助比较方案、测算成本与风险，避免判断过于粗糙。
核心误区在于将“求解”等同于“决策”。算出最优结果不代表做出了负责任的管理判断。模型可辅助计算，但无法承担后果。目标取舍与风险权衡，终需管理者厘清并扛责。
随着 AI 技术普及，“求解”成本日益降低，未来或许只需几分钟即可得到答案。当算力与建模能力不再稀缺，真正的挑战将愈发凸显：
问题是否问对？
目标是否排清？
红线是否守住？
后果由谁承担？
求解越便宜，定义问题就越重要。
来源 | 闻道 - 供应链思维
