关键字: [亚马逊云科技， 供应链决策智能解决方案， 需求预测准确性， 仓网规划优化， 库存分销资源配置， 备货补货调拨方案]

导读

王洋从亚马逊云科技的角度介绍了供应链决策智能解决方案，利用AI技术提升供应链弹性。该解决方案包括供应链智能助手、多级仓网规划、需求预测、库存分销、备货补货调拨和最后一公里路径优化等场景应用，可实现精准业务风险洞察、未来趋势预测和决策支持，帮助企业应对需求不确定性、供应链中断风险、ESG合规等挑战，提升供应链运营绩效。

演讲精华

以下是小编为您整理的本次演讲的精华。

大家下午好，我是亚马逊专业服务团队的云架构师王洋。今天我将与各位分享一个关于供应链的话题 - 亚马逊云科技的供应链决策智能解决方案如何利用人工智能技术提升供应链的弹性。

当前，所有出海企业都面临着高关税、地缘冲突风险、物流和供应链不确定性等诸多挑战。企业都在寻求解决方案，重塑更具抗风险能力、更加灵活的供应链体系，探索多区域多平台多渠道的经营模式，以提升品牌和产品价值。这些对现有供应链战略、业务流程以及资源技术都带来了巨大的挑战。我将从技术的角度分享亚马逊云科技在这一领域的成功经验。

亚马逊认为，在未来一段时间内，企业将持续面临三大类型的风险。第一个风险来自于需求端的不确定性，它体现在订单的波动量会越来越大，爆品的生命周期会越来越短。企业将永远或持续地面临着备货不准确、响应能力不及时等问题，这会对企业造成严峻的挑战。第二个挑战来自于整个供应链履约过程中的中断风险或不确定性，由于持续爆发的地缘冲突、中美贸易摩擦和关税战的不断升级，传统的低价直邮模式已经马上失效。因此，很多企业都在探索如何实现多区域本地化经营、多平台多渠道履约等，但这也是一个巨大的挑战。第三个挑战来自于环境、社会和公司治理(ESG)方面，各国政府对ESG的合规监管越来越严格，ESG已经成为企业能否进入主流市场的关键入场券，这也是企业面临的重大挑战。

回顾过去，亚马逊在过去30年的发展过程中并非一帆风顺，也在持续应对各种各样的挑战。亚马逊能够穿越周期的核心因素是其不断创新的技术能力。通过技术创新，亚马逊在供应链运营规模、运营效率以及可持续性发展方面取得了非常显著的成就。我们总结认为，亚马逊成功的两大技术驱动力值得一提。

第一个技术驱动力是对需求的精准感知和精准预测能力。亚马逊一直在持续解决订单波动量非常大或需求预测颗粒度越来越小的问题，也在持续解决长尾商品、新品以及高季节性波动产品的预测不准问题。通过不断优化供应链需求预测的准确性，亚马逊使整个仓储的周转周期和资源利用效率得到了持续优化。这种预测能力使得亚马逊可以先于竞争对手感知市场趋势的变化，从而提前做出准确的判断和决策应对。

第二个值得一提的技术驱动力是亚马逊的决策优化能力。决策优化技术被广泛应用于亚马逊的仓网设计调整、整个履约资源的共享协同，以及仓储物流的自动化能力上，它使得亚马逊供应链整体运营绩效不断提升。最后值得一提的是，亚马逊始终在负责任地履行供应链ESG承诺，在绿色能源方面遥遥领先于美国其他数据中心企业。

回顾了亚马逊供应链能力及其发展过程后，我想介绍一下亚马逊云科技与亚马逊电商一起沉淀的供应链决策智能解决方案。这个解决方案我将从三个方面进行介绍。

首先，我们并不是在重复做ERP、WMS等供应链执行和管理系统的工作，我们的解决方案是基于这些管理系统之上，利用它们的业务数据来实现精准的业务风险洞察、对未来趋势的预测，以及在各种场景下的决策支持。

其次，我们会通过统一的数据仓库抽取供应链整个运营环节中从采购到生产、仓储、销售、履约，乃至售后各个环节的数据。我们通过这样统一的数据仓库为供应链的各种业务人员提供统一的数据定义，以及全局化的数据视角。

第三，我们在后台内置了亚马逊独有的人工智能和机器学习能力，来帮助企业在多个典型场景下解决预测和决策问题。接下来我将在这个解决方案框架下，展开介绍我们如何在6个具体场景下实现人工智能的应用，并取得了何种效果。

第一个场景是关于供应链智能助手。我想大家都意识到这样一个问题，经过一段时间的企业信息化建设，我们都已经拥有了供应链的各种管理系统、业绩分析报表和分析数据，但这些并不会告诉我们关于预测、决策和规划的建议。我举一个例子，假设在中美贸易的环境下，我们发现单独运营美国市场已经不行了，需要多区域化运营时，我们应该如何重塑仓网体系?我们想要进入欧洲、中东、东南亚或南美市场，仓网应该如何规划?我们应该使用哪些海外仓的服务?应该对接哪些货代，用哪些承运商?这种决策我们传统系统无法给出结果。再举一个例子，最近有传言说跨境电商综合税T86可能马上就要取消了，面对这种情况，我们应该如何应对?是否转为口岸贸易?我们的整个分销体系应该如何构建?这些问题我们也很难通过现有数据报表获得显示的答案。因此，在这样复杂的问题下，我们依赖传统数据报表和供应链执行工具是否可靠，这是我们提出这一应用的背景。

我们认为，企业在这种时候更需要一个面向解决问题的供应链智能助手。假设我是一个供应链管理人员，在这个场景下，我可能会向助手提出这样的问题:“我现在所有仓网中的库存是否健康?有哪些问题?在未来会不会出现库存呆滞或爆仓的情况，或者出现库存缺货的情况?”智能助手在得到我的问题后，会首先意识到这是一个分析类问题，需要查询实时库存数据，同时调用后台可用的预测模型评估未来库存消耗情况。最后，它会综合上述两个因素，告诉我在未来一段时间内哪些仓库可能会出现缺货或呆滞风险。

作为业务人员得到这样的结论后，我自然会问“那我怎么解决这样的风险呢?”这时，供应链智能助手会根据我的下一步问题判断出需要综合考虑运输成本、调拨周期、市场需求和库存可用量，给出最佳的调拨方案来解决问题。它会详细告知我，要解决某地库存问题需要从另一城市调拨多少产品，同时给出调拨时间、运输成本，以及采用方案前后两地仓库和订单满足率的变化。这才是一个真正面向业务解决问题的智能助手应用。

有了这样的应用，业务用户不再需要关注信息系统中有多少业务数据、是否有所需数据、应该使用何种模型和方法求解问题。他们更多的精力可以集中在如何准确描述问题本身。而调用哪些模型、使用哪些数据，则完全由我们的产品、服务和技术来保障。我们可以利用Amazon Bedrock、Amazon SageMaker等，帮助选择适合业务场景的大语言模型，识别用户意图，并用自然语言描述洞察和建议。同时，我们也会根据智能体技术，按需调用后台工具，查询企业知识库，调用需求预测和决策支持模型，真正解决业务问题。

第二个场景是多级仓网规划的智能应用。在供应链领域，有一个共识是整体供应链成本的80%都是由仓网结构决定的，因此企业需要非常重视仓网设计方案，并随着内外部环境变化不断调整仓网结构。我们建议用户在三个场景下进行这一应用。

第一个场景是在战略层面上，假如企业要进入新市场或扩展市场区域，应该如何让产能出海，如何选择合作伙伴，如何设计分销渠道。这些长周期决策可以不断利用分析和决策工具进行仿真和验证，获得战略性规划建议。

第二个场景是，平台仓政策、海外仓报价、承运商服务在持续变化时，我们如何响应这些变化，动态决定哪些服务最优，需要在季度或月度运行相关模型进行调整。

第三个场景是，当一些意外事件如T86政策调整突然发生时，我们应该如何响应，是否转为口岸贸易，整个分销体系应该如何构建。这种关键事件触发的调整，也需要决策模型的支持。

我们有一个解决方案案例，通过决策模型的支持，在整个运输距离、路线和时长上获得了明显改善。

第三个应用场景是需求预测。很多客户反映这件事情他们非常重视但也很难把它做好。需求预测难做有几个原因:

首先，供需关系非常复杂，体现在长尾商品、新品等很难预测，以及可能有各种外部原因导致市场供需关系变化。

其次，随着业务管理力度越来越精细化，需求预测的颗粒度也越来越小，从国家区域级别下探到城市和SKU级别，技术上预测精度会下降。

第三，无论内部还是外部，都会有一些相互影响的因素，如蚕食效应或光环效应，以及关税政策、价格促销等原因影响需求表现。

需求预测做不好就会影响到库存成本、需求响应能力和订单满足率。在这个场景下，亚马逊不仅有先进的基础模型，专业服务团队还可以根据用户的特殊场景、销量特征、商品特征、供应链上下游特征以及市场特征，帮助企业更好地捕获长期发展趋势和短期临时变化，应对爆品、长尾品、新品和普通品的预测。

我们有一个非常成熟的亚马逊供应链产品，它可以实现指定区域、时间区间、产品的需求预测，并支持采购、生产、销售等角色协同确定一致的需求计划。最后我给出了两个案例，展示了我们在分钟级爆品预测和城市/SKU级别月度季度预测方面的能力，相较于企业传统预测手段，我们可以实现5%到10%的基准预测准确率提升。

第四个场景是库存分销优化。库存分销的核心是一个资源配置问题，即如何在库存点、渠道上分配库存，选择承运商和分销体系，让库存触达消费者。这个问题最大的挑战在于其规模复杂度，由产品体系的大小、客户分布范围，以及约束条件如承运商和仓网结构决定。我们通常看到，一个中等企业的分销体系求解规模至少要达到10万级。面对这种规模，如果用传统人工或统计方法，求解效率低且准确性备受质疑。

我们的技术可以在百万级规模下秒级给出最优答案，支持海量的何种情况仿真。我们有一个非常大的食品加工企业案例，它在全国有三个基地、五个区域仓，20多个大类、100多个小类、300多个客户城市。面对这样的规模，人工已经无法分配分销方案了。我们可以帮助它将力度下沉到城市和小类级别，并在半天时间内支持上百种仿真验证和决策，最终每月帮它将物流成本从5000万降至4800万，收益可观。

第五个场景是关于备货和补货调拨，核心是平衡库存持有成本和缺货成本。我们有两个思路构成求解方案:第一是快速感知未来库存消耗趋势;第二是综合时间成本、物流成本、需求满足度和库存可用性等因素，给出最合理的调拨方案。这个标准产品可以实现这种能力，不仅可以告知每个库存点的健康状况和未来消耗情况，还可以在出现呆滞或缺货时给出调拨补货方案及其成本和效率。

另外，我们我将继续生成详细的叙事风格输出:

另外，我们会知道在供应链决策中需要协同各种角色，如物流、计划人员等。传统方式可能是用Excel讨论某个方案，容易引起误解或信息丢失。我们的工具提供了一个特性，在讨论决策解决方案时，所有人可以共同看到讨论的问题、上下文、建议的解决方案及其带来的成本和收益，明显提升了沟通效率。

第六个场景是最后一公里路径优化。由于亚马逊每天需处理上百万包裹，且最后一公里履约成本通常占整体履约成本50%以上，同时消费者对履约效率要求不断提高，这一场景意义重大。在实际配送过程中，客户常常会改变配送窗口和地点，如果基于传统的基于规则的路游方案，很难灵活应变。

我们的解决方案可以动态根据需求波动分配履约资源和配送区域，帮助配送人员决定每天配送波次数量、是否等待更多订单再出发，或在路上实时调整路线以应对客户改变投递窗口或交通状况的影响。我们还会考虑长途疲劳驾驶等约束，在不同区域配置对该区域路线最熟悉的司机。

我举了一个西雅图地区亚马逊本身配送的案例，通过我们专业服务团队的支持，在效率、客户满意度和成本上都获得了明显优化。

以上就是我想分享的几个典型供应链应用场景。回过头来，我们给企业提供的是一套集成解决方案，覆盖了所有这些场景，对现有业务系统的侵入性最小，只需获取业务数据并按需将决策结果反馈即可。

解决方案底层使用亚马逊在全球200多个地区的原生云服务，确保安全合规、高可用性和可扩展性，可持续支持企业业务扩展。我们专业服务团队可以基于亚马逊本身沉淀的标准先进AI模型和大语言模型，根据客户业务需求进行调试和优化，在持续预测、运筹优化、异常检测、强化学习、基于RAG agent等多种模型上做调整，适配企业业务。

我们拥有成熟的工具体系来支持开发、运维和管理，确保交付质量和效率。我们有一个标准产品亚马逊供应链，提供了各种场景的能力。如果企业需要定制化和调优，我们也有基于AI模型和大语言模型的开发、运维和管理工具支持。

作为专业服务团队，我们可以帮助企业从技术角度论证需求，在POC阶段验证数据质量、评估关键特性并提供ROI分析报告，让企业评估是否可扩展。如果需要集成和定制化，我们和合作伙伴也可以提供持续优化服务。

最后，我想总结四点:

第一，数据是实施AI应用的基础，但不同场景对数据要求不同，我们可以在必要时与客户共同评估。

第二，我们搭建的模型IP属于每个企业自身，原因是模型运行在企业自己的亚马逊云科技资源上，且每家企业的模型都是根据其特殊业务场景定制化的。

第三，业务用户的参与输入对做好AI至关重要，但他们也可能由于工作习惯而抗拒新模式，需要企业高层平衡这种矛盾。

第四，AI应用依赖数据、资源、技术和人才等基础条件，但企业不应等基础完全具备才开始，而是应先于竞争对手大胆尝试、快速迭代和谨慎验证，这是亚马逊倡导的敏捷思维。

通过这套解决方案，企业可利用先进的AI/ML技术优化供应链决策，提升弹性，应对当前诸多挑战。如有任何需求，欢迎与我进一步沟通交流。

下面是一些演讲现场的精彩瞬间：

The speaker asks the audience to raise their hands if they are interested in or have experience with AI applications in the supply chain field， aiming to gauge their level of familiarity with the topic.

当前出海企业面临高关税、地缘冲突、物流和供应链不确定性等挑战，需要重塑供应链体系、多渠道经营和提升品牌价值。

亚马逊通过优化供应链需求预测的准确性，提高了仓储周转周期和资源利用效率，并能先于竞争对手感知市场趋势变化。

我们建议用户在战略规划、供应链优化和应对突发事件三个场景下利用决策分析和仿真工具，获得规划建议和最优选择。

The tool enhances communication and efficiency by allowing all stakeholders to collaboratively view the problem context， proposed solutions， and associated costs and benefits during supply chain decision-making.

亚马逊在西雅图地区的配送案例展示了其专业服务团队如何优化效率、客户满意度和成本，并巧妙地解决了长途疲劳驾驶等问题。

总结

亚马逊云科技凭借其在供应链领域的丰富经验和创新技术，推出了一套供应链决策智能解决方案，旨在帮助企业应对当前的供应链挑战。这套解决方案利用人工智能和机器学习技术，从多个角度优化供应链决策和绩效。

首先，它提供了一个智能助手，能够根据用户的自然语言问题，调用相关数据和模型，为库存管理、仓网规划等问题提供决策建议。其次，该解决方案可以进行需求预测，捕捉长期趋势和短期波动，提高预测准确性。此外，它还能优化库存分销、备货调拨等资源配置问题，在大规模场景下快速给出最优方案。最后，该解决方案还可以动态优化最后一公里的配送路径，提高配送效率和客户满意度。

总的来说，亚马逊云科技的供应链决策智能解决方案通过创新技术赋能企业，帮助企业提升供应链弹性，降低运营成本，提高客户体验，从而在当前的复杂环境中获得竞争优势。

亚马逊云科技（Amazon Web Services）是全球云计算的开创者和引领者。提供200多类广泛而深入的云服务，服务全球245个国家和地区的数百万客户。做为全球生成式AI前行者，亚马逊云科技正在携手广泛的客户和合作伙伴，缔造可见的商业价值 – 汇集全球40余款大模型，亚马逊云科技为10万家全球企业提供AI及机器学习服务，守护3/4中国企业出海。