智能算法对汽车企业的C2M制造模式的影响

随着社会的快速发展，大众的消费需求越来越趋向于个性化。这种消费趋势对于汽车制造企业来说是机遇也是挑战。

汽车生产制造端的复杂程度极高，要适应大规模个性化定制的工业4.0时代转型，车厂需要在产品体系、营销模式、产销联动、交付体验上进行技术赋能，才能满足“产品交期节奏快、生产周期短、批量少品种多”的个性需求，初步落地C2M的崭新经营模式。

具体来说，首先，在产品配置方面，车厂提供对C端在线配车功能，使客户能够自由选择车系配置。在产品体系上，车厂从原先的工程定义车型销售配置转变为由客户选择配置，由后台工程规则来验证。

进一步，在营销模式上，车厂在线上同时提供透明交期功能，在客户下订单的那一刻， 后台实时计算所预订车辆的准确交付时间，通过交期可视化大幅提升客户体验。为了让客户及时获得准确的交期信息，我们需要增加后台预测模块，在客户选择配置后，快速分析物料、产能、运能等限制条件，结合生产计划及发运计划，为客户提供一个准确的交期范围。

紧接着，在产销联动层面，车厂需结合交期计算与排产规划，找到客户需求与生产计划的平衡点。对于这一点，我们可以增加智能排产模块，基于运筹学算法制定最优的生产计划。

简而言之，在C2M模式下，从客户体验的角度，客户需要实现从购车到交付全程透明化的可控体验。因此，系统能够支持在订单全周期实时在线连接客户与车厂，随时调用后台C2M算法引擎能实时计算，使得客户随时感受到交付可控的安全感。

在这些创新功能之中，最为核心，也是实现难度最大的就是生产规划排程的后台预测与优化C2M算法引擎。

目前车厂主流以MRP排程逻辑为主的排产排程系统在生产规划时，并未将企业的资源限制与企业目标纳入考虑，使得规划结果无法达到最佳化，甚至说不可行。而要实现C2M模式，系统必须应用先进的规划技术与方法，在进行生产规划时能够同时考虑到企业限制和目标，从而得出最优的生产计划。

车厂的生产计划制定面临多重限制，这些限制条件综合在一起，形成了一个庞大复杂的多维空间。如果要在C2M制造模式中实现个性制造与规模成本的完美平衡，就要求在这个复杂多维空间求得最优解实现均衡的生产计划。

从算法角度，就是将多维空间求最优解转化为数学问题来解决。通过对限制条件的分类可将其转化为一个运筹学算法问题，即在一组约束条件下寻求某一目标函数的最大(小)值。

经过我们在两家C2M先锋探索车厂的系统落地，现在可以很有信心地说，车厂C2M多维空间规划优化问题是属于可求出最优解的求解问题。

要得到客户体验的完美提升，仅仅优化求解是不够的，还需要从客户体验的角度设计一些配套计算步骤。比如，客户选择配置后，系统需要提供交付日期范围给客户，这就需要C2M算法引擎在有限的时间内根据所选配置，进行排期计算，得到最早下线时间和最晚下线时间，再加入出厂发运参数再次运算，这时客户就能在选车界面上获得交付日期的范围。

客户在这个范围内选择了交付日期后，C2M算法引擎还要做一次最优解可解性验证，确定插单是否成功。实现这个内核后，我们就能获得生产、发运各个具体环节的时间节点，接下来只要确保生产、发运过程的各个环节按时完成就可以了。

这块相对比较容易，开发内部生产的过程监控系统，通过可视化的进度监控与延误报警系统，我们就能够让从操作员到管理层的相关干系人参与到进度把控的过程中，齐心协力实现车辆的准时交付。

不难预见，准确、快速、高效地将智能算法引擎融合到C2M模式中，才能支持有效提升生产制造及供应链对市场需求波动的响应能力，缩短响应周期，降低库存，从根本上实现“以客户为中心”的个性化生产方式。