2014年，電子面單在快遞領域應用，開啟了行業數字化，迄今已經邁入第10年。與網約車、外賣等業態一樣，快遞擁有極高的數據復雜度和技術依賴度，要求實時和精準，但快遞的履約鏈路更長，服務生態更加復雜，高度自動化又使其“軟硬結合”“人機結合”的數智化特征更加明顯。

以申通為例，每天5000萬+包裹，10億量級的操作，百萬量級的客服服務；從攬收到簽收時效不到44小時，但售前售后平均14天周期，數據量膨脹到百億量級；復雜的服務生態，“人車貨場機”元素齊聚，網絡中有數十萬從業者——面向這樣的場景，要做到用1瓶水的價格履約、以“厘”來控成本，離不開在數智化上的突破。每一個身處其中的技術人都會感到“有趣”和挑戰。

本文初衷，就是通過對快遞數智化進程的回顧、申通實踐與思考，引發更多行業內外關注，共同探明快遞技術的未來之路。

快遞行業數字化起點

快遞數字化始于電子面單。2014年菜鳥打出一張電子面單，次年電子面單在快遞業逐步普及，替換傳統五聯單，讓行業從“馬克筆”一躍至數字化時代。首屆全國郵政行業科技進步獎一等獎頭名，頒給了菜鳥電子面單，足見其對于快遞行業的貢獻度。

1.1電子面單——數字化

電子面單在環保、信息錄入規范性、制作成本等方面的優勢顯而易見，而核心創新，則是“三段碼”。

在三段碼之前，包裹通過郵編和地址來粗分目的地。郵編是粗顆粒度的靜態地理區域描述，由于中國地域遼闊、城市化進程快、末端區域復雜?？爝f分揀主要依賴于地址進行人工分揀，分揀人員需要熟記每個地址對應的區域，用馬克筆進行標注，不但效率低，還非常容易出錯郵編已經不能滿足規?？焖僭鲩L的快遞分揀和派件需求。

具備實時自學習、自適應能力的三段碼重新定義了快遞的三級派送區域，在面單打印出來時，根據收件人地址由算法動態、智能地計算出目的地分撥編碼、目的地網點編碼、派件的快遞員編碼，極大提高了信息顆粒度。三段碼通過大數據學習可以快速、準確地識別包裹目的地，從而將包裹分揀到正確的運輸路徑上，大大提高了分揀效率，降低了錯分率。同時，通過對快遞員的行為特征的分析，三段碼能夠精準辨識其常規的配送范圍，精準匹配對應包裹，完成高效投遞。

1.2 智能運營——自動化

伴隨電子面單的普及，與之匹配的自動化分揀設備逐漸成為行業主流。分撥中心交叉帶、DWS（三合一）等成為標配，大型網點也從人工邁向自動化，解決了包裹實操的效率，讓全網效率和產能大大提升。

快遞運營除了分揀之外還包括運輸，目前在干線、末端兩大環節，快遞企業也在積極探索，如申通、德邦等開展的L3級別輔助智能干線駕駛，菜鳥、中通等“最后100米”無人車研發及應用，順豐、圓通等在無人機領域的探索。

申通從數字化到數智化的思路和實踐

2.1 數字化1.0（2015-2018）：小規模試跑自動化分揀設備

2.2 數字化2.0（2019-2022）：從精益管理到激勵相融

2019年，申通與菜鳥達成合作，雙方加強數字信息化合作，推動申通數字化升級。從2019年開始，申通的技術團隊迅速擴張，“管家系”產品矩陣陸續上線。申通在2020年完成全站業務上云，成為成為快遞行業首個使用公有云的公司。申通由此邁入數字化2.0階段。

（1）精益管理

談數字化一定要講“精益”或“精細化”，申通這一階段的重點之一也是做精益管理。

這一階段，申通把成本、質量和時效管到每一個環節，每一個人。數據層層互通，目標明確，責任到人。通過計劃、管控、監控、考核四個階段讓運營的每一個環節變得可控。這個階段主要側重于計劃，自上而下的管控。目前，申通數字化2.0建設已經完成，也嘗到了甜頭，2021年單票運營成本下降 9.7%。

（2）激勵相融

精益管理在復雜快遞生態里并不能解決所有問題。加盟型快遞的管理涉及總部、省區、中心、網點，還包括非常多社會化資源，參與其中的角色跨地域、跨組織。參與其中的每一個角色都是經濟理性人。在管理粗放的階段，精益是非常好的管理方式，但無法激發理性人的內在潛能。自上而下的博弈，讓信息交易成本變得很大，同時數字化精益管理非常容易復制，無法成為差異化的內核。

激勵相融，核心聚焦在業務管理機制的變革，改變純管控的方式，設計激勵相容的機制，在計劃基礎上增加了對個人和小團隊的激勵，讓整個生態更有活力，比如班組計件、裝載率激勵、網格化服務、網點類直營等等。

注：哈維茨（Hurwiez）創立的機制設計理論中“激勵相容”是指：在市場經濟中，每個理性經濟人都會有自利的一面，其個人行為會按自利的規則行動；如果能有一種制度安排，使行為人追求個人利益的行為，正好與企業實現集體價值最大化的目標相吻合，這一制度安排，就是“激勵相容”。

2.3 數字化3.0即數智化：現場決策（2022年至今）

數字化階段，從前期的精益管理到后期的激勵相融，我們完成了一系列的產品建設，包括運營平臺昆侖、經營平臺、網絡產品矩陣、大客戶管家、商家產品超級商家平臺。

特別是“激勵相融”的管理機制變革，激活了組織的活力，也放大了一線和現場的權限，對個人和小團隊的能力提出了非常高的要求。同時，在數字化過程中，越來越多的數據被線上化，數據規模和維度爆炸。申通擁有30多萬員工、4000多家網點，以中轉直營、網點加盟為主要的組織架構，其組織復雜性導致數據復雜性直線上升。如果繼續使用數據2.0時代的管理模式，難以實現精準現場決策，容易出現大量的決策盲區。所以我們的數智化重點解決“現場決策”的問題，讓聽到炮聲的人做決策。

邁向現場決策的數智化，申通的核心關鍵能力和實踐

申通數字化建設的過程是由“業務+技術”共同驅動的，如果數字化的產品沒有結合業務流程重構和管理機制變革，那就是無用的空中樓閣。

數智化不同，它對業務流程的重構不是強依賴，但對工程和算法技術要求變得很高。系統不但要發現問題，還要知道問題的原因和解決方案。

數智化階段的技術特征是實時、智能、自動化+，關鍵能力是實時計算和預測、智能算法、軟硬件深度融合，AI全面賦能、數據資產積累。

3.1實時

快遞“卷”到今天，基于歷史數據的診斷能幫助業務進行迭代改進，但很難支持精準現場實時決策。有時候實時還不夠，分撥中心的現場資源、部署和行動很難實時變化，那就需要有算法預測能力。

——先知引擎：實時計算和預測

數智化聚焦實時化的現場管理和智能化的決策。申通構建“先知引擎”滿足以上需求，它支持時空索引的實時數據計算，具備時空和狀態的預測能力，真正做到宏觀微觀“一本賬”。

3.2 智能

——智能算法：大規模低成本的神經網絡模型的訓練和推理

在快遞行業大規模使用神經網絡模型，是不是高射炮打蚊子？答案是否定的。

首先，神經網絡模型區別于之前的機器學習算法，最大優勢在于它不依賴特征工程。一個包裹攬發到派簽是極其復雜過程，中間會產生大量的特征，人工選擇特征非常困難。所以在很多應用場景中，神經網絡是最好選擇。

其次，預訓練大模型技術飛速進步，極大降低了神經網絡的使用門檻，快遞公司不用自建大規模GPU集群，只要復用開源的預訓練模型，在業務上進行適配或微調（finetune）即可。因此，快遞公司應用的神經網絡模型比照頂級模型層數更少，數據量級更小，僅需較低成本即可滿足需求，性價比高。

我們在以下場景中已經開展神經網絡技術的應用，比如視覺AI、智能客服、投訴概率預測、包裹價值預測等等。

——數據資產：包裹、位置、商家、消費者、視覺

智能算法模型優劣，取決于算法、參數、數據規模和質量。在工業界很少能通過算法的優化或創新對模型結果調優，加上神經網絡算法的發展成熟，特征選擇和調參的優化空間也變小，所以模型優劣主要取決于數據的規模和質量。

數據作為影響算法模型優劣最重要的因素，數據資產將成為我們未來技術的核心競爭力之一。在快遞領域關鍵的數據除了包裹以外，還有區域、商家、消費者和視覺數據。

案例1 時效控制塔：挽救一趟延誤的班車

時效控制塔，是轉運中心現場的管理和指揮工具，數據時間顆粒度細化到秒級，實時計算復雜度很高。時效控制塔分出港和進港兩個場景，以出港為例，轉運中心可以實時感知：網點交貨、中心操作、中心發車、干線在途、目的中心進港的狀態，同時系統會進行智能預測異常，推薦實操動作。

2023年4月3日一個真實的現場案例：

• 凌晨3:30，中山分撥中心：收到出港控制塔發出在途延誤預警，從中山發往杭州的一班車，通過GPS軌跡和到車預測，預估延遲3個半小時達到杭州中心。預估到車時間6:02，將會錯過一派到車截止時間5:15。中山控制塔調度員，通過系統建議給司機電話協商盡量提速早到，這樣才有可能追回。

• 5:30 杭州分撥中心：司機提速后，班車提前30分鐘趕到杭州，雖然也錯過了一派到車截止時間，但只錯過了15分鐘，離一派發件時間截止時間還有1個小時。中山調度員在系統中看到這個信息，通過系統的電話跟杭州中心溝通，希望優先搶此趟車的時效。

• 6:05 杭州分撥中心：班車開始卸車。

• 6:30 杭州分撥中心：杭州一派發件截止時間到。這班在途延誤3個小時的車，通過出港控制塔的信息協同搶出了半個小時的卸貨量，趕上了一派發件，挽回了半車包裹的時效。

案例2 按需派送：以最舒服的方式，將包裹送達消費者

按需派送是實現差異化派送、個性化派送、標準化派送融合的“混派”模式。按需派送中應用了好幾個預測模型，比如包裹投訴概率預測、消費者偏好預測等，同時數據資產在其中也發揮了關鍵作用。

對于一個包裹該怎么派，是依賴于消費者特征，包裹特征以及派送地址，之前我們一直專注在消費者和包裹本身，但事實上派送地址的AOI特征是關鍵中的關鍵，比如小區離驛站步行距離，有沒有電梯，放門衛是不是容易丟等等。在按需派送實施后，算法和數據的應用讓一線快遞員能夠從“申行者APP”獲得“傻瓜式”的派送指令，派送效率和質量大大提升。

3.3 自動化+

自動化從2015年在快遞行業開始大范圍普及，干線、末端智能化也發展迅速。與一般自動化不同，快遞行業自動分揀、智能運輸要充分考慮效率、成本、自適應性?！白詣踊?”的最終目標，是通過軟硬件深度融合，AI全面賦能，達到人機協同效率的“帕累托最優”。如果以數學公式來表達，（軟件×硬件）??=自動化+。

——自動分揀

申通近三年投入100億做基礎設施建設，引入了大量的先進自動化設備，并提升自研設備占比。

• 自研高速交叉帶，分揀效率提升30%，能耗下降50%

超高速交叉帶系統，采用永磁同步電機驅動，最高速度可達3.5米/秒，效率提高30%，能耗降低50%。自研氣動格口，通過擋板自動切換，可滿足超高速交叉帶落格需求，且沒有增大占地面積。

• 輸送線軟硬件改造，實現設備自適應節能

通過申通標準modbus協議定制，以及DTU（Data Transfer Unit）的應用，對輸送線的實時狀態和負載進行實時分析，自適應調節輸送線的工作頻率，在不影響操作效率的情況下做到節能，做到智能降低設備能耗。

• UHF RFID應用，準確跟蹤貨物位置和狀態

RFID標簽可將每一件貨物標記唯一識別碼，通過讀取RFID標簽，準確追蹤貨物的位置、狀態、數量等信息，實現貨物的精確跟蹤，有效減少貨物損失和貨物流轉周期。比如，通過RFID環保袋代替傳統集包袋，可實現回包線代替人工拉包，降低人工拉包錯誤率。同時，環保袋實現自動盤點，可視化管理環保袋生命周期。

——自動駕駛

最近幾年，國內外自動駕駛技術不斷升級，自動駕駛在快遞干線和末端配送的技術應用也逐漸走向商業化。

• 干線自動駕駛：從2021年下半年開始，申通車隊通過跟多家第三方公司合作，測試和調研干線無人駕駛技術的應用，試運營了多條干線自動駕駛，安全運行超過30萬公里，在高速路段可實現95%自動駕駛。自動駕駛可有效減少人力、提高干線車輛的運輸效率，同時理論上能夠極大地降低交通事故風險，為駕駛員的安全提供了更多保障。

• 末端無人車：末端無人車對配送區域限制較大，目前我們在大學等城市開放道路與封閉園區內、以及網點到驛站等場景進行小規模試點。智能無人快遞上路行駛運行速度<30公里，可裝載約800件快遞。車輛續航可達150公里，可以實現24小時全時段運行。

在快遞行業中心直營化和自動化進程中，申通起步較早但幾經周折一度落后，導致公司曾經處于艱難境地。最近三年，我們抓住了數字化向數智化轉型的行業機遇，以開著飛機換引擎的決心狠抓基礎設施建設，通過精益管理和激勵相融變革，業務得以快速回暖并開始跑起來。

現在，申通正在繼續探索實時化和智能化在快遞領域的應用，期待成為申通的差異化競爭力，在數智化上給行業帶來更多啟發。