GRAPH + AI 加速供应链数字化转型

导读：近几年来图计算（Graph）和人工智能（AI）在技术上都在飞速发展，商业应用中也各自发挥了重要作用。本次主题是《Graph和AI加速供应链数字化转型》，由TigerGraph解决方案总监周倚平老师分享，探讨如何通过图计算（Graph）和人工智能（AI）的结合，来帮助企业推进供应链数字化转型。主要包括以下几大方面：

现代企业供应链面临的挑战

Graph+AI助力数字化决策

基于Graph+AI的供应链优化案例

在开始分享Graph和AI技术如何帮助企业做供应链数字化转型之前，先来来了解下图和图计算的背景。图和图计算发起于互联网中的社交推荐和发现，进而在金融领域的反欺诈、反洗钱、反套现等风控场景，IT智能运维，数据资产管理，以及网络安全分析等场景中得到广泛应用。最近制造，医疗、零售等传统行业也在逐步引入图计算，以此来提升企业在客户营销和服务、智能制造、以及数字化供应链方面的竞争力。

当下在各个领域里，无论是零售、制造或医疗，每家企业都在考虑将自身业务流程的数字化，实现降本增效，提升企业在市场的竞争力和客户满意度。

而供应链又是整个业务流程当中非常重要的一个组成部分。据统计，在大规模制造行业，供应链约占企业10~20%的成本。

1. 现代企业供应链的风险痛点

现在企业的供应链信息化水平发展很快，但供应链管理还是面临了一些风险和挑战。诸如因为原材料的采购问题导致关键订单对延迟交付、因为市场销量变化导致的供应过量或者库存积压等。当前由于疫情的原因，也会导致一些计划外的成本，比如，上游的零部件厂商因为质量或者其他问题导致关键零部件断供，进而导致企业生产线产线停机。这些是我们看到的在现代供应链管理中的一些风险。

2. 供应链管理的重要性

供应链规划对于提升企业竞争力是非常重要的。有一组来自国外专业商业研究的机构BCI的调研结果显示：2017年，69%的企业缺少供应链可视化管理、65%的企业至少经历过一次供应链的危机，而且大多是由于一级供应商造成。到2019年，企业逐步重视供应链管理，其中包括可视化，监控和管理它的第一层供应商，也就是它的直接供应商。但很少有企业能够在供应链分析里下钻到第二层或第三层的供应商。到2021年，企业整体信息化水平越来越高，有了ERP、MRP、PLM等不同的系统，也产生了很多的数据报表。但这些数据报表只能提供单个系统的信息，不能提供这种全视角、全链路的一个供应链的信息。

3. 现代供应链数字化分析决策中的挑战

在现实世界里，采购、制造、销售各个环节的数据管理系统不同，数据的标准不同，数据的描述语言不同，进而导致了信息孤岛。这些信息孤岛也给供应链数字化转型带来了巨大挑战，也就是说，即使企业建设了从采购、制造、到销售各个层面的数字化系统，在面对一些需要将供应、制造和销售等业务环节连接起来的复杂问题，依然无法给出快速、合理的回答。

1. 图计算用作供应链管理的优势

图，作为一种连接实体之间关系的技术，是描述供应链最原生和最自然的一种方式。供应链本身是由原料厂商、零部件制造厂商、制造工厂、分销商、仓库，以及代理商等组成，这些构成了一个非常复杂的网络。尤其像汽车、高铁、飞机这些高端的制造行业，整个供应链可能涉及几十万实体对象，而图能够非常形象准确地去描述供应链网络中的各个实体以及它们之间的关系。然后，通过相同描述语言和统一的数据标准建立整个供应链的数字孪生模型。最后通过模型就能回答一些比较复杂的业务问题了。

首先，通过图分析我们可以把采购制造分销等各环节数据进行打通，形成一个全链路的数据视角。

同时，图作为底层引擎，可以基于关系数据快速地回答一些复杂问题，诸如库存如何控制，上游零部件厂商供货风险如何管控，以及如何优化整个运输网络。

另外，图还能够带来更多的计算选择，比如图算法中的路径查找、中心度算法、社区发现来实现对我们业务的一个深度洞察和预测。

最后，图在可解释的表现很好，如上图的左图，描述了下订单的一个过程，具有很好的可视化效果。

2. Graph和AI结合

对企业的管理者或者分析师来说，图分析使得他们面对的不再只是一串结果，而是企业经营活动在数字世界当中的一个投影。

过去在我们机器学习或者人工智能（AI）领域，它主要依赖统计性特征，诸如电子商务的销量，卖家的特征，商品的特征等来数据的输入；现在，我们可以融合图分析技术去提炼商品，卖家，买家之间的关系特征，从而提升AI算法的训练效果，使之更贴合实际业务，实现更好的预测和推荐。此外，因为图具有可视化的特质，所以结果也更具有可解释性。

对于神经网络模型，可以通过实体关系图来构造新的特征，并将这些特征融合起来，这样我们就可以在深度学习框架里使用更多的信息。譬如图片社交网站Pinterest就使用图神经网络构建图片推荐的相关功能，Uber使用图神经网络构建支付欺诈检测相关功能，还有一些创新企业将图神经网络用于供应商影响力的分析和预测等场景。

3. TigerGraph介绍

这里介绍一下我们公司，TigerGraph是一个基于关联数据（图模型）的高级分析平台，支持机器学习和可解释的人工智能。TigerGraph的使命是通过图和人工智能为企业基于大数据提供创新的分析能力，帮助客户连接数据孤岛，进行更大规模、更深入的运营分析，从云端和本地的数据中发现新的业务洞察。

在Gartner关于2021年到2025年图分析的预测中提到，对于很多企业来说，不是用不用图的问题，而是你一定会使用图的这种技术，因为它就是描述客观事物，以及我们真实世界关联事实的技术。

接下来进入我们最重要的一个环节，在这里会介绍捷豹路虎这个客户在使用我们的Graph+AI来实现供应链优化的场景案例。

捷豹路虎在他们的供应链实践中发现通过订单预测，可以实现供应链的优化，并能带来数亿英镑的收益。譬如，根据销量预测来提前做零部件采购和供应商选择，来降低供应链上的成本。

对于捷豹路虎的数据分析领导来说，他们希望通过一种技术，能够对采购、销售、制造等跨垂直部门之间有比较一致的理解。

但在过去，数据往往存在不同的系统里，因此捷豹路虎希望能找到一种同时可以描述业务和数据的语言。通过实践，他们发现可以通过图去构建一个连接供应和需求的视图，从而高效地回答一些关键业务问题。下面我们来具体看下是如何实现的。

捷豹路虎作为汽车制造商，将整个供应链分成若干层次：

车型：这一层里面有不同的车型

功能：车的下面对应的是功能，诸如行驶、刹车，导航等

零部件：功能再向下是支撑这些功能的零部件

供应商：零部件再向下对应的就是各个零部件的供应商

通过这种方式，可以在企业的核心产品和最终的供应商之间建立关系模型，来解决一些业务问题。例如当某车型需求激增的情况下，工厂是否有足够零部件满足需求？再譬如供应商是否存在供货风险？

如上图，可以看到揽胜极光这个车型，它所需要具备的一些功能，以及每个功能对应的零部件和供应商有哪些。图中某供应商为该车型提供三个主要零部件，则该供应商是这个车型的重要供应商。

如果该供应商发生产品涨价或者产品断供，对企业的产能将会造成巨大影响。所幸，该零部件还有两个备选供应商。供应链分析师可以通过评估备选供应商的供货能力来判断是否存在供应风险。针对上述这些情况，供应链分析师就能通过图来快速发现问题，并辅助决策。

还有一种情况是需求骤降可能引起的库存堆积。比如上图中的发现神行SE，该车型有全景天窗的功能，向下涉及挡风板等一些零部件。通过图，我们发现揽胜极光也需要这个功能，而且是相同的零部件。那我们就可以将多余的零部件用在另一个车型上，来避免库存和不必要的成本产生。

此外，业务还提出对现有的车型做改进的情况。我们假设这个改进对利润的影响是提升，那对成本又是什么影响呢？

因为从a功能变成b功能，一方面，原始功能的零部件会产生库存，另一方面，针对新功能所需的零部件也需要重新采购，这些都将造成额外成本。此时，就需要通过图来辅助业务决策。

在捷豹路虎的供应链优化实践中，总结出上图八种主要模式。举例说明，比如有三个供应商，它之间也存在关联关系，那可能他们是一个供应商联盟。再比如有一个供应商，它提供了很多零部件。也就是说我们对该供应商有依赖，如果该供应商抬价或者不能及时供货，就会对供应链造成影响。再比如有三个供应商能同时提供同一个零部件，则意味着这个零部件的供应存在很大的一个弹性。

通过图技术把相关的业务特征变量提取出来后，接下来就可以放到机器学习算法里进行训练、分析和预测。通过图特征的提取，结合原有的机器学习或者深度学习框架，可以更好地回答复杂的业务问题。同时，图的可视化能力，也能帮助业务人员对算法的结果更一目了然。

因此，在捷豹路虎的供应链管理业务场景中，通过图来打通相关的数据，并基于图分析整个供应链是否存在风险，是否有优化可能性等，以此来给业务做价值提升。