龙润鑫供应链管理学堂

数字化供应链技术及其应用（2）

数字化技术基础：六大技术如何重塑供应链

SCMP 核心精讲 · 零基础也能听懂，落地直接能用

今天这一节SCMP教材，我们讲数字化供应链的六大技术基础。

供应链人天天听这些词：物联网、大数据、云计算、人工智能、区块链、数字孪生。但您分得清哪个是基础设施、哪个是智能应用吗？跟自己的日常工作有什么关系？

大部分供应链人对数字化的理解，停在"上了系统就是数字化"。但六大技术拆开看，每一项都在回答一个供应链人天天遇到、却靠人工解决不了的问题。您卡在哪个问题上，就该用哪项技术。

今天我们就用大白话，一项一项过。重点不是讲技术原理，而是搞清楚：每项技术，在替您解决哪个供应链问题。

一、物联网：让物品"说话"

物联网的概念于20世纪90年代末首先在美国麻省理工学院提出，凯文·艾什顿（Kevin Ashton）于1999年在MIT创立Auto-ID Center时首次提出"Internet of Things"这一概念。基本概念是将各种现实物品利用射频识别、传感、定时测距等系统与网络技术相连，完成物到物、人到物和人到人的互联，实现信息数据的互动流通，达到人对万物的智能识别与控制。

物联网有三个特点：网络特性（离不开网络信息技术支撑）、识别和通信特性（物必须能自动识别、传输和交换信息）、智能特性（具备自动识别传感、自主获取反馈、对结果处理可控的能力）。

三层结构

物联网分三层。感知层负责收集物与物关联的信号，靠的是传感器、RFID、GPS等；网络层负责信息的传输和通信，靠的是有线通信、无线通信、移动通信等技术；应用层负责对接终端用户设施，提供感知信息服务，涉及工业监控、智能交通、智慧家居等应用领域。

关键技术

物联网有三项关键技术。射频识别技术（RFID）能识别高速运动的物品，同时获取多种标记，获取距离可达几十米。传感器技术将现实中的模拟信号转换为数字信号，帮助机器理解，是物联网中最重要的部分。M2M技术（Machine-to-Machine）实现机器与机器、机器与人之间的通信，已广泛应用于城市管理、环保监测等领域。

供应链应用

信息服务： 产品电子代码（EPC）在每一件产品上粘贴RFID标签，内含唯一的电子产品代码，实现对产品在整个供应链上的辨识和追踪。通过辨认产品的RFID标签，能够掌握产品的名称、型号、部件加工厂商、产地溯源等所有数据。

自动仓储： 由计算机管理和控制，使用自动化仓储物流设备进行货物的搬运和输送，实现自动货物分拣、货物盘点、出入库管理。

智能配送： 物流配送机器人通过物联网终端的数据信号对货物实施扫描、跟踪，根据配送系统给出的路径进行引导，送达后通过人脸识别、短信验证码等方式帮助用户快速取货。

SCMP教材给了一个案例（据SCMP教材引用）：B公司的应急物资储备库建立于2010年10月，总建筑面积14400多平方米。在该储备库房里，一件物品从出厂前的基本信息、入库状态、检验数据报告，到出库后的去向（用于什么项目、细化到地址和位置），都能通过物联网信息技术在现代物资管理系统中体现。

对供应链人来说，物联网解决的核心问题是：货在哪、什么状态，不用人去看。 过去靠人去仓库数、靠人去现场盯，现在物品自己会"说话"。

二、大数据：让数据"说话"

大数据指具有体量巨大、来源众多、生产极快等特点，并且难以用传统数据结构高效管理的数据集合。随着大数据分析的不断发展，大数据公司数量急剧增加，技术门槛逐渐下降，市场竞争日趋激烈。

数据挖掘与数据分析

数据挖掘是指在海量数据中运用计算机学、统计学的方法，寻找其中隐含信息的过程。数据挖掘的具体过程包括七步：数据清理（消除噪音）、数据集合（将各种来源的数据集合到一起）、数据选取（选取与任务有关的数据）、数据转换（转换成更适合挖掘的形式）、数据挖掘（发现知识）、模式评估（识别有用的模块）、知识表示（用可视化手段表示知识）。

数据分析是指运用适当的分析手段对采集到的大数据加以研究、整理、概述和理解，目的是从繁多冗杂的大数据中获取有用信息，并总结归纳出知识。分析结果可以用列表法（横向与纵向对比展示数据关系）和作图法（环形图、直方图、散点图等描述数量变化）表示。

数据挖掘和数据分析有两个主要技术：数据分类（用已标签的数据建立模型，对无标签数据归类，常见算法有决策树、Naive Bayes、支持向量机等）和数据聚类（按数据内在特性分组，组内数据具有大致相同的特性，常见算法有K-means、层次聚类等）。

供应链应用

改进需求预测： 供应链企业的经营分为采购、制造、物流、分销、零售到客户等过程，客户信息逐层向上反映，上游企业与下游客户的关联程度较低，容易产生牛鞭效应。大数据分析技术有利于降低企业掌握客户需求的难度，精准预测需求。

SCMP教材给了一个案例（据SCMP教材引用）：C公司并非与消费者直接对接，而是通过大型超市与消费者建立关系。C公司捕捉消费者购买行为数据，汇总输入数据终端，数据近7万个，每周更新。管理者无论身处何地，都能在短时间内了解消费者需求数据，并与产品仓库数据匹配。C公司运用数学模型与算法，根据16个品牌的产品形态区分出4个主要业务类型，每个品类都有团队预测实际销量。即使消费者购买了一些微小、不起眼的产品，都可以预测未来的市场需求变化。

降低供应链金融风险： 在传统供应链金融中，银行通常要求企业以资金或货物作为抵押担保。大数据时代，大数据分析所获得的信息代替了抵押担保，使供应链中的企业能够获得更多融资机会。对异常数据的收集与分析，可以对企业的偿债风险、信用风险、贸易风险等进行有效预测。

优化仓储管理： 早期仓储管理由于技术匮乏，很多仓库货位无法充分利用。利用大数据技术，采用蚁群算法、神经网络模型算法等，动态选择合适的货物仓储货位，优化存取路径，缩短作业时间。

落到供应链上，大数据干的事其实就一件：从海量数据里挖出能改变决策的信息。 以前判断需求靠经验，现在数据替您做了，但前提是您得先把数据挖出来。

三、云计算：让资源"共享"

云计算是指通过网络将可伸缩、具有弹性的共享物理和虚拟资源池以按需自服务的方式供应和管理的模式。云计算将数据解构形成一个抽象的、虚拟的计算资源池，利用网络根据客户需求提供计算云、存储云等服务，具有超大规模、虚拟化、可扩展、可靠性高、安全性高等特点。

三种服务模式

基础设施即服务（IaaS）： 信息技术资产拥有者将计算机系统、数据库等基础设施当成业务向客户提供，按实际使用量收费。客户只需要拥有运用信息技术的能力，无须拥有信息技术资产。说白了，就是"租服务器，不买服务器"。

软件即服务（SaaS）： 利用互联网提供软件服务，客户根据自身需求通过互联网向中心购买软件服务，按服务数量和时间长度付费。一句话讲，就是"用软件不装软件，按用付费"。

平台即服务（PaaS）： 将服务器平台或开发环境当成公共服务提供给需求客户，帮助开发人员从环境构建和维护中解放出来，聚焦于应用编写。换个说法，就是"开发环境也帮你搭好，你只管写代码"。

供应链应用

供应链信息共享： 供应链管理需要每个环节的企业协同运作，仅部署某一个企业的信息是无效的。云计算让供应链相关企业主体同时应用同一个软件服务平台，每个企业及客户的信息能够被有效分析，供应链管理信息具有可标志性、可追溯性和可继承性。当核心企业发现某一环节存在不足的预警条件时，云计算平台自动向相关企业发送补货需求信息。

国家物流信息平台是一个典型案例。该平台主要致力于物流数据构建，提出标准、交换、数据服务三大基础业务，有效促进了数据资源共享，克服了网络互联难、信息共享难、业务协调难等壁垒。以宁波国际货运发展集团公司投资打造的国家公共订舱信息服务平台为例（据SCMP教材引用），利用国家物流信息平台实现了280余家供应链公司之间的信息数据互通，在货运代订舱过程中节省近40%的时间、30%的人工、50%的耗用材料。

供应链服务平台： 通过供应链服务平台连接上下游企业及客户，使各主体在平台上进行交易、结算、评价。平台作为供应链集成商，提供软件、技术、服务设计、在线交易、软件租赁等一站式支持服务，使公有资源被充分利用。

四、人工智能：让机器"决策"

人工智能（AI）的显著特点是研究和开发具有模仿、解决问题和复制人脑能力的"思维机器"，通过对复杂信息的处理来解决问题，使设备或系统具有感知环境并根据情况做出反应的能力。人工智能在辅助做出更优决策和提高效率方面的能力使其在诸多领域发挥作用。

四大核心技术

计算机视觉： 利用摄影机等装置完成图像的处理运算与分析，让人工系统获得"感知"能力，最终目标是使计算机具备同人类相仿水平的自主感知环境信息的能力。

机器学习： 研究如何使机器具备类似人类的学习能力。一个方向是使系统具备和人类学习相仿的机制，另一个方向是在数据量庞大的背景下更有效率地获取和利用信息。

自然语言处理： 包含自然语言理解和自然语言生成，通过计算机系统自主实现对外界文本信息的接收和处理，实现用自然语言与计算机系统有效通信。

语音识别： 将人类的语音信号收集后转换为计算机可读取的格式，通过提取声学特征，借助声学和语音模型进行处理。

供应链应用

智能仓储： 在拣选、搬运及加工配送等关键作业环节，利用工业智能机器人替代手工操作。例如京东的无人仓库通过工业机器人进行作业，在提高准确率和效率的同时节约了劳动力成本。

智能运输配送： 人工智能应用在货物装配环节，在条形码、EDI等技术支持下优化货物配送选择，及时给客户实时车辆配送信息，制定最优物流运输配送路径，提高运输整体效率。

智能供应链管理： 借助人工智能的算法和数据处理能力，优化供应链中的库存管理、品类管理、价格管理等方面，推动供应链协同效率的提高。

对您来说最直接的影响是：让机器帮人做重复决策，让人做更高价值的判断。 人做重复决策又慢又容易出错，算法做又快又准，但算法做完了，人得腾出精力去做策略层面的判断。

五、区块链与加密技术：让信任"自动化"

区块链技术首先出现在2008年，它允许以加密数字货币技术进行在线自动交易支付，并可以用分散、安全和高度可视化的方式提供对数据、交易和日志的共享账户访问。区块链具有不可篡改、可追溯、去中心化等特点，通过密码学技术和共识机制，在相对复杂的网络环境中建立广泛的数据信任，实现可信交易、信息共享、数据安全传输等功能。

四项关键技术

分布式账本： 在多个网络成员节点之间实现数据实时共享、复制和存储的数据库。每次数据更改都会令全部成员知晓，任何成员都可以查看全部数据信息，实现交易的共同监督。

非对称加密： 用两个不同的密钥进行加密和解密，公钥加密、私钥解密。交易数据在网络成员之间公开共享，但交易成员的个人信息经过高度加密，必须经过授权才能访问。

共识机制： 对交易数据有效性的认证，需要区块链中特殊节点之间达成共识，实现对交易数据的验证和认可，保障数据的一致性和有效性。

智能合约： 基于数据有效且无法更改的前提，在无须人工二次确认的情况下执行提前达成共识的规则和条款。使无第三方参与的交易同样具备可信度。

此外，区块链技术还带动了电子印章的发展。电子印章将实体印章用电子技术模拟替代，在数字加密和数字证书协议等技术保障下，具备和实体文件相同的效力，且防伪效果更好，能有效减少电子印章犯罪。

供应链应用

SCMP教材没有单独列出区块链的供应链应用案例，但从技术特性看，区块链在供应链中的应用方向很清晰。以供应链金融为例，核心企业的信用如何向上下游传导？传统做法是靠银行做中间担保，核心企业给银行开证明，银行再给供应商放款。区块链的做法是：核心企业的交易数据上链，不可篡改、可追溯，供应商拿着链上的交易记录就能证明应收账款的真实性，不需要银行做中间人验证。这就是信任传递的自动化。

一句话讲，区块链解决的是：没有中间人也能建立信任。 供应链上下游之间靠银行担保、靠合同约束、靠人工核验，这是传统做法；区块链让交易数据公开透明、不可篡改，信任可以靠技术自动建立。

六、智能优化算法与数字孪生：让供应链"自我进化"

智能优化算法

智能优化算法又称启发式算法，被普遍用于解决最优化问题，具有普适性、全局优化及并行处理能力。与传统优化算法不同，智能优化算法处理的大多是多极值问题，目的是使全局结果最优化而非仅实现局部最优。

智能优化算法大体分五类：进化类算法（如差分进化算法、免疫算法）、群智能算法（如蚁群算法、人工蜂群算法）、仿物类算法（如模拟退火算法）、人工搜索类算法（如禁忌搜索算法）、人工神经网络算法（如监督式学习网络算法）。

数字孪生

数字孪生（Digital Twin）是指利用收集到的现实数据，在虚拟世界内对现实中的实体或系统进行模拟，从而反映相对应的实体在现实中的状态。数字孪生的本质是通过信息建模，在数字世界搭建出和现实物体一致的数据模型，进而通过信息平台对现实物体进行操纵。

通过与5G、物联网、云计算等技术结合，数字孪生技术能在大范围物流网络建设、基础设施管理、仓库运营管理等领域发挥重要作用。企业可以更好地把控全生命周期中的产品状态，实现降本增效。

供应链应用

供应链预测： 包括销量预测、财务预测、单量预测、供应商响应时间（VLT）预测、到货预测和运力预测等。

供应链优化： 包括仓网规划、运网优化、智能配送、入仓优化、波次优化、运输路由优化、智能定价、库存健康优化等。

供应链数值仿真： 包括选品仿真、仓内仿真、仓配仿真、采购仿真、调拨仿真等。

回到供应链，智能优化算法和数字孪生解决的是：让供应链从经验驱动走向算法驱动。 靠老师傅的经验做预测、靠拍脑袋做仓网规划、靠试错做配送优化，这些做法的天花板已经到了；算法和仿真让这些决策有了数据支撑和全局视角。

收束：六项技术，一条链条

回头看六大技术，其实有一条清晰的逻辑线：

六项技术不是孤立的，而是构成一个完整的链条：采集数据→挖掘价值→共享资源→智能决策→建立信任→持续优化。但大部分企业的数字化，停在"采集"和"共享"这两环——上了物联网采集数据，上了云共享资源，但数据采完了没人挖（缺大数据），挖完了没人用（缺人工智能），用了没人信（缺区块链），信了没优化（缺算法）。