直播回看地址：劉思遠(yuǎn)：IoT技術(shù)驅(qū)動下的物流數(shù)字化

課件下載：羅戈直播-IoT技術(shù)驅(qū)動下的物流數(shù)字化_劉思遠(yuǎn).pdf

G7平臺上，目前大概有140多萬輛的商用貨車的物聯(lián)網(wǎng)的運營數(shù)據(jù)在跑，往年初八之后全國的流量就開始恢復(fù)了，但是我們今年由于疫情的影響，可以看到經(jīng)過整個2月份，這個數(shù)字才恢復(fù)到了51%，直到3月底才恢復(fù)到85%左右。

零擔(dān)受到疫情的影響更加嚴(yán)重。今年直到2月份也不過只恢復(fù)了30%左右。進(jìn)到3月份之后，尤其3月中旬之后，國家逐漸把各地的封閉打開了，但是到17號最新的數(shù)據(jù)，我們看到也只恢復(fù)到了去年同期的77%左右的。

運力價格的分析，尤其以食品飲料為零擔(dān)的這個類別來看，整體的供需的匹配，實際上是非常不穩(wěn)定的劇烈波動的狀態(tài)。平均價格上來講，可能發(fā)現(xiàn)不了太多的問題，最新的數(shù)據(jù)應(yīng)該是逐漸收斂在每噸公里五毛錢左右，但是它的波動上下幅度非常大，大家可以從圖上看到，這是一個典型的牛鞭效應(yīng)所造成的波動的影響。

雖然趨勢是好的，但是從市場運力的匹配角度來講，我們看到這其實就是一個真實的，在突發(fā)或者災(zāi)難的狀態(tài)下，供應(yīng)鏈對市場的真實的反應(yīng)。在這樣一個過程中盡快地恢復(fù)到一個穩(wěn)定的產(chǎn)能，就是我們打造在危機下或者在目前情況下的供應(yīng)鏈的目標(biāo)，一個大原則，就是做這種柔韌的供應(yīng)鏈。

觀看直播回放，更多了解：供應(yīng)鏈經(jīng)典案例分享《2000年的一把火》諾基亞和愛立信對供應(yīng)商倉庫失火的反應(yīng)如何影響雙方市場份額。

從這個經(jīng)典案例里面，我們能發(fā)現(xiàn)什么？供應(yīng)鏈邏輯里面最經(jīng)典的五個組成，計劃、尋源、制造、交付和逆向物流。我們要分析一個產(chǎn)業(yè)，或者一個供應(yīng)鏈所帶來的沖擊，一般是看四個方向。

1. 了解自身的脆弱性何在，就是說到底我在哪個環(huán)節(jié)出現(xiàn)了瓶頸，或者當(dāng)沖擊來臨的時候，我到底哪里會出現(xiàn)問題

2. 他要盡快地評估出來對于未來他長時間的中長期的交易，預(yù)期的預(yù)測性的風(fēng)險

3. 在更細(xì)的供給側(cè)，在更細(xì)的粒度上執(zhí)行層面去建立靈活性

4. 進(jìn)一步控制成本，要在這個過程中提高它的生產(chǎn)效率

從Gartner2018對CIO的調(diào)研中可以看到：就是傳統(tǒng)認(rèn)知里面所謂的一系列的MS系統(tǒng)，什么什么管理系統(tǒng)，比如說訂單管理系統(tǒng)，OMS，倉儲管理系統(tǒng)，WMS，運輸管理系統(tǒng)，TMS，這一類的信息系統(tǒng)的建設(shè)情況基本覆蓋率，就是把在建的和已經(jīng)實施的加在一起看，超過70%。

通過過去三十年的不斷的積累，我們已經(jīng)將傳統(tǒng)的信息化能夠覆蓋的地方都已經(jīng)覆蓋差不多了，通過信息流程的打通，實現(xiàn)了標(biāo)準(zhǔn)化，實現(xiàn)了將管理系統(tǒng)里面的管理模式和優(yōu)化的管理實踐的固化。

但是這不解決我們剛才說的基于危機情況下的信息不對稱，為什么？它是基于流程驅(qū)動的，傳統(tǒng)的OMS也好，WMS也好，它的基于單據(jù)去驅(qū)動的，不管是采購訂單還是工廠生產(chǎn)的工單，還是運輸用到的運單，這一類基于流程驅(qū)動的邏輯，不太一樣。

我們?nèi)鄙俚氖鞘裁矗磕壳按蠹医ㄔO(shè)程度最低的，又是大家迫切不斷在建立的，是什么系統(tǒng)？就是可視化和事件系統(tǒng)。什么是基于事件？我們一個異常是一個事件，我們的一個報警是一個事件。未來信息化的抓手或者轉(zhuǎn)型的重點，應(yīng)該是基于可視化，基于事件管理，對于我們現(xiàn)有的流程管理為主的這樣一套MS系統(tǒng)的一個補充升級。

在現(xiàn)有階段我們能通過信息化或者基于現(xiàn)在危機的情況下，我們應(yīng)該怎么應(yīng)對呢？

在這樣一個背景下我們引出所謂基于IoT驅(qū)動下的這樣一套供應(yīng)鏈數(shù)字化物流服務(wù)，IoT最樸素的定義就是基于自我聯(lián)網(wǎng)，讓傳統(tǒng)的設(shè)備和生產(chǎn)企業(yè)的設(shè)備，能夠?qū)ν庹f話。在這個基礎(chǔ)上，延伸出來一步，就是自我的計算以及對于信息的初步信息的加工和處理能力。把物流和執(zhí)行過程中的傳統(tǒng)設(shè)備，加裝了IoT手段和一些邊緣計算的能力之后，我們就認(rèn)為把它做了一個IoT化。把它的這種實際的物理空間中的產(chǎn)品，跟數(shù)字世界產(chǎn)生了一個抓手，我們叫做物理資產(chǎn)跟生產(chǎn)成本要素之間的數(shù)字化和實時連接，這是我們做IoT的動作。

IoT驅(qū)動下的供應(yīng)鏈數(shù)字化升級，能夠帶來哪些方面的優(yōu)勢？

第一個，講到實時性脆弱性。在實時理解自身的脆弱性方面，我們可以與人為的經(jīng)驗進(jìn)行相互佐證和判斷，避免人們因為一些管理經(jīng)驗的盲區(qū)，或者是誤解，所產(chǎn)生的影響。客觀準(zhǔn)確地判斷數(shù)據(jù)的產(chǎn)生。

觀看直播回放，更多了解：供應(yīng)鏈經(jīng)典案例分享 沃爾瑪托盤供應(yīng)商如何利用IoT化設(shè)備提升周轉(zhuǎn)周期、損耗率預(yù)測。

我們有很多時候?qū)τ诠?yīng)鏈的脆弱性的理解和影響，其實是偏重于先驗主義的，就是我們更多的是通過人為經(jīng)驗判斷的。IoT的一個很重要的原因，就是我們能夠把這部分東西刨除掉，只看到真正客觀的事實，打開這個黑箱子看到真實情況，我們才能真正地進(jìn)一步了解我們的供應(yīng)鏈的脆弱性。

第二，牛鞭效應(yīng)就是斯坦福大學(xué)的教授李效良（Hau L.Lee），八十年代發(fā)明的一個詞，解釋起來的意思就是專門特指在供應(yīng)鏈端由于信息的不對稱，當(dāng)需求從前端，需求前端向供應(yīng)后端去傳導(dǎo)的過程中，會產(chǎn)生一種放大的效應(yīng)。這種放大效應(yīng)的原因就是在于信息的不對稱，不充分的競爭，以及扭曲所逐級放大的情況。就像說鞭子端稍微抖一抖，那辮子梢就甩出去非常遠(yuǎn)一樣，所以把它形象地稱為牛鞭效應(yīng)。

為了更準(zhǔn)確地預(yù)測，催生了很多的信息化的建設(shè)，比如說協(xié)同預(yù)測與補庫計劃，CPI法，CFRP，供應(yīng)鏈計劃管理。

觀看直播回放，更多了解：供應(yīng)鏈經(jīng)典案例分享 潤滑油廠商如何利用加注終端的設(shè)備IoT化，銷售自助加注結(jié)算的散裝潤滑油。

第三，柔韌供應(yīng)鏈。我們可能更多的會訴求靈活性的建立，目前來講我們能看到的靈活性的建立，是應(yīng)該在供給側(cè)，也就是在我們的執(zhí)行端，在更細(xì)粒度的情況下構(gòu)建靈活性。舉例來說，從去年年底開始，快遞快運行業(yè)，都在積極跟我們談一個合作，就是希望能夠加裝一個載重量方設(shè)備，用來直接了解車輛現(xiàn)在的安裝進(jìn)度。因為現(xiàn)在競爭壓力，每半小時或者每一小時排班，必須縮減到每15分鐘。他的車輛閑置率，有效調(diào)度每15分鐘的提升，都是直接和毛利率相掛鉤的。利用這種實時的IoT數(shù)據(jù)的傳導(dǎo)，比以前的人工之間的調(diào)度，調(diào)度，可以直接與智能調(diào)度系統(tǒng)進(jìn)行掛鉤，從本質(zhì)上可以更靈活的，更加細(xì)粒度的對車廂的調(diào)度、排班和線路的運行，進(jìn)行構(gòu)建靈活性。

最后一點，我們可能回到一個供應(yīng)鏈的本質(zhì)上去看，就是降本增效。Gartner每年都會做一個趨勢預(yù)測未來的十年過程中有哪些供應(yīng)鏈的技術(shù)可供使用。這個圖上從左邊往右邊大家可以看到，基于動態(tài)的庫存，車輛運力動態(tài)的分析是成熟還有五到十年。區(qū)塊鏈，在于供應(yīng)鏈領(lǐng)域的應(yīng)用，這個他認(rèn)為更長，超過十年以上。但其實對于我們現(xiàn)在通過疫情的影響，我們可以看到剛才的一些物流企業(yè)，尤其是國內(nèi)的一些物流企業(yè)，已經(jīng)在積極探索和落地這些相應(yīng)的試點項目了。這個過程中我們回到一個本質(zhì)上，就是說其實IoT本身的賦能也好或者配合其他的AI技術(shù)的矩陣也好，自動化技術(shù)也好，整個無人化會加速到來。

G7在疫情期間也推出了一個面向疫情的一個園區(qū)的作業(yè)。這個作業(yè)的核心是說無紙化、自動化和零接觸，從車輛預(yù)約到物流園區(qū)開始之前的在線預(yù)約，園區(qū)進(jìn)入的調(diào)度和自動的放行排隊，以及它分配作業(yè)任務(wù)，月臺上的有效的裝載的識別以及到它最后的授權(quán)出園，其實不需要有人接觸。由于疫情的原因，一下子在今年我們能夠看到非常廣泛的推廣的一個趨勢。在未來不管你有沒有這樣疫情的影響，這種無人化的趨勢，我們相信通過IoT的手段，通過AI的手段，都是永遠(yuǎn)都要去做的。   

總結(jié)起來，并沒有解決所有問題的銀彈，只有在適當(dāng)?shù)膱鼍叭テヅ溥m當(dāng)?shù)募夹g(shù)組合，以及業(yè)務(wù)需求，IoT比較擅長的是解決這四件事情，利用實時的數(shù)據(jù)客觀的數(shù)據(jù)去讓供應(yīng)商或者讓我們的客戶更加了解我們的脆弱性。通過實時的和客觀的真實數(shù)據(jù)發(fā)生，讓設(shè)備自己去告訴我們目前對市場的需求和供應(yīng)的依賴性，減少對傳統(tǒng)統(tǒng)計型的依賴。另一方面在供應(yīng)側(cè)我們可以建立更細(xì)粒度的靈活性，這是針對自動化來說的。本質(zhì)上我們做的所有的工作都在減少人員的涉及和進(jìn)一步的降本增效。這是我們能看到的在現(xiàn)有情況下的，利用IoT手段如何去幫助我們的物流進(jìn)行數(shù)字化的實踐。

目前的國內(nèi)的疫情，雖然高峰已經(jīng)結(jié)束了，但是后續(xù)的影響和后果還在持續(xù)。物流企業(yè)也好，供應(yīng)鏈的從業(yè)人員也好，其實這種競爭會越來越激烈。但是信息和思想的充分的共享和交流下的競爭才會真正帶來技術(shù)本質(zhì)性的突破。這也是我們這個目標(biāo)去打造這樣一個IoT技術(shù)也好，或者這樣一個開放平臺的本質(zhì)性的工作的最終的理想。

Q&A精選：

Q：請分享車輛安全駕駛方面技術(shù)最新的進(jìn)度

A：我們最早就是做車輛的安全設(shè)備，來不斷地擴展我們的終端的數(shù)據(jù)和車載應(yīng)用場景的。在目前來講，我們從最早的后裝的安全設(shè)備，ADAS輔助安全駕駛系統(tǒng)，這個設(shè)備不斷地跟客戶和跟我們的終端司機的車隊的使用者，包括我們的物流提供商服務(wù)提供商的合作過程中，逐漸也探索出一些新的發(fā)展領(lǐng)域。

一方面最早的時候就是單純的防碰撞，利用我們的車輛的感知，對于前端的車輛進(jìn)行報警，超速的時候進(jìn)行預(yù)警，這些是基礎(chǔ)功能。再進(jìn)一步延伸到我們對于車內(nèi)司機危險駕駛行為的分析。我們又引入了所謂主動安全的概念，如果你及時給他提醒，司機可能在短時間內(nèi)對于駕駛行為本身會有一些觸動，比如說防碰撞前的2.7秒給他一個車基端的報警，他可以避免這種行為的發(fā)生，但是時間過了之后又會有影響。所以我們必須通過人工加智能的方式，對他進(jìn)行干預(yù)。

在這個基礎(chǔ)上，我們把剛才所說的車基端和人工智能的報警結(jié)合主動安全服務(wù)的打包，形成了一個跟保險公司合作的基礎(chǔ)，因為從本質(zhì)上來講，最終被車輛設(shè)備和所謂的車輛貨損、車損所買單的，實際上是保險公司。保險公司本身在業(yè)務(wù)模式和商業(yè)驅(qū)動力上，它愿意跟我們一起合作，把它的車輛發(fā)生事故的這部分的大數(shù)據(jù)，跟我們共享。我們認(rèn)為G7在國內(nèi)還是比較領(lǐng)先的，因為真正我們實現(xiàn)了一個，從技術(shù)到運營再到保險，再到我們的最終業(yè)務(wù)場景的這樣一個閉環(huán)，而且這是一個持續(xù)不斷在累積數(shù)據(jù)并且把數(shù)據(jù)反哺成算法優(yōu)化的高效的閉環(huán)。這是我們正在做的事情。

Q：請教劉總IoT在貨運領(lǐng)域，除了定位、主動安全、自動駕駛，未來還有哪些發(fā)展的方向？

A：我們除了能看到剛才說的定位、速度、車輛、貨運本身，我們對于有一些領(lǐng)域的多功能的傳感，還有很多的應(yīng)用場景。比如第一個是冷鏈，尤其從這兩年，我們能看到國家整體對于冷鏈物流的需求是不斷在提升的。很多傳統(tǒng)的直營電商新一代的業(yè)務(wù)系統(tǒng)的平臺支撐，不再依賴于傳統(tǒng)的TMS，而是一個簡單的網(wǎng)上訂單的OMS系統(tǒng)，加上對于它的便攜式的傳感，溫度傳感和濕度傳感的設(shè)備，就組成了它的整個一套傳感。因為它從田間，直接把貨物收集好了之后，通過直營的方式，運輸過程中，真正對他需要的是整個過程里面的溫濕度的狀態(tài)，

我們還有對于光感，對于整個運輸過程中的重量的變化，以及利用我們現(xiàn)在的圖象識別技術(shù)，對于一些危險行為或者說是駕駛過程中的一些情況，進(jìn)行一些人工智能的模式識別的判斷。這些幾個領(lǐng)域我們綜合在一起，都是對于IoT方案的補充。這個技術(shù)本身我們不斷在擴展，也不斷在豐富它的感知的場景。但是說回來，沒有一種單純的技術(shù)或者單純的組合，我們嘗試的更多是用不同的底層技術(shù)在一個豐富場景下的一種應(yīng)用場景，達(dá)到最終的客戶需求的目的。