PART 01 排線的發展進程

傳統的排線，全部依賴調度人員的經驗：

畫格子→分單子→搞線路

傳統有經驗的調度員會根據待配送的客戶地址，劃分成不同的片區（圖中每一個格子代表一個片區）。再把每一天要配送的訂單，根據地址信息，放在對應的格子里。最后司機通過格子里的門店地址去決定每個門店的配送順序。

在這個傳統的排線過程中，非常依賴于人工經驗：一是格子劃分是否合理，二是當某片區業務波動增長或減少時，要考慮是否合并或拆開格子。

排線的初步數字化：

地圖標記客戶地址→將畫格子經驗變成電子圍欄→把線路的順序經驗變成電子路書→訂單自動匹配

通過將格子搬到系統里后，就完成了每一個客戶的位置與電子圍欄的關聯。再根據經驗，將每一個電子圍欄里的客戶配送順序編號。這樣當生成訂單的時候，司機只需要按照經驗去跑這條線即可。但這個模式，仍然無法應對突發情況，例如門店數增加了、貨量變化了、有促銷活動等，因此仍無法快速靈活的調整線路，提升車輛的利用率。

智能排線的實現基礎：

滿載率&時效性&里程數&成本 綜合最優方案求解

整個計算的過程，就是將運輸需求、運力資源及配送的約束條件放在一個模型中去進行運算，最終去追求裝載率、時效性、里程成本的最優，從而給出訂單和車輛資源合理安排的最有配送方案。

PART 02 智能排線核心價值及實踐應用

智能排線的核心價值

挖掘技術數據，將經驗數據化

連接上下游系統，建立實時數據連接與反饋

智能排線的價值與意義（以每天2000家門店排線為例）

真實案例產品演示

第一步，通過訂單信息可以看到發貨區域、收貨區域、要求起運的時間、要求送達的時間，以及數量、重量、體積等關鍵因素。

第二步，通過車型去選擇車輛資源，例如 6.8米、4.2米的車輛等，接下來通過配送模式、提貨模式、體積、重量、滿載率、......等具體的約束條件和參數，去選擇成本最優或里程最優的優化目標。

第三步，根據調度排線的要求，算法進行大量運算，給出最優的排線方案。

第四步，可以通過系統地圖，看到一個完整的調度結果，例如生成了 25 條線路，查看這些線路的滿載情況、配送距離、時效、成本等，我們可以點擊到每一條線路里面，去具體查看它有多少個門店要去配送，以及門店配送的順序。甚至可以查看建議到達時間、建議離開時間等。

PART 03 AI調車

目標：構建數字運力池實現智能直采調車

構建自己的調車平臺，盤活沉淀運力，逐步擺脫對信息部、調度的依賴 整合集團分公司所有沉淀運力，集中管理資源共享共用。

搭建數字化運力調車平臺

第一個能力就是私域運力池，可以對每一個歷史合作的車輛制作一個數字的身份證：該車輛能跑什么樣的線路？擅長運送什么業務等。

第二個能力是結合車輛歷史身份信息及參數，加上對運單的要求，做一個匹配的過程，從而篩選出更為合適的車輛來匹配某一個訂單。這個過程也能夠通過產生的合作數據，不斷的優化該車輛未來被調度的最佳可能性。

第三個能力是通過AI 外呼的方式，一分鐘內匹配出20~30個司機，并同時致電獲得司機反饋的意向信息，從而建立一個高效的溝通方式。此過程還通過與司機還價過程的歷史數據記錄在系統中，最終形成歷史運價庫。

PART 04互動問答

Q1：智能調度的方案會涉及到客戶系統和G7易流系統的對接，過程中的數據安全問題如何保障？

其實客戶最擔心的是關于客戶信息的安全、保密問題，而在智能調度的方案中，如果是以接口的方式提供服務，其實我們并不需要客戶具體的名稱、電話、貨物sku名稱等私密信息，更加注重的是客戶的經緯度信息，我們需要計算出在某一個緯度上今天有多少貨量要送，計算滿載率的重量或者體積。所以從這個層面來說，敏感信息我們會進行脫敏處理，數據安全方面不需要擔心，如果我們抓取所有的數據，反而對我們算力會有損耗和浪費。

Q2：相同的參數多次調用，調用算法計算出的結果是一樣嗎？還是每次有所不同？

我們過去面臨過這樣的挑戰，兩次計算結果完全不一樣，最終無法落地執行。在配送環節，或者在客戶物流的末端環節，有一些客戶的服務需要去考慮，所以我們在算法的迭代過程中非常重要的一個迭代，就是要能夠基于過去已經算出來的結果作為參考，我們在歷史排線結果上去做小范圍的優化，而不是全局的推倒重來。當客戶有變量因素進入的時候，我們會進行一次重新計算。計算時會結合歷史的排線記錄來滿足客戶需求。物流這個場景很“線下”，不能把它當做一個簡單的數學公式去計算。

Q3：目前在服務哪些客戶？效果怎么樣？

我們正在服務的中國最大的城市配送客戶是廣州的美宜佳，該客戶共有3萬多家門店。在智能調度方面與美宜佳合作了很多年，我們在技術上提供了一些支持，幫助它在不斷開店地過程中做出更好的物流配送的線路規劃；在農牧行業，我們服務的企業客戶是益客，它的核心需求是在提貨模式上：客戶需要精準地把養殖戶的雞鴨準時送到工廠，保證屠宰產線的作業平穩運行，這就涉及到什么時間去每個屠宰場提貨，從而最終能夠及時的運到工廠，就這個模式來講，我們在益客已經做了相應的落地。無論在城配行業還是在農牧行業，我們服務了很多類似的客戶。

Q4：AI 調車時，客服外呼的司機都是運力池沉淀的歷史合作的司機嗎？

是的。第一，我們先把沉淀的司機做了精準畫像，再通過 AI 外呼的方式跟司機建立起連接的模式。客戶有過歷史合作，我們去計算是否匹配的時候都是有依據的。第二，有了歷史的合作關系，再通過 AI 的方式聯系司機時，客戶與司機之間才會有信任關系的，同時能夠大大提升調度成功的概率。因此，我們需要先幫助客戶沉淀已有的運力池數據，才可以基于私有運力池做第一層的運力篩選和第二層的 AI 外呼觸達。

Q5：智能排線的算法考慮車型路權嗎？比如一線城市的車輛調度。

目前我們的產品都是在一線城市，對于整個路權的考慮來講，有幾個方式去解決。第一，我們跟一些第三方的地圖廠商有數據上的合作。第二，G7易流本身沉淀了百萬級的車輛數據，因此哪些車能夠在路上跑，哪些不能，我們也去做了一些畫像，這些畫像是算法計算中非常重要的輸入。在直播中demo演示的部分，可以看到是一個非常復雜的頁面，有非常多的約束條件輸入，這些是需要客戶在使用產品前去做配置的，如果涉及一些特殊需求，也可以在那里面去做輸入。

Q6：使用智能排線需要具備什么條件？

首先需要客戶歷史的基礎數據，比如說要按照體積來計算裝載率，那么就需要貨物的基本體積參數。或者計算門店的一些要求，就需要門店的位置信息。在數字化板塊，其實城配、農牧兩個行業的客戶走的都比較靠前，我相信這些行業的很多客戶都已經有了這樣的數據基礎。另外，也需要跟大家強調，使用智能排線，并非一定要具備什么條件，而是要看清自己處在什么階段，這個階段適不適合上這樣的產品。城配、農牧兩個行業，其實具備兩個特質，一是對于生產和運輸計劃的協調有更高效的需求，二是如果在擴張周期內，可能門店在不斷地增加，或者客戶在發生不斷的變化。變量因素越多，通過傳統的人工方式做排線，它就顯得非常的低效，人工方式不能滿足需求的時候，其實需要用上 AI 的能力。

Q7：智能排線貴不貴？小客戶用不用得起？用完之后會有什么效果？能省人還是能減錢？

第一，假設有 200 家門店，現實中至少需要三名調度員，是個相對低效的過程。如果使用智能排線，系統把結果算出來，可能只需要安排一個人去看結果，人力成本肯定是有節約的，可以把更多的人力、精力投入到更有價值的工作當中。

第二，我們研發智能排線，還是希望能夠跟客戶的實際業務不斷去進行碰撞PK，真正能找到可能優化的地方，比如少跑一點里程，或者說少用一臺車。整體運費和車輛的節約也是我們非常重要的一個目標，我們很有信心，跟每個客戶有實踐、迭代的過程之后，能夠找到降本的可能性。

Q8：客戶從落地項目開始到最終能切換成用 AI 來幫它排線，大概需要多少時間？

與客戶的門店數、業務量有關系。在落地項目的時候，我們可以跟客戶一起去做測試和互動，期間不斷地調優。大家不用有太多的擔憂，這不是一個特別長周期節復雜的項目，大概一個月的時間就能從傳統的人工排線進化到 AI 的智能排線。