这一转型的实现远比“购买软件”复杂，其核心在于对供应链本质的重构与管理机制的革新。
01 提出新问题：从单点优化到全局重构
宝洁应用新算法的北美化妆品业务，此前已通过提升制造响应、改善配送及端到端协同，将库存削减约一半。但在资金效率与安全库存风险的双重压力下，传统单级模型“某节点能否再少放两天库存”的优化空间已近枯竭。
多级库存优化提出了全新视角：“为保障服务水准，库存为何必须存放于此？”以液体彩妆为例，新模式下原材料与成品安全库存下降，而在制品库存反而上升。这看似反常，实则合理：成品差异化程度高、贬值风险大，而需求波动在向供应链上游汇聚时往往减小。将库存保留在在制品阶段，实质是推迟产品差异化决策，从而降低整体供应链的安全库存投资。该项目最终使液体彩妆线安全库存投资减少超 17%，总库存下降约 5%。
02 模型落地：当数学最优遭遇真实世界
学术模型常假设简化的四层网络（供应商 - 工厂 - 配送中心 - 客户），但宝洁面对的是包含数千种物料、百家供应商及复杂补货节奏的真实网络。原有精确算法要求的“互不重叠二部子网络”或特定成本函数凹性等数学条件，在现实业务中均被打破。
若仅提供“可行解”而非“最优解”，难以说服习惯成熟单级模型的计划员承担迁移风险。为此，研究人员构建了能从生成树放松解高效推进至全网最优解的新算法，确保了最优性的可证明性。这表明，有效的算法并非学术界单向输出，而是企业在实践中根据真实约束迭代而成的产物。
03 管理基建：从数据映射到组织权责
算法要转化为管理能力，必须跨越数据、流程与组织的鸿沟。宝洁要求模型颗粒度与 SAP 等 ERP 系统严格一致，确保模型节点能精准对应具体 SKU、地点及流程，避免“名同实异”导致的执行偏差。
此外，宝洁将一次性求解固化为标准工作流：
- 提取 SAP 中的物料、计划、财务及需求数据，经清洗转换后传入优化软件；
- 模型计算建议安全库存；
- 计划员复核结果；
- 确认后的目标回传至 SAP 及相关计划系统执行。
为解决“谁对模型负责”的难题，宝洁建立了全球支持体系：站点关键用户共同维护模型，区域负责人推动流程改进，全球负责人确立长期方向，IT 部门保障系统接口。模型所有权由此从专家转移至业务组织。同时，系统输出仅为“建议值”，计划员保留最终复核权，以应对模型未覆盖的现实变量。
04 时代启示：AI 时代的算法治理
从运筹优化到如今的 AI 大模型，技术虽变，但从“实验室正确”走向“持续创造价值”的逻辑未变。当前许多 AI 项目陷入“有了技术找场景”的误区，而正确路径应是：识别旧决策机制的能力边界，判断新技术究竟增加了何种决策能力。
AI 的核心价值或许不在于替代运筹优化，而在于充当算法与运营间的“裁判”：监测环境变化、评估参数有效性、判断人工干预背后的信号，并决定何时调参、修改约束甚至重新定义问题。
上一代企业的挑战是将算法写入组织，而 AI 时代更大的挑战，是让组织具备持续管理、质疑和调整算法的能力。
来源 | 闻道 - 供应链思维
