2014年，电子面单在快递领域应用，开启了行业数字化，迄今已经迈入第10年。与网约车、外卖等业态一样，快递拥有极高的数据复杂度和技术依赖度，要求实时和精准，但快递的履约链路更长，服务生态更加复杂，高度自动化又使其“软硬结合”“人机结合”的数智化特征更加明显。

以申通为例，每天5000万+包裹，10亿量级的操作，百万量级的客服服务；从揽收到签收时效不到44小时，但售前售后平均14天周期，数据量膨胀到百亿量级；复杂的服务生态，“人车货场机”元素齐聚，网络中有数十万从业者——面向这样的场景，要做到用1瓶水的价格履约、以“厘”来控成本，离不开在数智化上的突破。每一个身处其中的技术人都会感到“有趣”和挑战。

本文初衷，就是通过对快递数智化进程的回顾、申通实践与思考，引发更多行业内外关注，共同探明快递技术的未来之路。

(资料图片)

快递行业数字化起点

快递数字化始于电子面单。2014年菜鸟打出一张电子面单，次年电子面单在快递业逐步普及，替换传统五联单，让行业从“马克笔”一跃至数字化时代。首届全国邮政行业科技进步奖一等奖头名，颁给了菜鸟电子面单，足见其对于快递行业的贡献度。

1.1电子面单——数字化

电子面单在环保、信息录入规范性、制作成本等方面的优势显而易见，而核心创新，则是“三段码”。

在三段码之前，包裹通过邮编和地址来粗分目的地。邮编是粗颗粒度的静态地理区域描述，由于中国地域辽阔、城市化进程快、末端区域复杂。快递分拣主要依赖于地址进行人工分拣，分拣人员需要熟记每个地址对应的区域，用马克笔进行标注，不但效率低，还非常容易出错邮编已经不能满足规模快速增长的快递分拣和派件需求。

具备实时自学习、自适应能力的三段码重新定义了快递的三级派送区域，在面单打印出来时，根据收件人地址由算法 动态 、 智能 地计算出目的地分拨编码、目的地网点编码、派件的快递员编码，极大提高了信息颗粒度。三段码通过大数据学习可以快速、准确地识别包裹目的地，从而将包裹分拣到正确的运输路径上，大大提高了分拣效率，降低了错分率。同时，通过对快递员的行为特征的分析，三段码能够精准辨识其常规的配送范围，精准匹配对应包裹，完成高效投递。

1.2 智能运营——自动化

伴随电子面单的普及，与之匹配的自动化分拣设备逐渐成为行业主流。分拨中心交叉带、DWS（三合一）等成为标配，大型网点也从人工迈向自动化，解决了包裹实操的效率，让全网效率和产能大大提升。

快递运营除了分拣之外还包括运输，目前在干线、末端两大环节，快递企业也在积极探索，如申通、德邦等开展的L3级别辅助智能干线驾驶，菜鸟、中通等“最后100米”无人车研发及应用，顺丰、圆通等在无人机领域的探索。

申通从数字化到数智化 的思路和实践

2.1 数字化1.0（2015-2018）：小规模试跑自动化分拣设备

2.2 数字化2.0（2019-2022）：从精益管理到激励相融

2019年，申通与菜鸟达成合作，双方加强数字信息化合作，推动申通数字化升级。从2019年开始，申通的技术团队迅速扩张，“管家系”产品矩阵陆续上线。申通在2020年完成全站业务上云，成为成为快递行业首个使用公有云的公司。申通由此迈入数字化2.0阶段。

（1）精益管理

谈数字化一定要讲“精益”或“精细化”，申通这一阶段的重点之一也是做精益管理。

这一阶段，申通把成本、质量和时效管到每一个环节，每一个人。数据层层互通，目标明确，责任到人。通过计划、管控、监控、考核四个阶段让运营的每一个环节变得可控。这个阶段主要侧重于计划，自上而下的管控。目前，申通数字化2.0建设已经完成，也尝到了甜头，2021年单票运营成本下降 9.7%。

（2）激励相融

精益管理在复杂快递生态里并不能解决所有问题。加盟型快递的管理涉及总部、省区、中心、网点，还包括非常多社会化资源，参与其中的角色跨地域、跨组织。参与其中的每一个角色都是经济理性人。在管理粗放的阶段，精益是非常好的管理方式，但无法激发理性人的内在潜能。自上而下的博弈，让信息交易成本变得很大，同时数字化精益管理非常容易复制，无法成为差异化的内核。

激励相融，核心聚焦在业务管理机制的变革 ，改变纯管控的方式，设计激励相容的机制，在计划基础上增加了对个人和小团队的激励，让整个生态更有活力，比如班组计件、装载率激励、网格化服务、网点类直营等等。

注：哈维茨（Hurwiez）创立的机制设计理论中“激励相容”是指：在市场经济中，每个理性经济人都会有自利的一面，其个人行为会按自利的规则行动；如果能有一种制度安排，使行为人追求个人利益的行为，正好与企业实现集体价值最大化的目标相吻合，这一制度安排，就是“激励相容”。

2.3 数字化3.0即数智化：现场决策（2022年至今）

数字化阶段，从前期的精益管理到后期的激励相融，我们完成了一系列的产品建设，包括运营平台昆仑、经营平台、网络产品矩阵、大客户管家、商家产品超级商家平台。

特别是“激励相融”的管理机制变革，激活了组织的活力，也放大了一线和现场的权限，对个人和小团队的能力提出了非常高的要求。同时，在数字化过程中，越来越多的数据被线上化，数据规模和维度爆炸。申通拥有30多万员工、4000多家网点，以中转直营、网点加盟为主要的组织架构，其组织复杂性导致数据复杂性直线上升。如果继续使用数据2.0时代的管理模式，难以实现精准现场决策，容易出现大量的决策盲区。所以我们的 数智化重点解决“现场决策”的问题，让听到炮声的人做决策。

迈向现场决策的数智化， 申通的核心关键能力和实践

申通数字化建设的过程是由“业务+技术”共同驱动的，如果数字化的产品没有结合业务流程重构和管理机制变革，那就是无用的空中楼阁。

数智化不同，它对业务流程的重构不是强依赖，但对工程和算法技术要求变得很高。系统不但要发现问题，还要知道问题的原因和解决方案。

数智化阶段的技术特征是实时、智能、自动化+ ，关键能力是实时计算和预测、智能算法、软硬件深度融合，AI全面赋能、数据资产积累。

3.1实时

快递“卷”到今天，基于历史数据的诊断能帮助业务进行迭代改进，但很难支持精准现场实时决策。有时候实时还不够，分拨中心的现场资源、部署和行动很难实时变化，那就需要有算法预测能力。

——先知引擎：实时计算和预测

数智化聚焦实时化的现场管理和智能化的决策 。申通构建“先知引擎”满足以上需求，它支持时空索引的实时数据计算，具备时空和状态的预测能力，真正做到宏观微观“一本账”。

3.2 智能

——智能算法：大规模低成本的神经网络模型的训练和推理

在快递行业大规模使用神经网络模型，是不是高射炮打蚊子？答案是否定的。

首先，神经网络模型区别于之前的机器学习算法，最大优势在于它不依赖特征工程。一个包裹揽发到派签是极其复杂过程，中间会产生大量的特征，人工选择特征非常困难。所以在很多应用场景中，神经网络是最好选择。

其次，预训练大模型技术飞速进步，极大降低了神经网络的使用门槛，快递公司不用自建大规模GPU集群，只要复用开源的预训练模型，在业务上进行适配或微调（finetune）即可。因此，快递公司应用的神经网络模型比照顶级模型层数更少，数据量级更小，仅需较低成本即可满足需求，性价比高。

我们在以下场景中已经开展神经网络技术的应用， 比如视觉AI、智能客服、投诉概率预测、包裹价值预测等等。

——数据资产：包裹、位置、商家、消费者、视觉

智能算法模型优劣，取决于算法、参数、数据规模和质量。在工业界很少能通过算法的优化或创新对模型结果调优，加上神经网络算法的发展成熟，特征选择和调参的优化空间也变小，所以模型优劣主要取决于数据的规模和质量。

数据作为影响算法模型优劣最重要的因素，数据资产将成为我们未来技术的核心竞争力之一。 在快递领域关键的数据除了包裹以外，还有区域、商家、消费者和视觉数据。

案例1 时效控制塔：挽救一趟延误的班车

时效控制塔，是转运中心现场的管理和指挥工具，数据时间颗粒度细化到秒级，实时计算复杂度很高。时效控制塔分出港和进港两个场景，以出港为例，转运中心可以实时感知：网点交货、中心操作、中心发车、干线在途、目的中心进港的状态，同时系统会进行智能预测异常，推荐实操动作。

2023年4月3日一个真实的现场案例：

凌晨3:30，中山分拨中心：收到出港控制塔发出在途延误预警，从中山发往杭州的一班车，通过GPS轨迹和到车预测，预估延迟3个半小时达到杭州中心。预估到车时间6:02，将会错过一派到车截止时间5:15。中山控制塔调度员，通过系统建议给司机电话协商尽量提速早到，这样才有可能追回。

5:30 杭州分拨中心：司机提速后，班车提前30分钟赶到杭州，虽然也错过了一派到车截止时间，但只错过了15分钟，离一派发件时间截止时间还有1个小时。中山调度员在系统中看到这个信息，通过系统的电话跟杭州中心沟通，希望优先抢此趟车的时效。

6:05 杭州分拨中心：班车开始卸车。

6:30 杭州分拨中心：杭州一派发件截止时间到。这班在途延误3个小时的车，通过出港控制塔的信息协同抢出了半个小时的卸货量，赶上了一派发件，挽回了半车包裹的时效。

案例2 按需派送：以最舒服的方式，将包裹送达消费者

按需派送是实现差异化派送、个性化派送、标准化派送融合的“混派”模式。按需派送中应用了好几个预测模型，比如包裹投诉概率预测、消费者偏好预测等，同时数据资产在其中也发挥了关键作用。

对于一个包裹该怎么派，是依赖于消费者特征，包裹特征以及派送地址，之前我们一直专注在消费者和包裹本身，但事实上派送地址的AOI特征是关键中的关键，比如小区离驿站步行距离，有没有电梯，放门卫是不是容易丢等等。在按需派送实施后，算法和数据的应用让一线快递员能够从“申行者APP”获得“傻瓜式”的派送指令，派送效率和质量大大提升。

3.3 自动化+

自动化从2015年在快递行业开始大范围普及，干线、末端智能化也发展迅速。与一般自动化不同，快递行业自动分拣、智能运输要充分考虑效率、成本、自适应性。“自动化+”的最终目标，是通过软硬件深度融合，AI全面赋能，达到人机协同效率的“帕累托最优”。 如果以数学公式来表达，（软件×硬件）ᴬᴵ=自动化+。

——自动分拣

申通近三年投入100亿做基础设施建设，引入了大量的先进自动化设备，并提升自研设备占比。

自研高速交叉带，分拣效率提升30%，能耗下降50%

超高速交叉带系统，采用永磁同步电机驱动，最高速度可达3.5米/秒，效率提高30%，能耗降低50%。自研气动格口，通过挡板自动切换，可满足超高速交叉带落格需求，且没有增大占地面积。

输送线软硬件改造，实现设备自适应节能

通过申通标准modbus协议定制，以及DTU（Data Transfer Unit）的应用，对输送线的实时状态和负载进行实时分析，自适应调节输送线的工作频率，在不影响操作效率的情况下做到节能，做到智能降低设备能耗。

UHF RFID应用，准确跟踪货物位置和状态

RFID标签可将每一件货物标记唯一识别码，通过读取RFID标签，准确追踪货物的位置、状态、数量等信息，实现货物的精确跟踪，有效减少货物损失和货物流转周期。比如，通过RFID环保袋代替传统集包袋，可实现回包线代替人工拉包，降低人工拉包错误率。同时，环保袋实现自动盘点，可视化管理环保袋生命周期。

——自动驾驶

最近几年，国内外自动驾驶技术不断升级，自动驾驶在快递干线和末端配送的技术应用也逐渐走向商业化。

干线自动驾驶：从2021年下半年开始，申通车队通过跟多家第三方公司合作，测试和调研干线无人驾驶技术的应用，试运营了多条干线自动驾驶，安全运行超过30万公里，在高速路段可实现95%自动驾驶。自动驾驶可有效减少人力、提高干线车辆的运输效率，同时理论上能够极大地降低交通事故风险，为驾驶员的安全提供了更多保障。

末端无人车： 末端无人车对配送区域限制较大，目前我们在大学等城市开放道路与封闭园区内、以及网点到驿站等场景进行小规模试点。智能无人快递上路行驶运行速度<30公里，可装载约800件快递。车辆续航可达150公里，可以实现24小时全时段运行。

在快递行业中心直营化和自动化进程中，申通起步较早但几经周折一度落后，导致公司曾经处于艰难境地。最近三年，我们抓住了数字化向数智化转型的行业机遇，以开着飞机换引擎的决心狠抓基础设施建设，通过精益管理和激励相融变革，业务得以快速回暖并开始跑起来。

现在，申通正在继续探索实时化和智能化在快递领域的应用，期待成为申通的差异化竞争力，在数智化上给行业带来更多启发。