基于自建物流和众包物流的各自优劣势，在实际作业中，企业并不是非A即B的选择，有可能企业会以自建物流为主，同时通过众包物流来弥补运力短板;也有可能企业会以众包物流为主，再适当通过自建物流来保证特殊时期、特殊业务范围下的作业稳定性。

　　所以自建物流和众包物流针对不同企业、不同业务要求一定是各具优势，且可互为补充的。

　　IV. 自建物流结合咱们苏宁现有业务来看，是护城河还是高架炮?

　　答：对于苏宁来说，自建物流既是护城河，也是高架炮。

　　这个问题首先可以从苏宁物流现有的物流模式和作业范畴说起，目前苏宁物流是行业内较少的几乎覆盖了全物流业态的公司之一。苏宁物流起步于传统零售，最早主要作用是支撑门店销售的货物调拨;后又进入电商领域，同步支撑电商物流;随着新零售的崛起，且特别在2017年苏宁物流正式合并天天快递后，目前从仓、分拨、网点、门店、自提点的管理，到干、支、城、配的运输作业，再到同城配、无车承运人等多种业务模式都有涉及，物流已经融入到了苏宁集团各产业的方方面面。

　　在这样的背景下，苏宁物流已经成为苏宁集团各产业运作的基础服务，所以自建物流即可视作现有零售市场“防守”的护城河，也可以当作商业模式创新“突围”的高架炮。

　　“守”之护城河：通过自建物流稳固运营，提升服务质量。

　　不论是线下门店销售、线上电商销售，还是融合O2O的新零售，苏宁物流都起着业务运营基础保障的作用。此时只有通过自建物流才能保证物流作业的持续稳定性、服务质量及用户体验，此时的自建物流已经是业务运营、品牌塑造、市场影响的核心基础保障。

　　“攻”之高架炮：依赖自建物流拓展创新，积极应变市场。

　　在市场高速发展的今天，任何产业不创新就等于等待被淘汰。自建物流的最大优势之一，就是可以配合企业的战略方针快速调整，以苏宁物流为例，近年集团的主要方向之一就是布局线下苏宁小店的快速拓展，此时就需要物流快速实现对苏宁小店的作业能力支撑，包括对仓到小店的常温/冷链商品的调拨、将小店作为网点/自提点的能力改造等等。在此场景下，自建物流就似一把利剑，可以助力集团战略实施落地，快速拓展市场。

　　此外，自建物流还可以帮助企业进行创新，自建物流有一定的设备、人力、数据资源，且一般中大型自建物流也都会使用自研系统，所以通过经验和数据的积累，再结合自有业务需求，可以有针对性的进行产品的研发创新。

　　V. 从您的实践中，您觉得运输资源的调度符合帕累托最优么，如何寻找最优?

　　答：其实运输资源调度寻找最优一直是运输管理里面的一个难点，而帕累托最优更倾向于一种理想的状态。想研究这个问题，可以先从运力资源的组成来看。

　　目前运力资源基础要素可分为：司机、车辆、挂厢。若涉及到调度，则还需考虑到运力的归属，是自有运力、外协运力或是临时运力。且在做资源的调度规划时还需同步考虑运输的基础资源设置，如线路、站点设置等，当然运力调度的前提是作业需求，包括货量、时效要求以及一些外部影响因素。(如下图)

　　所以这里会涉及到一个算法模型的设计，我们有什么，目标是什么，约束条件是什么，想得到的结果是什么。且不同运输类型的情况也不同，干支线运输更多需要考虑多种车型的最优选择，且可能还会涉及车头和挂厢的匹配如何配置最优问题;辖区运输可能选择车型有限，但是一个区域众多门店/网点间并没有固定配送线路一说(因为辖区内最优的线路一定是根据当天货量来判断的)，于是重点就在于如何协调车辆资源，用合适的车量数、车型再找到最合适的线路。

　　以苏宁为例，目前苏宁运输在运力资源管理上，结合智慧调度的需要，会通过运输星图平台进行运力最优向的计算。同时也为司机上线了苏宁行星运输手持客户端，以星图平台为核心，通过对司机行星手持和车辆监控设备的作业数据收集，并结合业务规则和目标，进行运力资源(含承运商/车队、司机、车辆)从录入到评估的全流程管理，含信息收集、数据录入、潜在合作分析、预先评估、结算方式设定、作业跟进、安全监控、作业回溯、质量评级。

　　并同时根据作业背景、运输类型、业务要求、风险预测进行运力调度及作业排程确认。这里面还会涉及到两个阶段，第一阶段是基于历史数据的运力及调度安排的预测，第二阶段是根据当前作业数据进行运力及调度的微调。

　　所以运力调度及作业排程的最优算法所涉及的要素较多，这块现在、将来应该都会是运输类系统所重点研究和持续迭代的一项核心工作。

　　VI. 您觉得运输管理系统的核心难点在哪?

　　答：目前行业里主流的运输管理系统分为几种，SaaS类运输管理系统、企业自建类运输管理系统、车队监管类系统、O2O车货匹配类系统等等。每类系统所解决的问题和关注的侧重点都有不同，但在成本、安全、时效上的目标基本是一致的，所以在功能设计上，基本都是围绕这几点开展。

　　但是目前行业里大部分的运输管理系统都存在一个问题，更多的功能只是在做信息化的线上登记，而缺少“智能”化的算法引入。目前市场上很多号称智能的运输管理系统，可能做的也就是车辆等运力数据的录入管理、班线站点等基础信息维护管理、订单的接收和车辆排程的人工安排、车辆在途的监控及提供一些报表查询数据。这类系统更多做的只是把原本线下的作业登记搬到了线上而已，缺少真正所谓“智能”的系统化能力。

　　所以我所认为的目前运输管理系统的核心难点就是：如何将大部分的运输作业步骤均逐步实现智能化的数据预测和方案推荐，并基于已有数据的积累实现系统的深度学习。

　　这里面会涉及到对运输作业全流程关键节点的细化剖析，并将这些关键节点及细化问题点再进行深入研究，针对每一个问题点都成立一个课题，进行系统可基于深度学习优化决策的应用研发。

　　以苏宁的星图运输系统为例，我们将运输全流程拆为了3大阶段、12个核心环节、26个研究课题(如下图)。通过对每一个课题和深度决策模型的结合，以期待实现通过系统决策就可给出每个环节的最优方案。

　　VII. 跨境电商和物流运输的中转时效是业务中的一个难点，这块的提升有哪些主流思路可以借鉴?