PART 01 排线的发展进程
传统的排线，全部依赖调度人员的经验：
画格子→分单子→搞线路
传统有经验的调度员会根据待配送的客户地址，划分成不同的片区(图中每一个格子代表一个片区)。再把每一天要配送的订单，根据地址信息，放在对应的格子里。最后司机通过格子里的门店地址去决定每个门店的配送顺序。
在这个传统的排线过程中，非常依赖于人工经验：一是格子划分是否合理，二是当某片区业务波动增长或减少时，要考虑是否合并或拆开格子。
排线的初步数字化：
地图标记客户地址→将画格子经验变成电子围栏→把线路的顺序经验变成电子路书→订单自动匹配
通过将格子搬到系统里后，就完成了每一个客户的位置与电子围栏的关联。再根据经验，将每一个电子围栏里的客户配送顺序编号。这样当生成订单的时候，司机只需要按照经验去跑这条线即可。但这个模式，仍然无法应对突发情况，例如门店数增加了、货量变化了、有促销活动等，因此仍无法快速灵活的调整线路，提升车辆的利用率。
智能排线的实现基础：
满载率&时效性&里程数&成本 综合最优方案求解
整个计算的过程，就是将运输需求、运力资源及配送的约束条件放在一个模型中去进行运算，最终去追求装载率、时效性、里程成本的最优，从而给出订单和车辆资源合理安排的最有配送方案。
PART 02 智能排线核心价值及实践应用
智能排线的核心价值
挖掘技术数据，将经验数据化
连接上下游系统，建立实时数据连接与反馈
智能排线的价值与意义(以每天2000家门店排线为例)
真实案例产品演示
第一步，通过订单信息可以看到发货区域、收货区域、要求起运的时间、要求送达的时间，以及数量、重量、体积等关键因素。
第二步，通过车型去选择车辆资源，例如 6.8米、4.2米的车辆等，接下来通过配送模式、提货模式、体积、重量、满载率、......等具体的约束条件和参数，去选择成本最优或里程最优的优化目标。
第三步，根据调度排线的要求，算法进行大量运算，给出最优的排线方案。
第四步，可以通过系统地图，看到一个完整的调度结果，例如生成了 25 条线路，查看这些线路的满载情况、配送距离、时效、成本等，我们可以点击到每一条线路里面，去具体查看它有多少个门店要去配送，以及门店配送的顺序。甚至可以查看建议到达时间、建议离开时间等。
PART 03 AI调车
目标：构建数字运力池实现智能直采调车
构建自己的调车平台，盘活沉淀运力，逐步摆脱对信息部、调度的依赖 整合集团分公司所有沉淀运力，集中管理资源共享共用。
搭建数字化运力调车平台
第一个能力就是私域运力池，可以对每一个历史合作的车辆制作一个数字的身份证：该车辆能跑什么样的线路?擅长运送什么业务等。
第二个能力是结合车辆历史身份信息及参数，加上对运单的要求，做一个匹配的过程，从而筛选出更为合适的车辆来匹配某一个订单。这个过程也能够通过产生的合作数据，不断的优化该车辆未来被调度的最佳可能性。
第三个能力是通过AI 外呼的方式，一分钟内匹配出20~30个司机，并同时致电获得司机反馈的意向信息，从而建立一个高效的沟通方式。此过程还通过与司机还价过程的历史数据记录在系统中，最终形成历史运价库。
PART 04互动问答
Q1：智能调度的方案会涉及到客户系统和G7易流系统的对接，过程中的数据安全问题如何保障?
其实客户最担心的是关于客户信息的安全、保密问题，而在智能调度的方案中，如果是以接口的方式提供服务，其实我们并不需要客户具体的名称、电话、货物sku名称等私密信息，更加注重的是客户的经纬度信息，我们需要计算出在某一个纬度上今天有多少货量要送，计算满载率的重量或者体积。所以从这个层面来说，敏感信息我们会进行脱敏处理，数据安全方面不需要担心，如果我们抓取所有的数据，反而对我们算力会有损耗和浪费。
Q2：相同的参数多次调用，调用算法计算出的结果是一样吗?还是每次有所不同?
我们过去面临过这样的挑战，两次计算结果完全不一样，最终无法落地执行。在配送环节，或者在客户物流的末端环节，有一些客户的服务需要去考虑，所以我们在算法的迭代过程中非常重要的一个迭代，就是要能够基于过去已经算出来的结果作为参考，我们在历史排线结果上去做小范围的优化，而不是全局的推倒重来。当客户有变量因素进入的时候，我们会进行一次重新计算。计算时会结合历史的排线记录来满足客户需求。物流这个场景很“线下”，不能把它当做一个简单的数学公式去计算。
Q3：目前在服务哪些客户?效果怎么样?
我们正在服务的中国最大的城市配送客户是广州的美宜佳，该客户共有3万多家门店。在智能调度方面与美宜佳合作了很多年，我们在技术上提供了一些支持，帮助它在不断开店地过程中做出更好的物流配送的线路规划;在农牧行业，我们服务的企业客户是益客，它的核心需求是在提货模式上：客户需要精准地把养殖户的鸡鸭准时送到工厂，保证屠宰产线的作业平稳运行，这就涉及到什么时间去每个屠宰场提货，从而最终能够及时的运到工厂，就这个模式来讲，我们在益客已经做了相应的落地。无论在城配行业还是在农牧行业，我们服务了很多类似的客户。
Q4：AI 调车时，客服外呼的司机都是运力池沉淀的历史合作的司机吗?
是的。第一，我们先把沉淀的司机做了精准画像，再通过 AI 外呼的方式跟司机建立起连接的模式。客户有过历史合作，我们去计算是否匹配的时候都是有依据的。第二，有了历史的合作关系，再通过 AI 的方式联系司机时，客户与司机之间才会有信任关系的，同时能够大大提升调度成功的概率。因此，我们需要先帮助客户沉淀已有的运力池数据，才可以基于私有运力池做第一层的运力筛选和第二层的 AI 外呼触达。
Q5：智能排线的算法考虑车型路权吗?比如一线城市的车辆调度。
目前我们的产品都是在一线城市，对于整个路权的考虑来讲，有几个方式去解决。第一，我们跟一些第三方的地图厂商有数据上的合作。第二，G7易流本身沉淀了百万级的车辆数据，因此哪些车能够在路上跑，哪些不能，我们也去做了一些画像，这些画像是算法计算中非常重要的输入。在直播中demo演示的部分，可以看到是一个非常复杂的页面，有非常多的约束条件输入，这些是需要客户在使用产品前去做配置的，如果涉及一些特殊需求，也可以在那里面去做输入。
Q6：使用智能排线需要具备什么条件?
首先需要客户历史的基础数据，比如说要按照体积来计算装载率，那么就需要货物的基本体积参数。或者计算门店的一些要求，就需要门店的位置信息。在数字化板块，其实城配、农牧两个行业的客户走的都比较靠前，我相信这些行业的很多客户都已经有了这样的数据基础。另外，也需要跟大家强调，使用智能排线，并非一定要具备什么条件，而是要看清自己处在什么阶段，这个阶段适不适合上这样的产品。城配、农牧两个行业，其实具备两个特质，一是对于生产和运输计划的协调有更高效的需求，二是如果在扩张周期内，可能门店在不断地增加，或者客户在发生不断的变化。变量因素越多，通过传统的人工方式做排线，它就显得非常的低效，人工方式不能满足需求的时候，其实需要用上 AI 的能力。
Q7：智能排线贵不贵?小客户用不用得起?用完之后会有什么效果?能省人还是能减钱?
第一，假设有 200 家门店，现实中至少需要三名调度员，是个相对低效的过程。如果使用智能排线，系统把结果算出来，可能只需要安排一个人去看结果，人力成本肯定是有节约的，可以把更多的人力、精力投入到更有价值的工作当中。
第二，我们研发智能排线，还是希望能够跟客户的实际业务不断去进行碰撞PK，真正能找到可能优化的地方，比如少跑一点里程，或者说少用一台车。整体运费和车辆的节约也是我们非常重要的一个目标，我们很有信心，跟每个客户有实践、迭代的过程之后，能够找到降本的可能性。
Q8：客户从落地项目开始到最终能切换成用 AI 来帮它排线，大概需要多少时间?
与客户的门店数、业务量有关系。在落地项目的时候，我们可以跟客户一起去做测试和互动，期间不断地调优。大家不用有太多的担忧，这不是一个特别长周期节复杂的项目，大概一个月的时间就能从传统的人工排线进化到 AI 的智能排线。
