Ai站长

了解方案

请尽可能详细描述您的需求,我们将在1个工作日内联系您

  • *公司名称
  • *姓名
  • *手机号
  • *电子邮箱
  • 请选择智能营销/制造
    智能营销解决方案
    智能制造解决方案
    平台研发中心
  • *留言

注册试用

  • *公司名称
  • *姓名
  • *手机号
  • *电子邮箱
  • 请选择智能营销/制造
    智能营销解决方案
    智能制造解决方案
    平台研发中心
  • *留言
NEWS CENTER

新闻中心

当前位置:首页 > 加入我们 > 新闻中心 > 引领智造新时代——数策主办汽车大数据创新先锋智能制造研讨会

引领智造新时代——数策主办汽车大数据创新先锋智能制造研讨会

2018 / 05 / 02
阅读:4483
来源:原创

(上海,2018年5月2日) 近日,  2018汽车大数据创新先锋智能制造研讨会在成都举办。这场口号为“引领智造新时代”的专业研讨会,由国内领先的汽车大数据解决方案提供商上海数策软件股份有限公司主办,这是自数策在2017年9月创建“汽车大数据创新先锋”专业交流平台之后的第二届主题会议。在本次研讨会上,来自国内知名汽车企业、科研机构、媒体等三十余人,与数策专家们一起围绕汽车智能制造领域备受关注的话题展开了活跃且深入的研讨交流。

 

数策董事长兼总经理张椿琳在欢迎辞中指出:“汽车大数据是一个巨大的战略宝库,如何运用制造大数据提升汽车行业的生产制造水平、改变经营业务模式、提升消费者体验,乃至推动智慧社会的发展,这些都是汽车行业同仁共同面临的机遇与挑战。”



精细化销售分析与预测

 “什么是销售预测的“最佳实践”?首先,要根据汽车行业的产品体系和生命周期来做预测;其次,对于销售影响最大的就是各种类型的事件:促销事件、模型年切换、竞争对手的冲击等,数策将这些事件积累成一个制定销售预测的“武器库”,用于销售调整和冲击预估。”

 

数策合伙人、智能制造解决方案总监王亚中在研讨会上做了第一个主旨发言《精细化销售分析与预测》。他指出:“销售计划对于厂商整个供应链起到至关重要的作用。如果销售计划做得不够精细,首先,从大区到小区到经销商端的铺货就会不准确,客户进店后没有现车或者是需要等待很长的时间,最终造成客户的流失;其次,财务部门对于公司预算和利润的测算也会产生偏差;而对于市场部来说,产品的竞争力就会下降,最终导致市占率的下降;再者,也是最严重的问题,整个供应链的下游,包括工厂的制造、物流、零配件供给都会被牛鞭效应所影响,造成供应链的成本压力。”


数策专家和与会者就汽车智能制造热议话题进行深入探讨与交流


由此,做出精准的销售预测对于车企意义重大。谈及销售预测的“最佳实践”,王亚中认为:首先,要根据汽车行业的产品体系和生命周期来做预测;其次,对于销售影响最大的就是各种类型的事件:促销事件、模型年切换、竞争对手的冲击等,数策将这些事件积累成一个制定销售预测的“武器库”,用于销售调整和冲击预估。这些“武器库”分别是价格因子、产能因子、政策因子、改款因子、促销因子、竞品因子、宏观经济因子。除此,王亚中还强调:“销售预测是一个不停的迭代过程,数策会反复检验预测准确率来提升模型的质量。”

 

要让整个供应链稳定,销售计划只是第一步,后面还有很多的计划要做,比如生产计划、入厂物流的运输计划、库存计划、排产计划,以及出厂物流的计划,所有这些计划其实都是基于销售计划来指导生成出来的。数策在多个OEM供应链的不同计划部门做着不同的优化。

 

王亚中还向与会者介绍,数策在构思一个整体优化方案,通过一个统一的优化引擎完成所有供应链上的整体优化,从这个统一的优化引擎出发,为各个业务部门制定业务关联和限制条件,当其中一个点发生问题,迅速从全局求最优解,并且发布下去,从而保证整个供应链最优的目标。

 

基于大规模定制化制造的产销存一体化

“通过构建企业中台,打通消费者与车厂的壁垒,平衡销售端的需求和制造端的约束,这就是数策所设想的产销存一体化1.0。未来,我们还要通过线上数据去优化产品结构,深入洞悉供应链,以提升供应链的执行力,完成向产销存一体化2.0的转型。”

 

大规模定制化制造模式是近些年车厂创新的重要方向。一方面,依托大数据、云计算、物联网、移动互联网,客户可以直接参与到产品生成的全过程中,同时,制造端能够通过柔性产线、模块化采购及先进机器人等快速响应客户需求,让个性化需求更高效地转化为现实。大规模定制化的核心是和用户互联,目的是实现高精度下的高效率。高精度指的是客户想要什么,工厂就生产什么;高效率指供应链能够高效响应销售端的个性化需求。

 

在本次智能制造研讨会上,数策专家指出:实现大规模定制化下的产销存一体化面临“三座大山”,即:自由化程度较高的配置、较短的交付周期、供应链局限。这三点相互矛盾、相互影响,构成了实现大规模定制化模式的主要阻力。

 

这“三座大山”两端承接着销售端和制造端的需求。对于销售端,肯定想要实现较多配置选择下的较短周期,同时整车库存尽量低,或者说整车库存周转率越高越好;制造端主要想去保证稳定的生产节奏和尽可能低的零件库存。如何找到一个支点,使这个天平不偏向于任何一方呢?这就有赖于一个能够承接销售端需求的同时,充分考虑制造端约束的企业中台。

 

这个企业中台一头连着销售端需求,另一头连着制造端的约束。具体来说销售端需求主要就是指电商订单、备库订单及中长期预测;制造端约束主要指物料、工艺及日历班次限制。离开了制造端约束谈销售端需求无异于为客户许了空头承诺;离开了销售端需求谈制造端约束和闭门造车相差无几。这个企业中台主要做的是两件事,一是生产计划的制定,二是供应链的跟踪。

 

通过构建企业中台,打通消费者与车厂的壁垒,平衡销售端的需求和制造端的约束,这就是数策所设想的产销存一体化1.0。那么未来呢,数策认为,我们还要通过线上数据去优化产品结构,深入洞悉供应链,以提升供应链的执行力,完成向产销存一体化2.0的转型。最后,我们要通过搭建标准化的供应链数据整合与交流平台,让用户的需求通过企业中台和供应链平台直抵下游供应商,缓解用户需求的延时和不准确导致的牛鞭效应,也就是我们设想的产销存一体化3.0

 

质量早期预警

“质量问题预警的意义从两方面来说,一是由于问题提前发现提前解决,可以减少受影响的车辆数目,直接节省质量问题成本,间接可以提高客户满意度,提升品牌形象;二是给管理层和工程师提供未来质量问题发展的参考,合理安排问题的优先等级,提高工作效率。”

 

质量早期预警是指提前发现未来可能爆发的质量问题,从而可以尽快解决问题。预警所谓的提前,是在某个时间点预警指定对象继续服务一段时间后可能会爆发的问题,这个对象可以是整车,可以是供应商,也可以是零件。质量问题

 

预警的意义从两方面来说,一是由于问题提前发现提前解决,可以减少受影响的车辆数目,直接节省质量问题成本,间接可以提高客户满意度,提升品牌形象;二是给管理层和工程师提供未来质量问题发展的参考,合理安排问题的优先等级,提高工作效率。

 

那么质量问题预警对于整个质量业务来说有什么样的意义呢?质量业务分布在厂内厂外多个部门,厂外主要是在经销商端,厂内则从设计到供应到生产到售后,其中重要的一块是质量分析,目的在于发现问题和预防问题,它们和解决问题一起构成了质量改进的一个闭环。质量预警属于质量分析的业务范围,可以优化现有的业务。

 

根据数策的经验,车企做质量预警需要历经三个阶段:

 

第一步,无论预警哪块的质量问题,都需要有准确的指标计算作为基础。这个指标可以是简单的数目统计,也可以是复杂的权重叠加,但不管是什么方式都是可以客观评价质量问题表现或者严重程度的。

 

第二步,是通过自身的历史数据构建预警模型,重点在于根据不同的历史数据以及不同类型的问题,选择适当的模型。这里数策建议从售后质量开始,原因在于相比较其它业务的质量问题,售后是直接面向最终客户的,质量问题不仅意味着索赔成本,还可能造成巨大的经济和形象损失,所以质量预警在售后质量的重要性和紧迫性更高。

 

第三步,考虑到一些突发问题很难通过历史数据进行预测,所以需要结合其它业务点的质量数据,特别是舆情、生产设备、车联网等数据,这些数据的特点在于时间比较早或者数据质量很高,可以更加准确且全面地预警质量问题。


大数据助力零配件库存管理 

“要能够准确地刻画出物料生命周期的情况,其实是对主机厂信息和知识积累的一次大检验,我们需要非常多维度的输入:最直接的是配件的销售历史,不同时间、车型、地域;其次是车主刻画:有多少车主?其中多少流失了?他们都需要什么?还要有质量估计:这个平台的质量情况是怎样的?这个供应商的情况是怎样的?配件的失效周期是怎样的?

 

2014年之后,售后市场不再有国家法规品牌壁垒的保护,更多的后市场服务商进入其中。为这个市场带来的活力,也带来了严酷的竞争。虽然他们在服务范围上还无法与以主机厂为核心的体系比较,但他们依靠更灵活和先进的供应链服务和管理工具,迅速占领了一部分市场(主要是保外部分)。优秀的供应链管理,以及库存管理不仅仅是服务的要求,也是这个竞争环境对主机厂及专营店提出的必要条件。


然而,零配件库存管理面临很多挑战。数策的数据科学家顾恩君指出:首先,售后库存管理的难度和困难首先在于它的难以预测性,客户总是多变且难以琢磨的;其次,通常主机厂建立的是树状的供应链结构,一个供应节点对应下面的诸多子节点,供应链在纵向上的能力通常比较强,而同一级别的节点横向之间几乎处于孤岛状态。最后,上下游步调不一致,经销商想少备货,主机厂也想少备货,供应商也想着成品库存少一点。要解决好售后配件管理的问题,需从三个方面入手:经销预测存管理、区域优化(横向的源再分配),以及全链条供同。

 

在谈到构建全生命周期的配件库存优化时,顾恩君表示:对于上游来说,做好和供应商之间的协同,厂商主要做好两件事情:一个是对外的,主要是通过KPI的设定,约束供应商行为,使得他们的产出可控;二是对内的,只有主机厂可以收集到完整的关于其品牌售后市场的所有数据,对于主机厂而言,与供应商协同的另一个关键,是能够完整、准确地刻画物料整个生命周期情况,并形成主机厂的仓储策略,同时与上游沟通。

 

要能够准确地刻画出物料生命周期的情况,其实是对主机厂信息和知识积累的一次大检验,我们需要非常多维度的输入:最直接的是配件的销售历史,不同时间、车型、地域;其次是车主刻画:有多少车主?其中多少流失了?他们都需要什么?还要有质量估计:这个平台的质量情况是怎样的?这个供应商的情况是怎样的?配件的失效周期是怎样的?

 

“这些都是可以引入的信息,这是大数据技术赋予我们这样做的可能性。若干年前有一家车企,它下辖4000余个销售网点,它使用了当时最好的商业统计平台,仅使用销售历史数据,对所有节点做了一次计算和优化,花了整整2天。而近年的大数据技术的进步,实现了计算能力数量级的提升,已经为我们提升业务水平做好了铺垫。”顾恩君满怀信心地说。