一、企业简介

       惠州市德赛西威汽车电子股份有限公司（简称“德赛西威”）（深交所A股代码002920），成立于1986年7月，前身是国有大型企业惠州市德赛集团与国际跨国集团公司西门子的合资企业，2010年3月德赛集团收购外方股东全部股份。公司位于广东省惠州市仲恺国家级高新技术产业开发区，占地面积约10万平方米，现有职工人数约6000多人，其中研发人员2800多人，并在国内外多地建立了研发机构。

       公司注册资金55000万元，主要控股股东为国有控股企业广东德赛集团有限公司，公司的最终控制方是广东省惠州市人民政府国有资产监督管理委员会。近年来公司荣获人工智能方向的“国家智能制造试点示范”、“国家知识产权优势企业”、“中国制造绿色工厂”、“广东省供应链管理示范企业”、“广东省创新型企业”、“广东省车载电子工程技术研究中心”、“广东省工业设计中心”、“广东省企业技术中心”、“广东省战略性新兴产业骨干企业（智能制造领域）”等认定。公司一贯秉承质量优先的原则，注重全面质量管理，先后通过了ISO9001、IATF16949等质量体系认证，公司实验室通过了CNAS的认证。
 
二、企业在智能制造方面的现状

       近年来，德赛西威不断推进智能制造的实践探索，通过统一的数字化规划，形成数字化建设框架和推进路线，逐步实现数字化制造和管理升级目标，并在2023年12月获得由“中国电子技术标准化研究院”颁发的智能制造能力成熟度（CMMM）四级认证证书。

       截至2023年底，公司以业务价值为导向，已完成PLM、ERP、SRM、QMS、WMS、MES、BI、OA等系统的建设，覆盖需求、销售、研发、试验验证、制造、采购、物流、服务等产品全生命周期管理的信息化系统，并完成了核心系统之间的有效集成，全面提升了企业的内部管理水平，促进了企业的内部流程变革，使得企业的业务运作更加规范，核心竞争力得到进一步增强。

       此外，公司在推进智能化制造过程中，全面推行精益生产理念，通过PDCA循环持续不断地改进，实现减少浪费、降低成本、提高生产力和产品质量。在引入和创新改造工厂机器人和智能设备方面，每年都加大对制造自动化和信息化的改造投入，确保德赛西威智能制造走在了行业前列。

三、参评智能制造项目详细情况介绍

       1. 项目背景介绍

       该项目基于制造业中供应链管理的两个核心环节：需求计划和库存管理，深度介绍了一套数据模型的应用创新，包括客户需求的预测、周转库存水位控制、安全库存合理设定、服务水平匹配、提前期规划等内容，这对制造业企业的运营效率、成本控制、客户满意度和市场竞争力都有积极的影响。同时，我们结合供应链上下游的多方协作的特点，针对数据模型应用过程中的数据持有权、使用权和经营权，设计了一个在数据要素市场流通的机会模式。

       1.1 业务痛点
 
       1.2 数据来源

       在供应链需求预测和库存计划构建分析模型前，需要准备整车厂客户给予Tier 1供应商的需求计划数据和Tier 1供应商产成品的客户提货数据，这两份数据分别反应了整车厂的预估需求和真实需求（历史），具体说明如下：

       1）整车厂客户需求计划数据为整车厂根据自己的装车计划、产能情况等多条件给予上游Tier 1供应商的计划数据，需要Tier 1供应商根据这份数据进行备料、备产能，在实际的供应链执行中，双方力量博弈下，整车厂往往只会给予Tier 1供应商一个预估的数据，而不会进行订单的下达，数据预测的不准确风险由弱势一方来承担，即Tier 1供应商。预测多了，仓库里多了一堆没用的库存，预测少了，导致整车厂停线而面临巨额索赔。
 
       2）整车厂客户提货数据为Tier 1 供应商实际生产完成后，整车厂实际产生的提货行为数据，该数据是真实反应了整车厂最终真实的需求，通常与整车厂预估的需求计划数据存在差异。
 
       2. 项目实施与应用情况详细介绍

       2.1 业务痛点方案输出

       针对业务痛点1，需要在Tier 1供应商中建立正确的安全库存概念。针对业务痛点2到5分别构建数据分析模型:
 
       1）安全库存概念

       安全库存不是一定天数的库存，而是应对周转周期内需求波动和供给波动而准备的库存，安全库存不等于“绝对安全”，而是一定波动范围内的安全。

       2）需求与周转库存预测

       针对客户需求计划数据，通过时间序列算法进行预处理，预处理后，使用指数平滑算法做短周期预测，再基于预测结果根据库存周转提前期天数计算得出周转库存数据。具体步骤如下：

       （1）时间序列算法进行需求计划数据预处理

       结合企业实际情况和汽车行业规律，整车厂通常需要提前一段时间给出需求计划数据，方便Tier 1供应商物料采购、产能规划等，我们以3个月为例，供应链协同的颗粒度一般为周，把3个月转化为周，即有13周的客户需求计划数据。整车厂通常会定期在当月底提供未来三个月的需求计划数据，但会存在部分月份提供数据有所缺失的异常情况，举例如下：
 
       当整车厂提供的客户需求计划数据出现上表所示类似的缺失情况时，例如3月底只提供了4月和5月的需求计划数据，没有6月份的数据。为了满足周颗粒度的数据，此时先将月拆解为周后，再使用时间序列算法填充6月份中缺失的4周需求计划数据。
 
       （2）指数平滑算法做需求预测，指数平滑的过程如图5所示。
 
       结合汽车行业数据特征，为了使预测的准确度更高，对指数平滑法进行改良，将整车厂的自主预测需求作为影响因子之一加入到公式中，其中α+β+γ=1。

       （3）由上述两步Tier 1供应商预测出了周转周期内的整车厂需求，为满足该需求，周转周期内的库存计算公式如下：

       周转库存 = 预测的整车厂需求 * 周转周期T    

       3）安全库存建模计算

       根据周转周期T，D(T)即为在周转周期内需求的总量，因为周转周期内的需求波动具有随机性，所以D(T)是一个随机变量。此时需要用标准差量化因需求波动产生的偏差，为应对偏差，需要额外的安全库存来应对缺货概率：

       （1）缺货概率的大小决定服务水平的大小，如只忍受10%的缺货率，即服务水平为90%，客户提货100次，能满足90次；

       （2）缺货概率决定所需安全库存的量需要满足多少倍的标准差，这个倍数即为z。

       安全库存的整个数学推导过程涉及《概率论与数理统计》相关数学知识，包括概率、频率、概率分布、方差与期望的性质公式、大数定理、样本方差与方差、条件概率、条件方差与条件期望的含义

       4）推荐库存水位建模

       通过对历史的库存水位进行建模计算，评估库存能力，以此为参考依据设定服务水平，同时评估历史设置的库存水位是否合理。推荐库存水位建模主要分为三个步骤（历史安全库存计算、历史周转库存计算、根据历史库存水位情况设定合理服务水平）：

       （1）历史安全库存计算

       （2）历史周转库存计算

       （3）根据历史库存水位情况设定合理服务水平

       5）再订货点模型

       基于上文得出的周转库存与得出的安全库存建立再订货点模型。当库存消耗使得库存水位降到更低的库存水位时，这一刻的库存水位无法满足预估的整车厂客户提货需求，会产生缺货的风险，此时需要启动补货，启动补货程序的触发点即为再订货点，再订货点=周转库存+安全库存。具体补货条件触发如下：

       当 “在途库存+在库库存＜周转库存+安全库存” 时，启动补货，生成一个补货请求，理想情况下 “补货量=周转库存+安全库存-（在途库存+在库库存）”。
 
       2.3 效果数据展示

       在私有化部署的大数据中台工具上完成模型的实施，各模型的DAG图如下：
       
       实际运用结果，在计算历史推荐库存水位后，需要跟历史实际库存水位做对比，如图11所示，可清晰看出该成品过往库存水位过高，采用模型推荐的历史水位即可满足当时的服务水平。其中 model_stock为模型推荐库存水位，safety_stock为安全库存，actual为历史实际库存水位。

       以具体的某个料号来进行模拟，该料号半年内的平均库存实际现状是511，通过模型计算，在满足相同服务水平的前提下，平均库存可优化降至315。
 
       3. 效益分析

       1）面向整车厂A某外地仓
   
       2）面向整车厂B某外地仓