如果將亞馬遜龐大的電商王國比作一個人體，那么供應鏈優(yōu)化技術團隊（SCOT）就是其神經(jīng)系統(tǒng) - 默默運行卻至關重要，在幕后自動優(yōu)化著關鍵功能和流程。這個比喻來自SCOT團隊本身，也恰如其分地描述了這個團隊在亞馬遜快速發(fā)展中扮演的核心角色。

在過去的十余年間，SCOT團隊完成了一個令人矚目的轉型：從最初僅負責自動化采購和庫存管理的小團隊，發(fā)展成為掌控整個亞馬遜供應鏈端到端運營的核心力量。正是這支默默耕耘的團隊，通過融合仿真技術、數(shù)學優(yōu)化和機器學習，創(chuàng)造了海量 商品數(shù)中實現(xiàn)快速配送的能力——在某些情況下，甚至可以在兩小時內將商品送達顧客手中。

"在SCOT，利用科學和技術優(yōu)化供應鏈不僅僅是一種手段，而是我們的核心關注點，"履約優(yōu)化副總裁Ashish Agiwal如此強調。這種專注體現(xiàn)在團隊的顯著成長上：從2011年的10人小組發(fā)展到如今擁有超過200名專家的科技團隊。更重要的是，這支團隊構建了世界上最大、最復雜的自動化決策系統(tǒng)之一。

SCOT的職責范圍令人生畏：計算亞馬遜顧客下單時看到的配送承諾時間，預測數(shù)億種商品的需求，決定儲存什么商品及其數(shù)量，根據(jù)區(qū)域顧客需求將庫存分配到倉庫和配送中心，在必要時提供降價策略，設計如何最高效地整合顧客訂單，協(xié)調來自全球數(shù)百萬賣家的入庫和庫存管理等等。

這種全方位的供應鏈掌控能力并非一蹄而就。SCOT副總裁Deepak Bhatia回憶道，2011年時的情況截然不同。當時，雖然亞馬遜年收入已達480億美元，但團隊的主要任務還局限于嘗試實現(xiàn)產(chǎn)品采購和庫存管理的自動化。面對快速增長的業(yè)務規(guī)模，高層管理者已經(jīng)清楚認識到，通過電子表格監(jiān)控的方式已不足以應對長期發(fā)展需求。

轉型始于一個大膽的決定。在經(jīng)過逐個產(chǎn)品類別的試點后，管理層決定"全力以赴"實現(xiàn)自動化。這個決定體現(xiàn)了亞馬遜敢于承擔風險的文化特質。正如Bhatia所說："一次重要會議上，有人提出：'如果我們全面推進這些類別的100%自動化會怎樣？'另一個人回應說'那一切都會失控。'"但正是這種勇于嘗試的精神推動了變革的發(fā)生。

從那時起，SCOT開始了一段令人矚目的演進之旅。從2011年到2016年，團隊完成了第一階段的自動化轉型，將技術快速推廣到整個零售業(yè)務。2016年到2020年，面對Prime一日達等新的業(yè)務挑戰(zhàn)，團隊開發(fā)并實施了突破性的多層級系統(tǒng)。2020年至今，在新冠疫情的考驗下，團隊進一步強化了供應鏈的韌性。

今天的SCOT已經(jīng)發(fā)展成為一個獨特的組織。"我們在利用內部構建的解決方案來解決一些最大、最復雜的運營問題，"Agiwal說。"我們擁有世界上最優(yōu)秀的科學家、工程師和產(chǎn)品經(jīng)理，他們共同合作并掌控自己的命運。我們有大規(guī)模和多樣化數(shù)據(jù)集的優(yōu)勢，能夠在大規(guī)模范圍內創(chuàng)新和實驗，對客戶體驗和成本產(chǎn)生直接、可衡量的影響。這確實令人欣慰。"

SCOT的成功不僅僅在于技術創(chuàng)新，更在于它展示了如何將科學方法應用于實際業(yè)務問題的解決。正如庫存規(guī)劃和控制副總裁Jeffrey Maurer所說："SCOT是一個非常適合那些被極其復雜的問題空間所吸引，并且渴望產(chǎn)生高產(chǎn)出影響的人的地方。"

這個開創(chuàng)性團隊的故事，展示了科技創(chuàng)新如何重塑現(xiàn)代供應鏈管理。接下來，讓我們深入探討支撐這一轉型的核心技術創(chuàng)新。

需求預測技術的演進

當一位顧客訪問亞馬遜網(wǎng)站時，他們幾乎理所當然地期待商品是有貨的。這個看似簡單的期待背后，是對銷售超過4億種商品、覆蓋185個國家的電商巨頭的巨大考驗。維持每種商品的充足庫存顯然在成本上是不可行的，而這正是需求預測發(fā)揮關鍵作用的地方。

對于消費模式可預測的產(chǎn)品，可以利用歷史模式來決定庫存水平，例如洗衣粉或垃圾袋等家庭必需品。然而，由于亞馬遜無法控制的因素，大多數(shù)產(chǎn)品的需求都會發(fā)生變化。

以米歇爾·奧巴馬的《成為》一書或最近熱銷的運動服為例，運動服在 2020 年成為一種既舒適又時尚的服裝選擇。很難解釋奧普拉·溫弗瑞 (Oprah Winfrey) 的巡回宣傳之旅所導致的銷量飆升，也幾乎不可能預見到 COVID-19 對居家服裝趨勢等的影響。

如今，亞馬遜的預測團隊利用深度學習、圖像識別和自然語言處理等領域的先進技術，開發(fā)出一種能夠針對不同產(chǎn)品類別做出準確決策的預測模型。這一統(tǒng)一預測模型的誕生并非一蹴而就，而是經(jīng)過了十多年的歷程。

SCOT團隊在需求預測領域的探索之路，展現(xiàn)了一個從傳統(tǒng)統(tǒng)計到人工智能的精彩演進過程。正如預測科學總監(jiān)Ping Xu所說："當我們在亞馬遜啟動預測團隊時，我們只有10個人，沒有科學家。科學和技術創(chuàng)新的專注讓我們能夠準確估計未來需求的巨大變化。"

最初的預測系統(tǒng)采用標準的時間序列預測方法。正如資深首席研究科學家Kari Torkkola回憶："這個系統(tǒng)在時間序列可預測且穩(wěn)定的情況下表現(xiàn)良好。然而，它無法準確預測新產(chǎn)品或具有高度季節(jié)性銷售模式的產(chǎn)品。"團隊不得不為每種特殊情況開發(fā)新的方法：一個專門的組件來模擬季節(jié)性模式，另一個處理價格彈性，還有一個稱為分配引擎的組件來模擬預測分布。

這種"拼湊式"的預測系統(tǒng)維護起來異常困難。突破出現(xiàn)在Torkkola的一個看似簡單的洞察："不同類別的產(chǎn)品可能表現(xiàn)出相同的行為模式。"例如，新品和有歷史銷售記錄的產(chǎn)品之間存在明顯的區(qū)別。新的視頻游戲或筆記本電腦的預測可以部分基于類似產(chǎn)品過去的表現(xiàn)。

基于這一洞察，團隊開發(fā)了稀疏分位數(shù)隨機森林(SQRF)。這個創(chuàng)新允許單一預測系統(tǒng)為不同產(chǎn)品線做出預測，每條產(chǎn)品線可能具有不同的特征。SQRF能夠擴展到數(shù)百萬種產(chǎn)品，標志著亞馬遜實現(xiàn)大規(guī)模預測的重要一步。

但系統(tǒng)仍然存在一個嚴重缺陷：它需要團隊手動設計特征工程。2013年深度學習的突破為團隊帶來了新的啟發(fā)。在2014年和2015年的實驗中，團隊嘗試了前饋神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡(RNN)。雖然早期迭代并未超越SQRF的表現(xiàn)，但一個關鍵洞察推動了突破性進展。

"我們在多個預測周期上訓練網(wǎng)絡以最小化分位數(shù)損失，"Torkkola解釋道。"當你用同樣的指標來訓練和評估系統(tǒng)時，系統(tǒng)表現(xiàn)會更好。"新的前饋網(wǎng)絡相對于SQRF帶來了顯著改進。這是團隊期待已久的突破：終于可以開始淘汰舊模型，利用統(tǒng)一的預測模型為多種場景產(chǎn)生準確預測。

2018年，團隊發(fā)表了具有里程碑意義的論文《多層次分位數(shù)循環(huán)預測器》，介紹了MQ-RNN/CNN方法。這個突破建立在循環(huán)網(wǎng)絡(RNN)和卷積網(wǎng)絡(CNN)的最新進展之上，不再需要手動特征工程。正如高級應用科學家Ruofeng Wen指出："預測基于過去的序列模式，而RNN/CNN非常擅長捕捉這些模式。"

最新的進展來自自然語言處理領域的啟發(fā)。團隊開發(fā)了MQ Transformer，采用解碼器-編碼器注意力機制來實現(xiàn)上下文對齊。這意味著系統(tǒng)可以研究自己的歷史來提高預測準確性并降低波動性。正如首席應用科學家Dhruv Madeka解釋："句子是單詞的序列。許多NLP模型中的注意力機制會查看單詞序列，并確定哪些其他部分對給定上下文和任務重要。通過引入這些上下文感知機制，我們現(xiàn)在可以讓預測系統(tǒng)關注其歷史并理解它過去犯過的錯誤。"

這種持續(xù)創(chuàng)新帶來的不僅是技術突破，更重要的是實際業(yè)務價值。預測準確性的提升意味著更好的客戶體驗和更低的運營成本。正如Xu所說："在亞馬遜，科學家的與眾不同之處在于專注于以創(chuàng)新為基礎的實際影響。遠大愿景不僅僅是有一個大膽的設想，而是要播下種子，通過快速失敗不斷成長，一旦成功的證據(jù)變得明顯就加倍擴大規(guī)模。"

多層級庫存計劃系統(tǒng)的突破

對于在亞馬遜商店下達的每一份訂單，SCOT團隊開發(fā)的數(shù)學模型都會在幕后工作，以確保產(chǎn)品庫存處于最佳位置來完成訂單。 

SCOT 開發(fā)的預測模型可以預測每種產(chǎn)品的需求。采購系統(tǒng)決定從不同供應商處采購的適當產(chǎn)品水平，而庫存系統(tǒng)則決定產(chǎn)品在亞馬遜全球配送網(wǎng)絡的數(shù)百個設施中的最佳位置。

"有時候，做出巨大改變的唯一方式就是意識到你別無選擇。"這句來自亞馬遜首席應用科學家Yan Xia的話，完美概括了SCOT團隊在面對Prime一日達服務挑戰(zhàn)時的處境。在2016年，亞馬遜的供應鏈網(wǎng)絡主要為兩日達服務而設計。但隨著公司的快速擴張和客戶期望的不斷提升，這種設計已經(jīng)不能滿足新的業(yè)務需求。

SCOT高級首席研究科學家Salal Humair將這一挑戰(zhàn)稱為"全球化-本地化兩難"。當時，亞馬遜擁有175個配送中心，服務于185個國家的客戶。面對Prime一日達和Prime Now兩小時達等服務承諾，團隊意識到他們不僅要服務全球客戶，還需要從國家級網(wǎng)絡轉向本地網(wǎng)絡，將庫存放置在更靠近客戶的位置。

這種轉變帶來了前所未有的復雜性。為了滿足客戶對不同配送速度的需求，亞馬遜的配送網(wǎng)絡開始包含各種類型和規(guī)模的建筑：從普通配送中心到專門處理大件商品的非分揀配送中心，從服務同日達訂單的小型配送中心到為下游配送中心供貨的分銷中心。網(wǎng)絡變得越來越分層，一個層級（或梯次）的配送中心開始作為其他層級的供應商。

從科學的角度來看，這個挑戰(zhàn)的規(guī)模令人生畏。亞馬遜的訂單履行通過復雜的動態(tài)優(yōu)化過程完成，實時訂單分配系統(tǒng)可以選擇最優(yōu)的配送中心來滿足客戶承諾。這種實時訂單分配使庫存規(guī)劃變得極其復雜。同時，相同的庫存池經(jīng)常用于服務不同配送速度的訂單，這進一步增加了復雜性。

SCOT團隊資深首席科學家Alp Muharremoglu解釋道："雖然學術界對多層級庫存優(yōu)化研究已久，但大多數(shù)文獻都集中于單產(chǎn)品模型，為更簡單的網(wǎng)絡提供解決方案，或者對庫存補貨使用過于簡化的假設。亞馬遜的規(guī)模和復雜性意味著沒有現(xiàn)成的解決方案可用。這需要建立一個定制解決方案，它依賴于健全的科學原理和嚴謹性，借鑒學術文獻中的想法作為構建模塊，但需要突破性的內部創(chuàng)新來推動學術研究的邊界。"

團隊的解決方案是開創(chuàng)性的。核心是一個多產(chǎn)品、多配送中心、容量受限的模型，用于在動態(tài)履約政策下優(yōu)化多種配送速度的庫存水平。該框架使用類拉格朗日分解框架來實時控制和優(yōu)化亞馬遜網(wǎng)絡中的庫存水平。

"我們計算了每個配送中心的存儲和流量機會成本，"Humair說。"使用拉格朗日分解，我們用這些成本來計算這些位置的相關庫存位置。關鍵是，我們在可擴展的優(yōu)化模型中納入了隨機動態(tài)履約政策，使亞馬遜能夠計算網(wǎng)絡中每一層的庫存水平。"

系統(tǒng)于2020年上線，在過去一年中，多層級系統(tǒng)在將產(chǎn)品放置在更靠近客戶的位置方面產(chǎn)生了巨大且具有統(tǒng)計顯著性的影響。這一成功不僅證明了技術創(chuàng)新的力量，也展示了組織在面對重大挑戰(zhàn)時堅持和適應的能力。

供應鏈韌性的新范式

"疫情就像一個持續(xù)了兩年的峰值。"亞馬遜軟件開發(fā)總監(jiān)Keith Zackrone如此形容疫情對供應鏈的沖擊。對SCOT團隊來說，這場危機既是對其技術能力的嚴峻考驗，也是推動創(chuàng)新的催化劑。

在疫情之前，亞馬遜已經(jīng)建立了應對需求峰值的成熟機制。像Prime Day這樣的大促活動雖然帶來巨大挑戰(zhàn)，但因為可以提前規(guī)劃，相對更容易管理。然而，疫情帶來的是一個完全不同的挑戰(zhàn)：持續(xù)的需求波動、供應鏈中斷和勞動力短缺。

所有根據(jù)預測做出的決策（產(chǎn)能規(guī)劃、采購、布局、存儲和履行）都合并到一個大型分布式模擬系統(tǒng)中，該系統(tǒng)可幫助 SCOT 團隊在需求波動時管理庫存。

“它可以說是世界上最大的模擬平臺，” SCOT 庫存規(guī)劃與控制團隊首席應用科學家Yan Xia說道?！暗讓觿討B(tài)非常復雜，決策者眾多。不可能通過一組數(shù)學方程式來捕捉?！?/span>

ACC工具最初是為處理Black Friday等季節(jié)性峰值而設計的。在疫情之前，團隊通常會在假日促銷前幾周運行該工具來確定庫存。但疫情改變了一切。正如首席應用科學家Yan Xia描述："我們必須將這個工具推向極限，來解決團隊從未遇到過的容量相關問題。我們從每年在兩個國家解決8周的容量問題，轉變?yōu)樵谑畮讉€國家全年52周都要解決這個問題—而且要以更精細的粒度。"

團隊迅速改進了ACC工具，開發(fā)了"熱啟動"功能，使用歷史數(shù)據(jù)持續(xù)更新容量控制輸入，而不是像以前那樣每次都從零開始。更重要的是，團隊開始對庫存進行抽樣模擬。這使他們能夠通過模擬不到5%的總庫存來預測更大的庫存流動將如何響應控制信號。

"我們現(xiàn)在在抽樣方面非常有效，"Xia說。"這對我們來說是一個重大突破，能夠在市場內的如此多不同類型的容量上執(zhí)行這一點—而且還要跨市場執(zhí)行。"

未來展望：供應鏈數(shù)字化的下一個前沿

當SCOT團隊回顧過去十年的歷程時，他們看到的不僅是一系列技術突破，更是供應鏈管理范式的根本轉變。然而，正如任何前沿性的工作一樣，每個解決方案都帶來新的挑戰(zhàn)和機遇。

首要挑戰(zhàn)之一是系統(tǒng)可解釋性。"我們有數(shù)百名員工需要回答來自銷售合作伙伴和其他利益相關者的問題，"Salal Humair解釋道。"為什么我的庫存水平發(fā)生了變化？為什么我的庫存增加了？每個這樣的問題都需要手動深入研究，需要數(shù)百小時的人力來回答。"團隊目前正在開發(fā)新方法，使其系統(tǒng)更具可解釋性。

另外一大挑戰(zhàn)是通過亞馬遜不斷增長的卡車、飛機、分揀中心和配送站來管理運輸。SCOT 的配送優(yōu)化團隊由 Agiwal 領導，負責運行做出出站配送決策的系統(tǒng)。

“這些系統(tǒng)每秒優(yōu)化數(shù)百萬個客戶承諾，每天優(yōu)化數(shù)十億個客戶訂單履行計劃。這是通過評估整個網(wǎng)絡中數(shù)億條潛在運輸路線并每天跟蹤超過十億條實時庫存更新來實現(xiàn)的，”他說。

亞馬遜運營自己的運輸網(wǎng)絡，創(chuàng)造了阿吉瓦爾所說的“一個非常令人興奮的問題空間”，他的團隊目前正在解決這個問題。他指出：“設計網(wǎng)絡拓撲、優(yōu)化多層多式聯(lián)運網(wǎng)絡中的連接，以及協(xié)調亞馬遜規(guī)模的所有運營資源，都是前所未有的。”

巴蒂亞說：“我們的新任務是確保我們自己的送貨卡車或貨機盡可能滿載，同時滿足我們的客戶送貨時間?！?/span>

SCOT的故事展示了科技創(chuàng)新如何重塑現(xiàn)代供應鏈管理。從最初的人工決策到如今的端到端自動化優(yōu)化，從單一預測模型到綜合的多層級系統(tǒng)，從被動響應到主動預測，這些進步不僅改變了亞馬遜的運營方式，也為整個行業(yè)提供了寶貴的經(jīng)驗。

"在亞馬遜，科學家的獨特之處在于專注于基于創(chuàng)新產(chǎn)生實際影響。遠大思維不僅僅是擁有大膽的愿景，它涉及播下種子，通過快速失敗持續(xù)成長，一旦成功的證據(jù)變得明顯就加倍擴大規(guī)模。"