为什么供应链的数字化转型这么难？

供应链作为四流合一的产物，集合”信息流、资金流、物流、商流“，其数字化转型是必经之路，也是供应链在目前人力、原料、设备、场地等成本已经无法压低的情况下，再进一步降本增效的突破口。

   目前也有很多企业在进行供应链数字化转型，比如华为的Smart SC，玛氏的数智化，SHEIN的供应链，包括很多传统消费品企业如伊利、蒙牛，都在做供应链的数字化转型。

   其实，智能供应链ISC（intelliegent supply chain），智慧供应链（smart supply chain），数字供应链（digital SCM）都是一样的东西，基本都是基于供应链产生的数据资产，做隐藏信息的提取、辅助商业决策、仿真模拟等。

   但是这条路，在业界还是道阻且长，目前来看，绝大部分的阻碍不是在技术水平上，而是在企业的业务本身，和人、组织之间的关系。

   主要原因有五点。

1、公司资源分配问题。

   相比E-commerce的数字化程度，SCM还只是个小孩。因为E-commerce的数据可以更方便存储，且直接与企业的经营收入相关，自然而然可以获得更高的资源。

   而SCM许多时候是支持部门，和人资、财务、法务部门一样，都是重要，但是优先级一定是排在经营和产品之后的。只是供应链的特殊性，在一些行业，它是可以影响全局，从运营的生产、研发到销售的客户履约与服务的，而这一类行业的SCM相对来说话语权就更高，资源倾斜更多（比如服装-ZARA SHEIN），所以，这一些公司的SCM的数字化转型，相对来说会更快一点。

2、企业商业模式问题。

   企业的供应链模式是依托与其商业模式的，如同为生鲜行业，社区团购的短链供应链，和目前大火的预制菜的中央厨房与前置预生产的供应链模式，以及传统生鲜行业（商超/制造）的模式就截然不同。

   目前商业模式限制ISC转型的最经典问题就是经销商数据的获取，以传统消费品行业为例，许多公司有80-90%的货物是由经销商售卖的，品牌无法得知货物在生产后，究竟卖给了谁，卖的怎么样，甚至，如果品牌不全程掌管生产，在生产供应链的话语权也相对会更弱。

   而在这样的商业模式下，ISC的升级必然会要求品牌调整自己的商业合作方式，触犯部分经销商的利益，会为ISC带来更大的调整。

3、企业的数据底层问题。

   智能算法（AI）基于数据（DSA），而数据分析可以分为四步：data obtaining 、data storage、data modelling、 data processing，其中前两步筑基了数据资产的底座，后两步是在reshaped data上的合理利用和进一步开发。

   但是因为供应链的性质（链条长、劳动密集、线下操作多），供应链上产生的数据是庞大的，且被抓取困难的，甚至会有人为噪音的存在。比如，公司对快递站有每日揽收指标的考核，他们可能为了达到KPI而刷数，导致数据失真；比如仓库赶波次时的“开飞机”生产，而下游只能收到系统数据而无法得到实物，这些都会对数据抓取的准确性带来很大的影响。

   而在数据存储中更是，越是大型的企业、越是大型、复杂的、环节众多的链条，它的数据库集成就越困难，经常出现数据同步不及时、或者数据孤岛的现象。且数据存储还涉及员工权限问题，没有哪一个员工，哪怕是数据分析师，能看到企业数据全貌。这样的数据分析，就只能是“管中窥豹”，而无法站在规划层的角度去利用数据资产。

   此外，还有一点在原始数据→特征指标的问题，不同部门有不同的业务需求，其数据统计口径也不一样，如仅仅是收入数据，就可以有十几种定义，我所知道的就有应收、实收、操作地收入、签约地收入等等。

4、技术人员对业务的了解度问题。

   供应链是极其业务导向的，只有懂了业务，才能理解数据分析中，指标选取，特征工程，模型选取的原因和逻辑（即DSA的后两步，data modelling、 data processing）。比如，我在什么时候需要纳入收入数据的考虑，以及，在上述“应收、实收、操作地收入、签约地收入”等十几种收入指标中，我在什么时候应该选择哪一种。比如在数据清洗中，理解各噪音和“脏数据”的原因，对其做更恰到的数据预处理。

   而目前来看，因为数据底层混乱+技术人员不懂业务，ISC的数据利用是较差的。举个例子，在数据分析的最基础运用“需求预测”中，在某次大促时，各种高级的机器学习模型算出来的结果和实际偏离10%，而业务部门的业务预测师拿EXCEL做匹配和调整的，偏差值在5%。而这两方法差的5%，可能都还不够补一些产品的损益。

5、组织架构问题。

   在我看来，目前很多技术问题其实是业务问题，而很多业务问题会落足于人与组织的问题。毕竟，一个企业中，一切的执行都是靠的人。

   ISC转型，从组织架构来看，有两个问题：1、权责不对等；2、部门的组织地位与话语权问题。

   第一点，我觉得是目前公司的组织通病，即技术部门和业务部门不是同一个部门，那就必然产生决策层和执行层的割裂。比如上述大促预测的案例，机器学习模型是大数据部门训练给出结果的，而EXCEL模型是业务部门自己跑的，且不论结果精度如何，如果你是业务部门的领导，你会听哪个？如果用了大数据部门给的预测值，一旦出现了偏差，及时可以靠临时的调度来解决，那影响的业务、指标、成本哪个部门来承担？

   还有如当下智能供应链的许多硬件应用，如AGV，无人生产线等，短期内他们的成本都是高于人工的，而这些费用也是让业务部门承担。技术部门达成了应用指标，业务部门的用工成本上升了，这件事情，在组织里如何衡量？且，业务本身就是“活在当下”的，其KPI考核通常最紧张。再有情怀的老板，也不能抛下KPI陪后端玩理想游戏，目前很多智能应用，在业务侧更多是宣传和门面的功能，而没有办法直接给业务带来效益。

   第二点，部门的组织地位与话语权问题也是基于第一点的衍生。在决策层和执行层的矛盾中，如果没有一个统一的领导去做决策和承担责任，那么就是看西风压倒东风，还是东风压倒西风了。有些公司是强业务主导，不愿承担转型阵痛，那技术部门话语权弱的情况下，就很难在内部推广ISC技术。如果有些公司的高层极其看重技术发展，就可能会强压业务侧执行，这样带来的隐患更多。所以目前没有什么公司是一边倒的，更多还是在技术x业务之间胶着和缠缠绵绵。

   对于个人来说，如果想做数字供应链，有三个建议：

   1、选择合适的行业与公司，该公司是重视ISC的，能够倾斜资源去做转型和升级，且技术部门的话语权不弱；

   2、技术人员需要更多了解业务（可通过在校实习、轮岗等方式），而业务侧也可以多学一些技术知识，尤其是业务侧产品，如果想转ISC产品；

   3、不论是技术侧还是业务侧，多学一点项目管理，以及数据库技术，至少在ISC项目中可以更加游刃有余。

   对于公司来说：1、资源倾斜；2、给予真实的轮岗机会；3、需要有人宏观统筹 技术x业务；4、组织设置权责对等。

   但是吧，每一项都看似容易，但是每一项都很难。

   资源有限，一定是优先给更重要的部门；

   轮岗如何不浮于表面，而是让后端能真实接触到业务；

   人才市场上，能宏观统筹 技术x业务的人又有几个；

   权责对等这句话不论是技术x业务，还是业务内部的经营x运营，都是一笔烂账，很难分割清楚。

   总的来说，还是很看好ISC的发展，尤其是在现在疫情+政策的影响下，供应链的“国际路”难走通时，数字化是其发展的最光明的路了，且一旦形成，其边际成本低，可持续获利。我觉得是一个很不错的研究/就业方向。