顺丰科技：在变局中寻找物流供应链“最优解”

在物流行业，顺丰几乎是时效的代名词。如果手上有一个急件，希望以最快的速度送达目的地，想必多数人都会优先选择顺丰。

那么，顺丰是如何做到的？据了解，一个货品从发件人处送到收件人手中，每个环节的数据信息都会被精准记录，通过件量预测、分仓管理、路线规划和分析，可以针对网点选址、快递员的排班、车辆的分配调度、货运飞机航线规划等等，给出“最优解”。

但值得注意的是，这个“最优解”是处于不断变化中的。尤其是在受到不确定因素不断干扰的市场环境下，更多突发的状况需要被纳入其中进行考量。比如，一旦某城市进入停摆，物流仓储和配送如何才能继续有序运行？

顺丰科技大数据总监林国强在最新一期的 InfoQ《超级连麦. 数智大脑》中介绍，面对天气、环境等各种突发情况，顺丰会基于运筹优化技术，通过数字仿真平台进行计划预测，找到其中的最佳解决方案，然后反向指导物理世界的流程执行和策略调整，对供应链各个链条和全环节进行优化。

无疑，在这背后，数据和算法是关键抓手，构建数据标准、数据质量和数据价值体系是基本前提。但是，林国强还强调，技术工具在其中并不能解决一切问题，对企业来说，更重要的是围绕数据确立相应的制度和组织。而这些，正是顺丰自身从信息化、数字化到如今智能化几次关键转型中，总结的切身经验。

林国强：首先跟大家分享一个数据，今年年初上海疫情爆发之后，所有跟顺丰有接触的品牌方很多都提出希望建设自己的容灾仓。因为在上海从 3 月到 6 月的封控期间，虽然电商平台上有大量的订单涌进来，但是因为大部分品牌方的电商总仓都设在上海，导致仓的出入库和配送受到了较大的影响，电商业务急需解决这一问题。

过去，通常是一些涉密程度比较高的行业，或者比较重要的物资，企业会针对性去建容灾仓。但这轮疫情之后，我们发现一些普通的快消零售、美妆、3C 制造等行业也都在建容灾仓。并且，他们还提出了很多具体要求，比如，把容灾仓分布在 5 个城市，假设其中有 2 个城市物流受到影响，至少还要保证 80% 的供给率。

这些要求对于顺丰而言实际上是新的挑战，对此，我们主要基于物流大数据的底层建设，结合运筹学相关的仿真能力，去满足企业的诉求。一方面，顺丰拥有全国各城市的交通相关数据；另一方面，顺丰还拥有各个城市的仓干配（仓储、干线运输、配送）流通数据。在这基础上，我们可以把整个仿真物流网络构建起来，模拟在 40% 的受控情况下，能否满足 80% 的线上订单响应率。这就是我们目前正在做的事情，也是很多企业在经历了疫情之后，提出来的一些新思路。

林国强：顺丰有遍布全国的中大型中转场，全国的自营网点大约有 2 万个左右，有 40 多万小哥，若干自营及外包干支线车辆。快递方面，以今年双 11 为例，每天订单量成倍增长。在这样的体量之上，如果人员排班、车辆调度等工作全靠人工经验去指派，工作量可想而知，并且，还可能造成巨大的资源浪费或者物流时效问题。

对此，顺丰有一个非常核心的能力，称为“件量预测”（* 在接收快递件量预测请求后，根据待预测场地对应的高峰时间窗口信息以及历史货量信息等信息，构建时间序列，从而将快递件量预测转化为对应的总量时间序列和比例时间序列的预测）。

以双 11 高峰期为例，假设我们接到的订单量是数千万票，这些快递件数量就会被细化到每个网点，预测每个网点的进出数量，同时，通过查看网点现有的车辆情况，向网点管理员建议，下个时间段需要增加多少班车、多少人员等等。此外，包括网点选址、路径调度等信息，都会由总部经过数据分析，直接指派给各网点负责人，为他们提供数据决策支撑，从而应对配送高峰期间的时效要求。

林国强：以顺丰为例，一票货品从下飞机到出机场，如何保证所有流程的时效最高？首先，我们要非常清楚当天天气对航班的影响；其次，航班落地的时候应该选择哪个航道、进入哪个停机位，停机位附近的车辆如何合理调度；再者，这票件应该走哪条路径最优，转运方式怎么才能最合理等等。

这意味着，其中每一个环节的数据不仅要拿到，还要打通。并且，这个过程中，如果发生任何异常，比如天气、机器故障等等，我们会通过数字仿真平台进行计划预测，找到其中的最优解，然后反向指导物理世界的流程执行和策略调整。

林国强：第一个阶段是信息化，大概在十年前，顺丰主要使用的是 SAP ERP 系统 +Oracle 数据库的传统技术体系；

第二个阶段是数字化，大概五年前，我们自主研发了大数据平台，包括报表、管理决策、业财一体、用户洞察、市场营销等功能模块都是自研的，对 SAP、Oracle 的一些系统做了替换；

第三个阶段是智能化，比如刚刚讲到的“件量预测”以及智能调度等等，包括我们最近在湖北鄂州做的航空物流枢纽协同调度、仓网规划、路径规划，全都实现智能化的升级。

林国强：这个过程确实不是一帆风顺的。比方说早期数字化主要是由大数据中心主导的，这意味着我们要从各个业务系统中拉取数据、做报表分析，从而支撑业务运营。最初一两年，大家还是比较认可的。但是，到了第三四年的时候，我们发现，大家的认可度逐渐降低。很多人开始提出来，这似乎是大数据中心自己的事情，跟自己的工作没关系。

除此之外，大数据中心的团队规模也逐渐满足不了业务部门的需求。当时大数据中心只有 200-300 的团队，却要面对 3000 多个业务数据接口人每天各种各样的数据报表需求，导致很多诉求无法及时满足。

后来，我们通过制度和组织去逐步规范了这些工作流程。比如，从 3000 多个业务数据接口人中，选择一部分人员作为我们的数据 Partner，由他们主要负责数据应用层面的工作，大数据中心则主要负责数据基座的搭建工作。相当于我们对业务人员做了一定的培训，让他们能够更容易地使用数据工具，更快速地响应自己的业务分析诉求。

另一个挑战来自于数据质量体系。在前期，大数据中心团队在推数据质量和数据标准的时候，发现很难落地。后期我们开始由一把手去主导数据质量和数据标准的贯彻落实，再往下，由各个业务线系统方面的负责人作为每个板块的负责人，逐层落地了这件事。

林国强：事实上，对顺丰来说，过去我们去做这件事是“被逼无奈”。拿 Oracle 来说，即便是在 Oracle RAC 环境下，能够扩展的节点也是非常有限的，比如，当我们扩展到五个节点，随后再继续扩展的性能就是线性下降的，一般来说，Oracle 架构每天的数据承载量不会超过 100 TB。

但是，当时顺丰的业务增长是非常庞大的，每天大概有 200-300 TB 的数据量，如果还用传统的架构根本扛不住。

举个例子，基于传统架构，最早我们能保证每天早上 6:00 之前把报表发给管理层，但是，随着业务增长，我们发现，每天都要等到下午 13:00-14:00 才能把前一天的报表分析出来，这就会耽误管理决策。比如当天的调度怎么做、营销策略怎么做、财务怎么做优化等等，决策的时效性很难满足。

这意味着，如果我们不去做技术架构革新，就没办法支撑业务的高速发展。

林国强：出发点无非是两个维度——第一，做了这件事情之后，能带来的商业增长是什么；第二，能不能实现降本增效。

举例来说，顺丰业务运营中主要的成本有两方面，一是人的成本，二是车的成本。所以，当初我们通过业财一体化，实现了对快递收、转、运、派等所有环节，大概 120 多个标准节点的分析，找到每个作业节点对应的成本，以及其中的优化空间。最后，整体评估下来，大概节省了数十亿的成本。对物流行业来说是非常大的成本节约了。

当然，在这个过程中，技术得拉上业务，不能只用数据去说服对方，而是双方共同去设计，测算出最好的模式。比如，当我们对所有作业节点做完拆解之后，就会拉上财务、运营的人员一起去看哪一些作业节点是可以被取代的，一起持续地去优化流程，减少成本浪费。

林国强：数据治理在顺丰是非常核心的项目，具体来说，数据治理包括了几个方面。一是数据标准，二是数据质量，三是数据价值。换句话说，这三个维度就是衡量一个企业数据治理做得好不好的关键。

对于顺丰来说，数据治理的范围包括整个集团层面的所有数据的统一治理。比如，我们会统一进行标准制定，统一做质量台账分析，并把台账推送到对应负责人，形成闭环。而对于数据价值，我们也会进行统一识别，比如那些被访问最多、最热、应用最广的数据，就属于高价值数据，要继续保留；相反，对于低价值的数据，就要被清理。

林国强：从工具层面，我们主要做了两个事情：

第一，不断提升数据血缘分析的能力。这里的数据血缘分析不只停留在简单的 Hadoop 层面，而是从 ETL 开始，到数据湖、末端的各个数据库，再到最终应用的调用，从数据生产到消费的所有环节中涉及到的血缘关系，并且，所有数据都要精确到字段级别；

第二，针对血缘里的每一个数据项，都要能够去做质量的分析。比如，能够分析数据的波动率，分析字段的空置率、异常率等等，据此形成相关的质量台账，并且这个质量台账还能根据血缘反推到底是系统端的问题，还是中间分析算法的问题，对应到相应的责任人，针对性解决问题，形成质量闭环。

林国强：关于数据，最大的“坑”就是认为工具能够解决一切问题。在所需的各个因素中，工具往往是最不重要的，更重要的反而是围绕数据的制度和组织。

首先，企业里有没有相应的制度能够驱动大家为你提供数据，如果只靠工具去驱动这件事，甚至，数据团队需要去请求业务部门给自己开放数据、校正数据质量，那么成功率几乎为零。

其次，企业要成立跟数据相关的组织。比如，在数据治理过程中，谁是第一负责人？业务部门在其中的角色定位是什么？不同部门需要各自承担什么责任？等等。所有的这些内容都要形成固定的组织流程，并且有对应的制度做保障。当然对顺丰来说，我们也不是一次性做到位，我们也是从最初的“用工具打天下”，到现在的“用制度打天下”，这是一个循序渐进的过程。

林国强：首先，顺丰的业务现在已经覆盖全球，按照 GDPR 的合规要求，我们必须在每个地方建数据中心。这就延伸出来一个问题，在全球这么多数据中心的情况下，怎么去做统一的数据开发和数据管理？所以，我们就去构建了数据湖，基于混合云的架构，它能够帮我们实现整个基础设施的统筹，无论是阿里云、腾讯云还是 AWS 等等，其中的数据都能做到统一管理。

其次，随着双 11、双 12 等各种大促活动的常态化，对于快消零售、物流等行业，都存在业务的波峰和波谷。这意味着，我们不能按照传统的 IT 思维去做支撑——比如，波峰是平时 5 倍的业务量，就去建一个对应的数据中心。这会造成极大浪费，因为平时根本用不到那么多资源。而当我们使用数据湖实现存算分离和弹性伸缩之后，它就可以支持我们在业务波峰的时候调用公有云资源，高峰期结束后，再恢复到私有云资源。这样一来，既能够保证数据安全合规，又能实现对公有云弹性资源的合理利用。

霍太稳：最早我们通过 InfoQ 技术社区和一系列的线下大会，和业界探讨和分享技术的发展趋势。在这个过程中，虽然有人能从中体会到技术的重要性，但是我们很难深入企业业务现场，真正了解企业的痛点。

后来，我们开始做极客时间，目的其实就是希望通过面向技术人员的技能提升，提供体系化的课程，同时，也帮助企业培养对应的数字化人才。这时候，我们慢慢发现自己离企业更近了，能够更加设身处地地为大家提供服务，解决大家在人才培养方面的问题，这实际上也是一种价值的延伸。

林国强：人才培养方面主要分对内和对外。

对于内部科技人才培养，我们的一般做法，是让所有新入职人员先去航空物流机场、配送网点等一线现场实践一段时间，不管他是高管，还是普通工作人员。在实践过程中，大家往往就会发现很多远程无法发现的问题，然后对应进行流程优化和技术开发。并且，在开发完成后，他还会再回到现场进行复盘，去验证这项技术是不是真的对一线工作人员的工作带来了赋能。

而对外的人才培养，主要是商业增长的部分。在顺丰，会通过孵化器，甄选内部比较优秀的技术产品，由顺丰帮助实现商业模式落地，对外提供技术服务，实现商业创收。

霍太稳：极客邦《行知数字中国》最新一期的节目，我们采访了麦当劳中国 CIO 陈世宏，据他介绍，他们入职麦当劳后的第一件事，也是先到麦当劳餐厅做两周的服务员。通过这种方式，他们作为技术负责人能快速地了解公司的业务流程和一线员工的具体需求，确保后续在做技术决策的时候能够更贴合一线需求，而不是拍脑门决定。所以，深入一线现场，这会慢慢变成对技术人员的一个刚性要求。

林国强：以数据产品经理和数据开发这两个角色为例，他们本身的行业属性还是非常强的，也就是说，他们不可能去做所有的行业的事情。通常来说，他们会在某一两个行业比较擅长，熟知行业所处上下游供应商的相关数据，以及对应的数据质量、数据的关键价值，并且能够善用行业中的大数据工具。如果有个数据产品经理说，所有行业的数据工作他都能干，说明他的竞争力是有限的。

反过来看，对于这一领域的从业者，除了熟悉数据治理体系和技术能力之外，懂行业是非常关键的。只有这样，你才能知道技术和数据具体在哪个场景能发挥作用，能带来什么实际业务增长或者成本降低。比如说物流行业最关键的是降本，那你要能快速了解，物流行业最大的成本在哪里，以及如何通过数据去减少对应场景的成本。只有这样，你才能成为企业真正需要的数据人才。

霍太稳：这也是为什么我们一直是鼓励技术人员深入行业的原因，互联网行业不是数字化转型的主战场，数字化的主战场一定是在那些数字化基础相对比较薄弱的实体企业。很多技术人在互联网呆久了，觉得这个地方自由、薪酬高，又有很多的前沿技术，所以不愿意做出改变。但是，这个世界已经变了，如果大家还停留在固有认知上，对于自身的成长并不是好事。希望大家能够走出原来的圈子，换一个场景，发挥我们的价值。

林国强，顺丰科技大数据总监。负责顺丰集团大数据科技融通、大数据产业化赋能和大数据生态建设。对快消零售行业和县域经济有深入研究和实践，理解行业痛点和科技创新的链接点，在行业中落地过多个头部客户数字化转型案例，助力客户实现主营业务增收、供应链成本优化和管理数字化。

霍太稳，极客邦科技创始人兼 CEO，InfoQ 中国创始人，极客时间创始人，TGO 鲲鹏会发起人。2007 年创立 InfoQ 中国，2014 年创立极客邦科技，2015 年发起 TGO 鲲鹏会，2017 年创立在线职业教育学习品牌极客时间，2019 年开创极客时间企业版，拓展企业服务市场。