数字化供应链：从算法仿真到数据运营的PDCA

在今天这个数字化时代，我们可以将过去积累的大量数据进行清洗、整理放在云端，通过我们建立的算法仿真平台随时读取调用，推演出我们所需要结果。这在过去是无法想象的！

举个例子，我们过去搭建一个采购物料成本模型，通常会将成本进行拆解，分解为料、工、费、GS&A、供应商利润等。我们会在Excel中建立一个模板，根据我们的经验将公式与这些数字联系在一起。当我们需要测算一个物料的采购成本时，仅需要将用料、工时、费用分摊等数据输入到Excel表格中，就可以得出我们要模拟测算的成本。

的确，看似很简单，但是这里面隐含了几个问题：首先，这个凭借经验得出来的计算公式/模型靠谱吗，准确吗？其次，当我们把采购成本作为一个考量因素，结合上库存周转、订货周期、物流成本、履约时效等多重因素进行复杂推演时，仅仅凭借Excel能搞定吗？

暂且不考虑模型设计者的经验能力如何。由于Excel功能有限，不具备自我学习能力，模型的设计者通常只能选择一些相对简单的因子来建立模型，无法模拟较为复杂的外部环境。并且，为了适应外部因素的快速变化，模型的设计者通常需要不时地对模型进行调整，从而保持其有效性和准确性。假如设计者未能及时更新模板，使用者很有可能推算出了一个错误的结果。对使用者来说，这必然存在着风险。在此基础上，基于多重因素、多个事件的复杂推演场景，必然是传统方式所无法解决的。

在数字化时代，我们可以通过算法和仿真产品轻易地解决这些问题。

但这并不等于说，算法仿真产品可以让我们坐享其成，闭着眼睛干活。相反，在获得更高精度的算法仿真结果的同时，我们也需要付出更多的努力！

我们常说，一个好的产品，离不开良好的设计和良好的运营。算法仿真产品同样也不例外！

那么，什么是好的设计呢？

首先，我们需要尽可能通过产品将各种可以获取并利用的数据抓取过来。

例如前述人工费用，我们可以实时抓取当地劳动部门统计的该行业工人的基本工资水平，甚至可以抓取对标工厂的劳动力成本数据；对于原料费用，我们可以抓取国际国内大宗商品交易市场的行情价格来进行转换，还可以抓取一些行业分析报告来判断未来的价格走势。诸如此类方法，我们不得不感谢这个数字化时代，让我们具备了千里眼和顺风耳！

其次，让模型具备自我学习的能力，而不需要通过人肉进行频繁的调整。

尤其是那些具备多影响因子的测算模型，我们可以使用机器学习的方式建立算法模型，让模型也能够变得“与时俱进”。当然，并不是越复杂的算法就越准。但是越准的模型，一定是那些与实际情况越贴近的模型。

最后，好的设计，考虑了人的因素。

这个世界因为有人的存在，所以具备了人性和艺术性。算法仿真产品也需要考虑这个因素，而这恰恰就涉及到了产品的运营问题！

那么，什么又是好的产品运营呢？

第一、我们要学会接受不完美。

几乎很少有产品一上线就能够顺风顺水，完美无瑕！产品上线后，最容易被质疑的就是不准的问题。为什么不准？这里面有数据的问题，有算法模型的问题，有仿真器的问题，有算力的问题，还有产品本身的问题。当然，也有人的问题。

好的运营人员，不会一味地挑战数据不准，而是会和产品经理一起深入研究和探讨其中的问题。逐个解决，各个击破，使其日臻完善！

第二、要有运营机制。

我们都知道，数据是一切的开始，为了确保数据的准确，我们还需要建立一套相应的运营机制。

以运输成本仿真为例，会涉及到司机、油费、运输距离、装卸费、过路过桥费等。如何保证这些数据都是准确的？在数字化时代，我们有GPS定位，我们有行车记录仪，但仍然并不能保证这些数据都是准的。

例如，遇到堵车，司机绕路怎么办？仓库吃拿卡要，索要高额装卸费怎么办？轮胎坏了，导致司机误了点怎么办？司机顺路捎带了点私活怎么办？

如果没有深入了解并检查这些实际场景中存在的问题，算法仿真产品就会被一直质疑不准而有被弃之不用的风险。

从产品设计到产品运营，一个好的数字供应链产品同样也遵循PDCA的原则：根据经验进行设计（P），拿到实际场景中使用（D），通过运营机制进行数据校验（C），修正模型（A）。

数字化时代，让我们通过算法仿真辅助决策，通过运营优化算法仿真！