在现代制造业中，呆滞物料管理是必答题，考验着企业供应链管理水平。尤其是近年来受疫情影响，市场供需关系不稳、物流能力受阻，许多制造型企业不得不将库存策略从尽可能“零库存”调整到战略性“多备料”，这也相应加剧了库存物料积压成为“呆滞物料”的风险，不仅会导致库存数据混乱，还会给企业运营带来现金流风险。
01 呆滞物料管理，知易行难
呆滞物料的“处理”方式有退货、转卖、报废等，这类方式通常会带来较大的减值损失，如果能将呆滞物料与市场需求紧密结合，满足客户需求的同时消耗呆滞库存，无疑是最上乘的方法。实际上，呆滞物料的管理知之非难，行之不易，通过齐套成成品进行呆滞物料消耗更是难上加难。这体现在三个方面：大规模多来源数据处理难、实时满足不同消耗策略难、多个消耗目标兼顾难。
制造业领域的库存管理种类繁多，一家大型企业的库存管理动辄牵涉数10万级SKU，这些SKU的实时库存数量、库龄、所属大区、未来到货数量、缺货数据等信息与对应不同成品的BOM信息叠加在一起，极其庞杂。在联想深圳工厂，物料全量库存数据达7亿行以上，整机历史出货数据达千万级行，一种机型的齐套方案最多可达到上亿种，处理难度极大。
呆滞物料的消耗策略和方案需要随着业务需求变化实时调整，不同策略下的等待时间、可使用的物料范围、新采购物料金额等限制条件都不同，如在紧急消耗策略下只能使用当前库存已有的物料完成齐套，不能考虑在途物料和新采购物料；在长期消耗策略下，要考虑根据在途物料的到货时间考虑消耗周期以及新采购物料的金额限制等，快速输出合理的齐套方案是人力难以企及的任务。
呆滞物料消耗的目标，包括最大化推荐成品消耗的呆料数量，同时也需要保证推荐成品在市场上的受欢迎程度；另外针对新采购物料，需要尽量控制额外的采购花费；这些目标之间相互制约，甚至还互相矛盾，极容易顾此失彼。
02 以智破局，盘活呆滞物料
作为一家科技制造龙头企业，联想不仅拥有深厚的制造基因，同时具备领先的数智化能力和供应链智能化上的先行优势。为应对制造业呆滞物料管理的挑战，研究院AI Lab与供应链智能分析数字转型团队携手打造了基于智能决策技术的智能库存优化引擎，通过挖掘出畅销产品的清单，提供基于齐套分析的面向区域独立和全球共享等不同场景、可实时兼顾多个业务目标的呆滞物料消耗方案。
智能库存优化引擎采取启发式构造算法和多目标优化算法结合的方式对问题进行建模求解，逐一击破呆滞物料管理的的痛点：
知识图谱技术解决大规模业务数据处理难题。海量、多元、动态数据的处理和分析是AI落地绕不开的难题，联想智能库存优化引擎通过知识图谱技术将不同来源的数据通过知识融合进行集成，抽出数据本身的含义，组织成业务知识，可以更直观有效地组织、分析数据。此外，通过知识图谱和语义技术构建的供应链语义平台对供应链中相关联的实体数据建模，形成的供需知识图(Demand-Supply Knowledge Graphs, DSKG)可以大幅促进业务团队和数据分析团队之间的协作，提升复杂AI模型的可解释性及运行效率。
多阶段求解确保呆滞物料消耗方案的实时性。求解效率是影响AI工业落地的重要因素，面向时变的场景、不同的策略和海量数据，在建立优化模型后，优化引擎将模型分为探索和剥削两个阶段。在探索阶段，模型决策后输出推荐的产品型号；在剥削阶段，输入探索阶段推荐的产品型号包含的BOM方案，模型决策后输出推荐产品的齐套方案及呆滞物料消耗方案。此方法通过将复杂度较高的问题转换成两阶段求解，可以保证算法在分钟级得到求解方案，满足实时决策。
多目标协同优化技术统筹全局指标向好。为了在呆滞物料消耗时同时兼顾最大化呆料消耗价值、最小化新采购花费、最大化推荐产品的畅销度以及最小化推荐成品数量等多个业务目标，优化引擎通过多目标优化技术，在可行域中搜索出所有可能推荐的组合，根据设定的目标优先级挑选出共同最优解。计划人员使用时只需要对多个目标进行优先级排序，优化引擎会根据层型排序法，在保证前一个目标最优解集下优化下一个目标，直到求出共同最优解。
目前智能库存优化引擎已经在联想出口海外的重要生产基地——深圳工厂落地应用。深圳工厂肩负着为全球170多个国家供应商业PC和服务器的业务重任。联想智能库存优化引擎在落地应用后，提高了业务人员决策的科学性与效率，降低了呆滞库存金额18%。
03 向决策要竞争力
从工业革命开始，制造业已经历了两百多年的发展，制造企业之间的竞争已经切换到了供应链与供应链之间的竞争。合理应对呆滞物料管理挑战是供应链管理的关键问题之一，也是关系到企业持续发展的重要问题。联想库存优化引擎在复杂的供应链环境下依托智能决策技术，有效避免了呆滞物料的浪费、减值，保证了供应链运营的韧性与高效。
依托智能决策技术面向供应链需求计划、供应决策、生产决策和销售决策，联想已经构建了完整的供应链智能决策解决方案。未来，随着智能决策技术的推广，以库存优化引擎为代表的联想智能决策技术还将不断赋能行业革新增长。
（关注我们的微信公众号：ML OR 智能决策。分享更多干货，欢迎交流~）