解读宝洁未来供应链 - （3）
开头
大家新年快乐！虎年大吉哈！上一篇重点聊了聊创新的部分，接着上次的话题，这次重点讲讲【协同】
协同，一直是宝洁供应链的一个核心战略。这个概念比较难理解。宝洁的官方语术是：我们希望能与上下游的合作伙伴一起打通信息流，基于数据驱动的精益管理和智慧决策，真正实现全链路的优化和效能的提升。
我理解的协同，简单来说，就是利用好信息流，来做更好的决策，比如实现更准确的需求预测方法、使用更有效的补货逻辑和参数、采用更节约成本效率的运输路径等等。
利用好信息流有两个入手点，一是获取更多的信息数据，既上下游信息打通，比如如果能知道宝洁经销商目前各仓库有多少库存，那么自然就更好做决策；第二个则是更好的利用信息大数据。之前很多受制于数字化的影响，很多宝洁的内部的数据要么没有采集到云端，要么大家都是基于经验决策，而不是利用数据驱动分析。
创新的部分更多是在物流的部分打下了基础设施建设的foundation。而基于这foundation是不足够的，供应链还涉及大量的决策环节。
比如：当宝洁从一级物流网络变为二级仓网网络后，之前用的仓库补货逻辑是否自然也要发生改变？如果逻辑可以不变，那么安全库存等参数是否也应该进行调整？
当宝洁具备了二级仓网结构后且有直发消费能力后，那么什么样的SKU应该以什么样的发货模式发货是最有效的呢？
....
这些一系列的问题，如果想要有好的决策，那么则必须把整条链路都考虑进来，而不是只考虑单点优化。所谓的协同，则是由消费者的需求端拉动，商品从工厂生产开始所经历的每一个环节，都联动起来基于数据来做智慧的决策。最终的愿景是让这整个过程全链路做到零损失。
总结来说，愿景的实现依赖于下面要讲的两个主题：千场千链下的“运营平台化”和数字化转型中的“决策智能化”
千场千链
千场（景） - 需求端
之前提到的零售场景，叠加不同销售模式、品类、空间、时间的维度，需求端呈现出复杂多样的需求场景。最理想的供应场景是通过对消费者需求和供应场景的精准画像，以需求拉动供给。画像的多样性加剧了预测的困难度。
要解决这个问题，新一代供应链对于每个需求场景都要有自己的闭环；也就是，每一种需求场景标签化，有自身需求预测的signal，从而带动后端的计划。”。
我自己认为这个有点过于理想化了。之前粗维度单一场景的预测没有做的很好的原因不能简单归结为对于场景划分不够细。这或许是需求预测难点之一。但也并没有先做验证细维度场景下，是否需求预测能大大提高准确率这一步。或者说，这个细维度具体需要多“细”，才能使需求预测变得准确，这个我还没有看到有过相关讨论和测试。所以我自己粗浅认为，这个概念虽然饼画的不错，真落地下来可能要先经历一地鸡毛的阶段。介于这篇由于是概念介绍文章，观点就不深入阐述啦。
千（供应链）链 - 供给端
上述部分在于千场千链的需求端。千场就是千个需求场景，所谓的千链即千条与场景对应一一匹配相匹配的供应链。
比如，从履约端来说。过去从工厂到分销中心到客户，产品的履约路径是固化的。宝洁之后的愿景是有计划运筹中心会基于订单的结构、不同网点的库存和供应链的响应能力，动态地把一个订单分配到一个最优路径上。
深入举一个二级仓网的例子就好理解了。因为节点的增加，运营方式自然会更动态一些。从以前经销商和物流中心多对一的单一路径，变成了经销商和物流中心多对多，以及经销商和前置仓多对多的路径。经销A的货，可以从前置仓A-C运，也可以从物流中心A-B走，不局限在物流中心A了。可选项多元后，选择什么SKU放在这些仓库，库存水平的设定，运输路径的动态选择等这些具体问题的处理，需要根据实际情况来进行实时的调整。根据实时需求情况（千场）进行对应供应链调整（千链）阐述的就是这个概念
这里因为其较高的复杂度，个人难以凭借经验来有效定夺，就需要一些算法，建模等技术的加持来实现了。这就引出了后面要讲的第二块内容，数字化转型，就是其运筹中心的基石。
数字化转型
宝洁数字化转型我自己把其分为三个步骤：
1. 数据采集，决定什么数据上云端
2. 数据可视化，把数据进行基本分析的能力
3. 决策智能化，繁琐流程自动化以及复杂决策的数据驱动化
数字化转型的最终产品落地在宝洁一般有三个维度，渗透到客户，需求预测，生产制造等各个全链路环节
全链路可视化：全链路即当上下游信息以及宝洁自身数据采集打通后。当数据的量级倍增后，可视化出来做分析便是下一步。一般宝洁使用的工具是Power BI
流程自动化：以往一些可以用流程图解决的人工流程，比如SAP填单等，可以利用RPA等技术自动化，主要以节省人工为目的
实时优化：这个更类似于上诉的计划运筹中心。全链路的可视化仍然依托于人工决策，实时优化则更依赖于机器学习等算法，来代替人工决策。比如，上诉举例二级仓网结构，当整个物流选择多样化后，某客户某时对某SKU下了个5000 unit的单，这时选择究竟从哪个仓库给客户发货是最优解，靠人工临时手算就太耗时间，也没有办法穷尽所有可能性。但基于算法和数据（比如，知道当下每个仓库都有多少存货，和之后几日的生产和需求预测），运筹中心借助电脑的算力在非常短的时间内解题，来实时动态路由和智能规划运输路径。
实施优化的最终的目标被称为供应链的数字孪生。数字孪生概念听起来比较高大上。简单来说，就是在打造出一个平行于真实供应链的仿真建模。相比于仿真建模更高级的点可以简单认为，把数据的输入端自动化和实时化。比如，每天SAP在云端的数据，新的需求预测等自动每天导入到模型中。
数字孪生和上诉利用运筹学算法解决最优解不同点在于，它对解决的全局最优的问题更有优势。供应链中，局部最优的解，放到全局便可能不是最优。数字孪生英语被称为Model & Simulation, 优化算法被叫做Optimization。后者更追求于从成百上千万的可能性中，快速有效选择出最优解，而牺牲了一定的数据输入维度（比如，建模中订单就没有时间的维度，而是会被aggreate到平均每天多少订单）。前者则相反，因为数据维度非常的细（比如，订单有时间戳），模型也尽量会把供应链的每个环节都加入进来，往往跑一次simulation可能就要花费到几个小时，测试参数的调整也有限
关于数字孪生，我这边就先简单带过，如果有兴趣的话，可以在公众号（不是文章）留言“数字孪生”，如果回复的人多的话，我重新开一篇细讲哈。
总结
总结来说，千场千链和数字化转型，两个是不可拆分的概念，相辅相成。但两者又有自身的侧重点。前者追求上下游合作，通过需求端拉动供应链的愿景，后者侧重为愿景的实现打下基础，同时推动利用数据决策的流程。前者偏向获得信息流中更多的数据，后者偏向些更好的利用数据。这时我们再回看这句话，或许对协同就有了更具象化的理解。
我们希望能与上下游的合作伙伴一起打通信息流，基于数据驱动的精益管理和智慧决策，真正实现全链路的优化和效能的提升。