随着新能源、自动驾驶、人工智能等技术的发展，汽车行业的智能化水平也在不断提升。作为人工智能领域的“皇冠明珠”，决策智能如何推动汽车行业数字化转型？决策智能在实际落地中有哪些痛点和解决方案？本文将结合本人十年的数据分析经验，从实践角度介绍汽车行业运营优化的实践探索和经验总结。希望能给您的工作带来帮助和启发。本次分享将围绕以下四点展开：汽车产业链简介运营优化赋能汽车行业运营优化项目实施难点实践探索与经验总结01汽车产业链简介汽车产业链可分为四大核心零部件，其中一个贯穿整个产业链，从零部件的采购到汽车制造的研发和技术，贯穿整个汽车产业链的销售和售后服务。另一部分是零部件的采购。一般一家车企都会有多家汽车零部件企业的支持。这部分非常重要。第三部分是OEM。对于整车厂来说，通用零部件由供应商配套，发动机、变速箱等核心部件全部自产。第四个板块是销售和服务。在传统的销售模式中，有一个经销商，然后由经销商分销给每个客户。现在有直销模式。售后会有售后和保险服务，包括售后维修、保险、二手车等一系列售后服务。汽车产业链很长，所以会有各种各样的人工智能技术可以发挥作用。例如，可以为汽车零部件构建一些知识图谱。有制造和质量方面的预测性维护和缺陷检测，还有汽车销售过程中的票据识别，汽车装饰品的识别。有些地方人工智能可以发挥作用。从数据统计分析、机器学习，到自然语言处理、知识图谱、智能交互、计算机视觉等人工智能领域的技术，在汽车产业链中可以找到很多应用场景。随着众多汽车制造商加入汽车行业，以及新能源和自动驾驶技术的进步，汽车行业的智能化水平会越来越高。02运筹学优化赋能汽车产业运筹学优化是在约束条件下寻找能够优化一个或多个目标的最优决策。运营优化分为两个关键步骤，建模和求解。建模的第一步是将实际问题转化为数学优化模型，其中包含一些关键要素，包括决策变量、目标和约束条件。接下来就是求解，这涉及到很多优化算法，有的是针对精确解的，有的是针对非精确解的，这涉及到不同的优化算法。运筹学的传统应用有很多，如路线优化、选址优化、供应链优化、网络布局等。下面介绍物流优化在汽车供应链中的应用。在终端需求采集方面，比如新能源信贷政策影响到汽车的长远规划，如何规划汽车才能符合国家政策的要求。在研发设计方面，如研发设计中的生产调度、库存管理、订单管理中的车辆分配策略、物流运输中的运输计划与调度等。根据实际应用的决策层次和范围，汽车领域的应用场景可以分为三个层次：第一层次是战略层次的优化，如汽车产能规划、规划规划等。零件加工工艺、长期库存计划、仓库长期计划。战略层面的优化对时效性和稳定性的要求相对较低，但对结果的优化要求较高。第二个层次是计划层面的优化，比如生产计划、配送计划、物流计划、物料计划等，这些对最优解、时效性和稳定性都有一定的要求，通常是每周或每月做一些计划。第三个层次是执行层面的优化，比如车间调度、拣货路线、物料供应等，这些都会涉及到正常的生产，优化的结果会直接影响到业务。对优化系统的时效性和稳定性要求非常高。高的。总之，从各个层面来看，战略层面趋于最优；规划层面在最优性、时效性和稳定性方面有一定的要求；执行层面对最优性的要求相对较弱，对时效性和稳定性要求较高。以下是运筹学优化的三个示例。加工工艺方案的优化。在设计发动机的加工方案时，传统的加工过程需要数十名高级工程师。经过几个月的人工布置，一台发动机的布置才能完成，工作量巨大，排列的结果只能找到可行解，没办法找到最优解。可以对这个加工问题进行数学建模，找到最优解，在实际应用中可以减少80%的编排工作。这属于中长期规划，目标主要是成本优化，需要精准的解决方案。规模比较大。建立数学模型后，将使用求解器来帮助求解。第二个例子是生产计划的优化。比如零部件生产、试车生产、整车生产都需要生产计划。汽车领域的生产线都需要生产计划。一般生产计划的目标是生产平衡，如色彩平衡、配置平衡、日平衡、月平衡等。同时，这种生产计划的优化也对性能有要求，因为有太多工厂，每个工厂可能会有一个计划员来安排生产计划，他们对时间的响应也有一定的要求，一般需要用到整数规划模型。解决方案。第三个例子是库存优化。仓库库存、经销商库存、整车库存、配件库存成本很高。通常，在满足一定服务水平的同时，需要尽可能地保持低库存。以往的传统模型是利用库存优化模型，综合预测销量、平均需求、目标满意率、缺货成本构建库存优化模型，最终输出安全库存、目标库存水平、订单计划,和再订货点。现在一般都是在传统方法的基础上，结合机器学习算法来优化库存。03运筹优化项目实施难从本项目的概念验证到实施，运筹优化项目实施困难可见一斑。主要有以下几点：业务逻辑相对复杂：业务逻辑复杂是因为不同的业务有很多专有名词，业务需求方和建模工程师之间沟通起来非常困难。建模工程师必须了解每个细节才能成功建模，这使得对业务需求的理解更加复杂。建模难：一方面，由于业务目标和约束条件无法量化，定性描述会更多。比如要求加工时间最短，生产计划尽量平衡，尽可能是不可量化的约束。另一方面，实践中的很多问题都是非线性的，建模难度大。求解时无解：求解模型时会出现无解。可能是数据问题，也可能是模型问题。此外，求解器的性能可能存在一些问题。这些需要大量的努力来排除故障。方案的接受度受用户习惯的影响：运筹优化的一大问题是方案结果不符合用户的习惯，用户会有很多自己的想法，不会接受优化方案。项目反复迭代，成本增加：用户的需求没有说清楚。这种情况经常发生。项目完成后，会有一个突发的需求。有时建模工程师的业务背景薄弱，会错过用户的常识。没有必要沟通。另外，运筹学优化的定制化程度非常高，新的场景和约束会导致模型的反复迭代。04实践探索与经验总结以下是项目不同阶段的总结。1.POC（ProofofConcept）阶段POC阶段是项目实施前的概念验证。一般项目可能没有proofofconcept，只是演示UI界面，提需求。分析项目中算法的结果是项目成功的关键因素。例如在图像识别项目中，图像识别的准确率更为重要。能否达到这个精度对项目的成功至关重要。预测项目预测的准确性也是项目成功的关键因素。在POC阶段，需要验证标准是否合理。对于运营优化项目，除了分析项目的要素外，还需要验证潜在阶段的功能，例如验证分析项目的准确性。用户需求是80%，现在已经达到78%。然后可以进一步优化。一键搞定。但由于需求变更对方案的影响，POC阶段的运营优化方案验证只能作为参考。例如，需要成本最低的最优解。目前的需求可以使用这种方案，但是在项目实施的过程中，如果提出更多的需求，施加更多的约束，POC可能就得不到保障。阶段验证。这是运营优化项目中突出的难点和风险点。2.在定义阶段，总体项目定义当前流程、未来流程、报告要求、业务角色和绩效要求。分析项目定义业务痛点、输入、输出和准退出标准。比如输入是照片，输出是识别的字段，accuracy。运筹学优化项目定义了业务目标、最大利润、最高效率、容量约束、顺序约束等。建模者需要清楚每一个约束才能建立一个好的模型，并且比其他类型的分析花费更多的时间来谈论需求项目。3、在施工阶段，可根据要求直接开发一般项目。分析师和开发人员的需求完全可以分开，只要把需求说清楚就行。分析型项目会出现一些数据问题，比如define阶段数据不支持分析需求，这种情况很常见。运筹学优化项目会遇到更多的问题，比如约束冲突导致无解，需要和用户重新定义约束，或者原来理解的约束和用户说的约束不一样，需要反推一个逻辑校验.还需要有一套完整的数据来验证模型，并准备一个满足所有约束条件的可行方案。4.测试阶段的通用项目包括功能点测试、正向测试、反向测试、压力测试、用户测试等，分析型项目除了一般项目需要的测试外，还需要使用真实的数据来测试结果是否正确的算法可以满足标准。运筹优化项目测试过，发现之前的约束已经满足，结果可以解决，但是用户突然发现忘记了一些约束。这时候可能需要重新加入这些约束，需要重新进入开发迭代阶段。测试阶段应留有足够的测试时间。05精彩问答问：生产计划中的插单计划是如何实现的？A：订单插入计划正在生产计划中，突然出现新的计划。生产计划通常每周进行一次。如果一个计划点在一周内过去，则不会考虑任何订单。但是固定的长期需求，比如“需要提前锁定某些周的颜色生产量”，可以放在模型中，可以作为约束放在模型中。但如果本周已经按计划生产，生产计划已经生效，只是临时插单，没必要放到模型里，可能需要手动调整。Q：车企物流应用现状如何？当通用算法得到的结果与业务员的经验相悖时，算法得到的结果是否可以得到提升？推广后的实际效果。如何？A：这里有两个问题。首先是目前物流应用在汽车行业的应用是什么？第二个是如果模型的结果和用户的体验有冲突怎么办的体验。先说第一个问题。我个人认为运筹优化在汽车行业的应用场景是整个行业中最复杂的，包括各个电商行业。汽车行业在其他行业有各种各样的场景，每个厂商的实现都不一样。如果建厂时间长，数据积累比较丰富，基础系统比较成熟，公司的运营优化就比较容易落地。但是，过时的设备也可能存在问题。比如一些车间设备比较陈旧，提取出来的数据没有及时反馈，实时调度比较困难。第二个问题是，如果优化结果与用户有冲突，建模者和用户都需要妥协。因为建模也有一定的局限性，需要对一些复杂的业务场景进行简化，才能做出数学模型并实现。业务用户如果硬要按照自己的习惯做事，他做的可能和他的习惯一样，也就没有优化。另外，建模者也需要从业务的角度去理解，用户确实需要这样的操作，应该想办法去帮助他们。因此，基于以上所述，一个成功的运营优化项目需要需求方和实施方的协调，多方围绕一个共同的目标进行合作，才能做出比较成功的项目。Q：库存管理与补货的稳健优化在汽车行业的应用现状如何？A：汽车行业的库存优化在不同情况下处理不同，比如成熟件、新件、需求低的件等，如果是成熟件，基本上是根据时间序列预测的需求，根据需求的分布方差，根据库存理论，制定目标库存水平和安全库存即可。对于需求不高的零件，经销商通常一个月或半年才消耗一个零件，一般库存也只有一个零件。基本上不需要任何理论。在实践中，不可能直接套用所有的理论，结合业务约束、宝贵的实践经验等方面会有更灵活的处理方式。
