近日，陆续有从事物流及物流信息化的朋友咨询“三维装箱与线路优化”解决方案；又有感于前阵，我们在对医药行业企业收集的一份物流信息化问卷调研报告中发现：“三维装箱与线路优化”相关产品在行业客户的认知度只有77.78%，应用率不过13.33%，依然有8.89%的客户没有听说过类似算法，遂决定写篇小文，希望从客户视角讲讲“三维装箱与线路优化”的落地应用。

谈到客户视角，首先要澄清其与技术视角的区别。个人以为，同样关注降本增效的结果与落地性，技术视角更侧重算法本身，如：“三维装箱与线路优化”技术的前世今生，业内历史方案的缺陷与挑战性、客户拓扑结构的规模与复杂性、算法落地思路的针对与延展性、以及求解结果的速度与精准度等；客户视角则更关注算法应用，包括客户行业类别、类型与痛点、物流网络的拓扑结构、客户对算法的落地认知、算法partner选择与成功案例、业务模式变化及与之相对应的解决方案。

那么从客户成功视角，如上因素是如何影响“三维装箱与线路优化”落地应用的？

PART 1  

行业类别、类型与痛点

客户所处的行业类别、类型和痛点往往决定了算法的选择、策略及落地成功性。比如医药物流行业对满载的要求并不高，更多是考虑在符合时间窗要求下尽可能地顺路串点；快消零售及汽车物流行业则要考虑尽可能双满载，以及淡旺季之间的货量波动差异对算法策略的动态调整；生鲜冷链行业还需考虑货量在同一车辆多个温区之间的动态调整；3C电子及多式联运物流优化要考虑多段拼柜与多段路由之间的组合与动态优化问题。

同时，客户属于企业物流还是物流企业、调度决策由谁来作出、客户是否有自有车辆、载具、班次、是否有固定的承运商与司机、在一段时间内货量与业务模式的稳定性与波动性是否在可控的范围，也是算法在设计时要考量的因素。

另外，不同行业客户的业务差异较大：

医药行业，算法应能解决如下挑战：

订单较为零散，单车最高配送20余个客户，车辆满载率不高，但对配送的路线规划挑战较大；

终端客户形态多样：门店即来即卸，医院等待3个小时；

临时订单多，需能解决实时动态配载；

同一个客户的货物可能来源于不同仓库，涉及多仓之间的调拨，末端配送之前先进行跨仓集货；

调拨和配送涉及多种不同车型；

不同业态对于收货时间、卸货时长、使用车型均有不同要求；

多个外部承运商和自有车队，运力不足时需要跨线支援。

餐饮、零售与生鲜到家行业，算法应能解决如下挑战：

客户24小时连续作业，需要解决动态配载问题；

车辆资源不固定，部分固定路线送货，车辆空间利用率低；

大部分商品外包装，体积不准确；

部分客户需要三温车：干货、冷藏、冷冻，三种类型货品混合配送；货仓之间的挡板可以灵活移动，以应对波动的需求量；

大量临时地址需生成路网；

超市门店需要在指定时间窗内收货；

需要考虑司机之间的收益均衡；

在路线合理的情况下优化费用。

3C电子行业，算法应能解决如下挑战：

同一个客户多个ID、多个收货地址，且无关联关系；

中文地址不规范可能导致地址解析失败，配载错误，需要进行地址预清洗；

订单变更频繁，最后一刻才能确认；

车辆资源不确定，车辆限行，调度有配送惯性。

汽车行业，算法应能解决如下挑战：

可能同时存在提货、干线、配送三段路由；

每一段都有多种集拼方式、多个固定及变动的班次选择；

考虑在满足送货及卸货时效的前提下，尽可能多段拼载，综合降本。

PART2

物流网络拓扑结构

单仓城配：从一个城市的单一仓库配送到该城市的相关门店，覆盖客户半径在100公里左右；

多仓独立城配：一个城市群有多个仓库，但单个客户只由一个仓库提供服务，各自仓库之间相互不重叠；

多仓联合城配：一个城市群有多个仓库，但单个客户可能由多个仓库提供服务，各自仓库之间路由不一定固定，可能先调拨再集拼配送，也可能视货量大小决定是否调拨；

干线路由：范围会覆盖某些区域或全国。车型、费率、时效、班次呈多样化特征；需考虑路线的合理性，比如串联城市的数量限制、相邻城市的间距限制、末端城市订单的合并可能性、单趟车的最长行驶时间和行使距离限制、车辆的顺路性、货量大小及车型的选择、以及货品打冷的方式。一般而言只要单个城市订单量小、允许不同城市线路可以串联，串联能够提高效率降低成本的，都可以考虑干线路由优化；

多式联运路由：范围可能会覆盖区域、全国或全球。涉及多种运输方式：公、铁、海、空，每一种运输类型都有相应的班次而且会不定期变化，由多段路由接力完成，每一段路由都涉及到智能决策，需要考虑全局优化而不是局部最优，且费率极其复杂，还需考虑装柜问题，装柜与货物体积息息相关，另外还需要考虑多个目标的组合决策。

PART3

客户对算法的落地认知

目标与范围

相比才沟通完需求就想将所有业务场景即刻测试一遍的客户，那些能与解决方案提供商一起坐下来细致分析、理性评估自身业务模式与算法的匹配度，了解试点验证与大规模上线阶段可能存在的种种差异，并能在客观认识和接受不同阶段的项目预期后，从中挑选1个典型适配的业务场景，着手梳理算法所需的业务数据，并与解决方案提供商合作进行算法验证的客户，更有机会推动算法的快速落地和规模复制，并有效管理内部各方的上线预期；

时间与效果

需要认识到：区域偏好、线路偏好、司机偏好、单点卸货时间速率的算法自学习需要时间，算法的运算同样也需要时间，算法选择可以在一定程度上加快运算时间，但市场上所谓千份订单秒级出结果、一周内全部业务上线等说法，要实现预期上线效果几乎不可能，其是真运用了算法还是只做了简单的策略配置，要打个问号；

项目经理与准备

同系统项目类似，算法上线同样涉及到数据输入、过程处理及结果输出，涉及与客户内部系统ERP、WMS、TMS等的对接、各部门间的协调配合、特别是调度本身的认同与配合。高层的充分重视与资源调配、内部各方的沟通与宣贯、基础数据的采集与清洗、调度对业务规则的详细说明、给到算法的策略参数建议及对输出结果的评审反馈，无一不考验项目经理的智慧并影响算法的最终落地效果；

调度决策

一般而言，企业物流及物流企业都可能作出车辆配载与线路优化决策。但成熟度较高、有一定业务体量及配送时效要求、货品体积相对较小、涉及拼车拼柜串点配送的企业物流及有一定比例自有车辆的物流企业对智能调度的需求相对更高；

项目预算

预算也是影响项目如期推进的因素之一。大型企业一般今年做明年的预算，费用充足、对数据安全有特殊要求的可和解决方案提供商商量独立部署；费用相对紧张的可选择云部署。 

PART4

算法Partner的选择与成功案例

选择的重要性不言而喻，在物流决策优化算法领域，业内可供选择的解决方案提供商本就不多，更要综合细分业内头部企业实践、行业协会、主流媒体专家意见及企业自身情况综合比较，作出审慎决策。在此提供几个比选的维度，仅供参考：

技术

主要看解决方案提供商的创始团队背景，是否有专门研究算法的技术专家、发表的世界前沿算法论文的数量及含金量、对业务场景的理解及解决方案适配度与可落地性；

产品

邀请解决方案提供商进行产品演示，了解算法功能完整性、算法策略配置的丰富性、界面交互的友好度以及对重难点问题的解决思路；

测试

抽取部分业务订单、车型、货物数重体及业务规则明细等，进行小范围验证，比较算法测试结果与人工排线结果的差异。在测试阶段，由于不同客户的重视度不一，无法给到完整精确的业务规则及测试数据可能会导致算法测试与人工排线有一定差异，这时需要与供应商进行面对面沟通，将差异点一一进行解析，看是业务规则不清晰，还是算法本身不够完善；

案例

一般而言细分行业头部企业的业务规模体量相对较大，业务复杂度较高，解决方案提供商若具有头部企业服务的经验和案例，或被验证具有更复杂拓扑结构算法的落地经验，在业务合作上会是加分项；

延展性

大型企业对于物流智能化的需求往往是多样化的，还会随着业务变化衍生新的智能化与功能性需求。需求的延展性往往考验解决方案提供商技术积累的深度与广度，以及提供综合性解决方案的能力。

PART 5

客户业务模式变化及与之相对应的解决方案

部分“三维装箱与线路优化”算法项目在接触或落地后，可能会涉及到以下几种类型的需求延伸和扩展：

区域延伸：相同的业务场景，算法应用从A区域扩展到B区域。需要看A、B两个区域的调度决策是独立决策还是混合决策。如果是独立决策，对于算法而言意味着2次上线，所有的路网构建、地址清洗、规则配置均需要重新进行；

范围延伸：从城配到干线或多式联运。干线与多式联运场景所考虑的车型及载具、费率、时效、班次更为多样化、要考虑多个目标的组合决策，考虑全局优化而不是局部最优；在局部优化上还需考虑单趟车的最长行驶时间和行使距离限制、相邻城市的间距限制、串联城市的数量限制、城市内订单的可合并性、货量大小及车型的选择、以及车辆的顺路性等；

功能延伸：从“三维装箱与线路优化”到“网络优化与库存优化”。前后两类算法的业务场景差异较大，对算法的要求也有较大区别。需要依据不同客户的网络拓扑结构，综合优化目标、定性与定量分析及算法建模，输出最佳网络及库存优化策略；

产品延伸：从算法到系统。数智化时代，算法如同大脑，系统如同四肢，二者缺一不可。很多时候，尽管客户认可算法的优化结果，但苦于前期的业务系统建设较为粗糙，缺乏完整的业务全过程数据进一步分析优化。此时可能涉及到业务系统的重构。解决方案提供商如具备协助客户进行业务系统重构的经验与实力，也将会是一大加分项；

部署方式延伸：成长期客户由于业务发展的不确定性，需求波动较大，此时可采用云部署模式，以便解决方案提供商在客户的业务场景发生变化时可以随之调整以匹配新的业务需求；待业务发展到稳定期再考虑本地部署的模式。供应商具备弹性部署模式，也是客户选择的又一考虑因素。 

PART 6

广告时间

逗号科技专注于“智能决策助力物流数字化转型”，是国家高新技术企业。 获得平安系、联想创投、盈峰资本、中集集团、投控东海等知名机构投资。公司创始团队来自香港大学，在物联网技术、供应链优化等领域有着深厚学术积淀，曾获香港科技创新署数千万的科研资助，研究在国际学术界获得高度认可。

逗号科技智慧物流决策优化算法C-ROS：运用IOT、运筹优化、云计算、人工智能与机器学习技术，破解调度环节的八大落地挑战，兼容单仓城配、多仓联合城配、Milk-run、动态调度、干线及多式联运等多业务模式，并已成功在“快消零售、食品饮料、3C电子、制造、医药及合同物流”等诸多行业及核心企业复杂业务场景落地，帮助企业全面实现物流运输核心决策的自动化与智能化。

逗号科技线路优化算法

PART 7

写在最后

最后，援引医药物流信息化问卷调研报告中的数据作为结尾：希望不久后，“三维装箱与线路优化”算法会如空气和水，像WMS和TMS一样成为智慧物流的基础设施。逗号科技愿意帮助具有领先技术认知的企业提前拥有“运筹优化决策，决胜数智物流”的能力。