02
求解器，我们用6年走完国外数十年的路
科技行者：既然说到了求解器，我看咱们公司介绍说在打造中国首个商业求解器“Cardinal Optimizer”（COPT），所以求解器的价值含金量有多高？
苏广俊：打个比方，求解器就像电脑里的CPU一样，专门做一些复杂的、抽象的运算，帮助我们去做一个更快更好的求解结果，企业供应链计划里用到的决策，就调用这样的求解器去算得更好更快。
求解器的含金量，从它的技术难度去看，在杉数的求解器落地之前中国没有一家提供底层求解器服务的公司，基本都被欧美巨头垄断，像IBM、Gurboi等等，巨头们也是经过几十年沉淀才能把研发成果转化成商业结果，这是很漫长也很复杂的道路。
更细化去看，一个好的商用求解器，里面最起码有百万行量级的代码，所以它的含金量和技术难度是很高的。同时，基于求解器的ToB服务那可能是一个千亿甚至万亿市场。所以我们有一个底层核心求解器，再在上面搭建一些面向企业的ToB服务，为客户提供端到端的智能决策技术平台。
科技行者：这里有个疑问，咱们是新创公司，像你所说的海外巨头们可能已经有很长的历史沉淀，所以咱们在这个领域和海外同类公司相比，是什么水准？
苏广俊：求解器有很多细分场景，包括线性规划、非线性规划、混合整数规划等等。在线性规划的场景里，我们已经能够做到国际领先，甚至超越求解器老牌品牌。
在混合整数规划的场景里，我们也已经做到与世界水平同步，当然在这块老大哥还是Gurobi，不过我们在效率上和Gurobi基本在同一个量级，这很不容易。举个简单例子，一般开源的混合整数规划的场景相比于商业的求解器差的不是一个量级，商用求解器1秒能解出来，一些开源的可能要10秒甚至100秒。现在我们自己的商用求解器和Gurobi相比，如果他们1秒能解决，我们只用2秒或3秒，已经缩短在一个量级去PK了，我们用了6年能够赶超对方几十年的东西，确实很不容易。
【官方资料指出：杉数求解器“Cardinal Optimizer”自从2019年5月首发起，一直长期占据线性规划LP测评榜首的位置。其中单纯形法Simplex求解器从2019年5月17日起至今的3年多时间里，超过70%的时间占据测评第一。】
科技行者：我可以认为杉数在国内求解器领域是开拓者的角色吗？
苏广俊：是的，在我们商用求解器发布之前，所有中国企业要用这样的求解技术，只能去采购欧美巨头的服务，在现在比较紧张的中美局势和国际形态下，拥有自主可控的国产替代技术，是一个很重要的点。
杉数的COPT确实填补了国内求解器领域的空白，我们对未来充满了信心，因为对于大多数比如说石油、航天、电力等等这样非常关键的支柱企业，都在呼唤新的国内竞争替代者，我们在这些领域也有落地。大环境趋势对我们至关重要，也对我们有积极影响。
03
供应链要转型，底层是求解器，上层是供应链场景优化
科技行者：我们再来细看杉数的三条业务线，其中有两条都是围绕供应链智慧化做突破，为什么始于供应链？
苏广俊：首先，这是一个很好去发挥我们底层的求解技术的场景。此前国内国外大多数提供“供应链计划”或者“供应链优化”的服务，其实都要依托于底层的求解器核心，但目前，全球还没有一家企业能够真正把底层的求解技术和上层的供应链优化应用结合在一起，在我们这里是自然而然也是势在必行的。
我们给某ICT行业巨头做项目就碰到了类似的问题。在我们接手客户项目之前，也有类似的国外企业给该企业提供服务，他们有自己供应链优化的应用，但没有底层的求解器核心，是采购的国外求解器，后来碰到超大规模问题，他们解不了，如果要解决就得打开国外求解器的核心，去专门为这个问题做定制。显然这服务如果不是一家公司去做，这事就没法完成，也不能为客户提供更好的服务。基于这点，杉数是秉承着为客户提供更好的服务出发，去完善我们的服务矩阵。
第二，刚才讲求解器是一个很专的市场，但在国内需要应用的场景有很多，像能源电力、石油石化、航空航天等领域，仍有不小的市场。同时基于求解器去搭建相应的应用，它的市场体量就会更大。所以我们采用“两条腿走路”的服务形式，既有底层的求解技术，也有面向客户具体场景提供的供应链优化。
科技行者：能不能简单说说，不够智慧的供应链和智慧的供应链，之间最核心的差别有哪些？
苏广俊：不够智慧的供应链，第一都是基于规则、人工经验、甚至通过一些吵架最终达成决策共识。第二没有办法充分发挥企业内部的数据价值，无法知道做完决策后究竟对业务效率有怎样的提升。所以很多企业只是基于经验去管理供应链。
智慧化的供应链，相比于传统的供应链，有几点优势：
第一它能够做到「数据驱动」。现在很多企业的数字化基础做得不错，流程化也能比较标准管起来，下一步就是要去做供应链的智能化升级，很重要一步就是怎么更好利用这些数据，驱动我们做更加量化、更加优化的决策。
第二它能让整个决策变得更协同、更敏捷。现在做决策，可能由原来的开十次会，变成几个部门统一看到同样的数据，用数据说话，用我们一些智能的决策辅助达成大家的决策共识，这就提高了决策的协同度和效率。
第三，相比传统供应链，智慧供应链更关注KPI的提升。现在因为成本压力，很多企业挑战很大，只有通过数据和技术帮助降本增效，才是智慧的供应链。
科技行者：要不顺着这个回答给我们讲一个供应链方面的具体案例吧？相信你肯定经历了很多客户现场。
苏广俊：给你讲一个我自己带队完成落地的项目。
这个客户是一家全球连锁的咖啡品牌，在中国有四五千家门店，原来它们的供应链管理模式，都是把货摆在货架上，如果要补货，都靠人工，店长每天下班花1-2小时去做后续几天的补货计划，这就没办法考虑到天气、人流、周围活动等等的影响，导致补货不准。补货少了，客户去门店买东西总缺货；补货多了，就造成了门店浪费。
我们的设计分两步，先预测，再自动化输出。具体来说，先结合它的历史销售数据、周边人流分布、活动分布、天气变化等，去搭建一个智能预测引擎，来预测接下来几天有多少人来消费、多少杯美式、多少杯拿铁、多少个面包等；然后再把所有流程自动化，要备多少库存、盘点所有库存，店长要做的就是盯一下，保证客户的订单满足率，同时也能降低他们的鲜食浪费。
我们的这个方案已经在他们全国绝大部分门店推广，每年帮他们降低鲜食浪费率达到千万级别，预测的准确率也能提升10%，店长满意度很高。
这是我们的供应链智能化转型案例之一，落地非常有效果，真的能够带来真金白银的提升。这也是不断激励着我们杉数继续在这个行业里做下去的最大动力。
科技行者：这个案例让我想到之前了解的一些新零售案例，它们也是强调通过一系列智能化手段让商超、门店和商家降本增效，用货架上的智能价签、电子屏幕、门店的摄像头传感器，去对接门店后端ERP系统，门店在后台看一目了然，知道货架是不是该补货了。咱们的商业求解和这些做法有什么不同？
苏广俊：区别在于我们的案例更关注在供应链端的预测、库存、补货层面。
不过您提到的摄像头采集数据，也是我们做智能决策很重要的基础，通过不同的物联网或者摄像头手段获取一些更精准的数据，是智能决策的前提条件。
举个例子，我们给客户做预测补货，要实时做商品盘点，有一部分是通过智能摄像头去盘点库房里的存货，确实能够通过这样的手段拿到数据，再反馈到我们的智能决策系统里，再自动化输出应该补多少货。
科技行者：很多做ToB的企业都反馈，生意是有的，但是定制化开发太多，我们这个领域批量化应用程度怎么样？
苏广俊：两三年前我们一直在探索阶段，所以以定制化为主，但现在找准了行业和场景之后，我们已经有比较成熟的标准化产品和方案提供服务了。
但是，既然我们做的是ToB，就没有办法百分之百标准化，因为越标准的东西可能越没有办法去解决一些客户的特定诉求，所以客户现在有60%-70%都是能够在标准方案里满足，30%-40%还需要根据头部客户诉求做定制。不过，这是比较合理健康的ToB服务方式了，强大的产品辅以定制化的方案。
科技行者：我们现在看落地的情况已经很成熟，但是任何一项技术刚开始推广，或许总有不被理解的时候，咱们在国内推自己的求解器软件，会不会遇到类似的问题？客户觉得你这个事情能做好吗，或者你这个技术到底可行性如何，咱们是怎么去说服客户的。
苏广俊：首先，我们在行业拓展或者客户选择上，一开始定位的是头部客户。头部客户对这些技术的理解相对更好，所以说服他们没有技术上的错配，他们更关注效果，我们就拿KPI、拿数据说话，最终我们在一些场景做POC去印证效果确实是好的，保证达到怎样的KPI提升，如果达不到就关联最终付款，这样既让头部客户放心，从侧面也能展示我们杉数的底气。
现在，我们也在推广一些腰部或者小型客户。这些客户确实对这样的技术理解会欠缺点，这时候我们基于服务头部客户的案例成果来展示，一般通过这样的“头部效应”，其他客户也会放心。这是我们打开市场的一个策略。
科技行者：从刚才的谈话中我发现，要更好的应用求解器，数据永远都绕不开而且非常重要，那么客户究竟要做哪些准备，来给自己打造一个更优质的数据基础？
苏广俊：一方面，现在很多企业都已经上了一些ERP系统，我觉得这是最基础的，企业运营过程中，数据是要留痕的，通过数据运营企业，这是我们做决策智能化很重要的基础，这也是我们没有办法去逆转或者去帮助他们做的事情，因为已是常态。
另一方面，现在有很多数据搜集的手段，有时候我们用到一些细颗粒度的数据，随着物联网的成本下降，企业以及应用方案的广泛性，数据质量确实也不错。所以现在最起码一些头部甚至有潜力成为独角兽的腰部企业，数据质量都不错。
04
未来你如果不懂这些技能，就相当于“文盲”
科技行者：我那天在看公司资料的时候，发现有一个关键点是运筹学，“运筹”这个词也是高频出现，据我所知运筹学是非常难的学科，它和求解器之间有什么关系？
苏广俊：运筹学是一门学科，求解器就是在这门学科里发展出来的工具，因为运筹学就是要把真实世界里面发生的事情变成一个数学模型，之后把数据放进去求解一个最优结果，求解器就是做这样一个结果求解的工具，两者是这样的关系。
科技行者：这么一说就相当容易理解了，你曾经引用过斯坦福大学Garth Saloner 教授一句话，他说“If you’re a Stanford MBA student head over to the Engineering School and learn everything you can about AI, deep learning, automation. Now. ”，他会把AI、深度学习、自动化这些技术作为重点，从你的角度怎么解读这句时不我待的观点背后的大环境？
苏广俊：10年前或20年前，你在企业工作，一定要懂Excle、懂PPT、懂各种信息化的系统，那么现在或未来推行人工智能做智能决策的时代，你一定要懂机器学习、运筹学，企业未来都是按照这样的套路或系统支撑运营，如果你不懂这些就没办法在企业生存。
在我们这里或者在一些非常前沿的头部客户那里，这个趋势已经有苗头，他们有专门的技术结合业务的双重严格要求的岗位发出来，他们招这种人才去更好使用AI系统。从产业端看也是这样的趋势，而且这样的趋势不可逆转，未来你不懂机器学习、人工智能等等，很有可能你就是三四十年前的文盲。
我在斯坦福上学的时候深有感触，我们工程学院里技术专业的课，有很多斯坦福MBA学生来听来看，他们投入了很大精力。甚至有一些课程，MBA学生的技术和编程能力比我们一般的工程学院学生还强，所以这确实是趋势。
图：苏广俊生活照。
科技行者：感觉大家都很卷。
苏广俊：挺卷的，我们和一些客户合作，像雀巢、宝洁、好丽友等等，它们现在的IT团队已经不再像五年前十年前的IT团队，只是修修电脑，做做系统运维，现在他们的IT团队深度和业务绑定，他们也招一些算法工程师，帮助他们去做业务的变革和日常的运作，这个趋势确实已经在一些头部企业蔓延了。
科技行者：作为杉数科技解决方案副总裁，你虽然是技术出身，但接手的很多解决方案都非常落地，这其中肯定接触了大量的行业，你如何快速了解不同行业背后的商业本质和运作特点？
苏广俊：很重要的第一点是，我们一定要知道自己能做什么，以及不同行业之间的相同本质是什么。如果像无头苍蝇一样什么行业都进去，是很难真的去理解里面的东西的。
我做的就是供应链优化，虽然不同行业有区别，但是在不同行业之间也有相应的借鉴，随着你越做越深入，你会发现底层的本质越来越像。有可能我刚开始接触了两个行业，再去拓展一个新的行业会觉得蛮难的；随着我接触了更多行业，再去拓展下一个行业，只要明确我做的是同样的场景，只是变了一个行业，那懂行的速度就会快很多。
专注一些场景再去拓展一个新的行业，是很重要的一点，不要进去一个行业什么都能做，这时候你整个拓展行业的速度就会很慢，因为人不是万能的，要么你在场景扎得深，要么在行业扎得深，你在场景扎得深的时候再去拓展其他的行业的相同场景，它可借鉴的东西是很多的。
第二，进入一个新的行业一定要保持谦卑的态度。每一家企业每个行业都有它特殊的地方，我们要保持谦卑，向他们学习，不是被它牵着走，而是有自己的见解，有自己总结的经验，双方有这样的信息交换，在我来看是很重要的。既不要太高傲认为我们就是最好的，也不要卑微地说我们一定要听你们企业内部的东西，要找到一个好的平衡点，才更有效拓展新行业、新客户。
科技行者：再问两个轻松的问题。我发现“杉数”听起来有点基业常青的感觉，咱们公司的名字是怎么来的？
苏广俊：我们四个创始人都来自斯坦福大学，斯坦福的校徽就是杉树，所以取了杉树的“杉”；“数”，是指数据科学，因为我们做的是数字化、智能化的技术，我们也希望用数据为客户提供智能决策服务，所以取名“杉数”。
科技行者：最后关于个人，日常有什么喜欢的书、电影或音乐推荐吗？
苏广俊：我平时看书不算多，基本两个月看一本，最近我刚读完《李光耀观天下》，挺有启发，讲一个弱小的国家怎么找准自己的定位，在强国林立的国际社会上找到自己的一席之地。它里面的智慧，能够放在日常公司的运营中，真的和我们杉数处境蛮像的，现在我们做的不管是求解器还是智慧链，在国外我们有非常清晰的对标公司、产品和服务，这些企业都经历了几十年发展成了行业里的巨无霸，现在我们需要学习他们的智慧，怎么才能在国际的巨头和中国巨头里更好生存，并且能够找到自己的话语权，这本书挺好的。
科技行者：这本书我读完后，瞬间变成了李光耀的粉丝，里面对各国的解读也是很到位的。
本文地址：https://sicmodule.kub2b.com/news/13558.html
企库往 https://sicmodule.kub2b.com/ , 查看更多