随着制造业个性化定制与供应链管理复杂化的趋势越来越明显、疫情对商品运输造成的影响越来越大，制造型企业生产的随机性与即时性需求快速增加。高效的生产排程工具不仅能够帮助企业快速应对动态变化的市场环境，更能够帮助企业降本增效。引入基于运筹学框架的智能算法，智能APS即智能高级计划和排程系统，能够获得比人工或人工设置的规则计算结果更好、全局最优的方案，从而使智能APS成为供应链智能决策的关键一环。

海外已有Blue Yonder、达索、O9等数个头部标兵，在百亿体量的基础上依旧增长快速，如O9近3年营收增长674%。放眼国内，智能APS赛道还是一片蓝海——不仅海外巨头渗透率低，国内企业也还处于早期发展阶段。随着行业头部标杆客户的落地，国内企业的业务增速将远超预期。高鹄资本深度调研了制造型企业的需求与国内智能APS行业的发展现状，我们认为，该赛道是工业软件市场少有的原生增长赛道，有望成长出本土的工业软件巨头。同时，基于对行业的深度思考，我们提出该赛道优秀产品的四个特征，以及判断团队的三个标准，希望与行业内的投资人、企业家们共同探讨。

随着消费互联网对供应链的改造日益深入，制造型企业产品呈现出多样化的趋势，不仅产品组合增加且要求快速交货，生产模式从大批量生产（流水线生产）向多品种小批量生产（JIT精益生产）发展。同时，人、机、料等齐套周期不一致，常有订单插单或更改等情况发生，导致生产管理复杂性不断上升。加之疫情反复造成的生产骤停骤启与供应链脆断，使得制造企业所面临的挑战日益增加——既要应对订单波动又要柔性生产以提高资源利用率。

以一个有30多条生产线、生产100多类产品的工厂举例，在开工班次、物料库存、换型等约束条件下，同时考虑不同日期下生产产品组合及生产顺序就存在900多万种方案，如果考虑更多条生产产线以及更多的约束条件时，整个工厂的生产计划更像是一个天文数字，是人力无法计算的。

排程环节必须从原来的人工排程中解放出来。作为资源信息化的ERP与作为信息流程化的MES的渗透率虽然都在加速提升，在制造型企业优化运营管理中起到了非常重要的作用，但两者在动态变化的复杂生产环境下，仍然难以满足制造型企业随机与即时的需求，在不使用作为决策智能化APS的情况下将很难从底层改善生产从而做出最优决策。依靠智能APS来实现自动排程，能使制造型企业更好地应对订单增长与产能提升带来的挑战，借助优化的生产计划，减少物料及库存成本，最终增加企业利润。

APS即Advanced Planning and Scheduling高级计划和排程系统，是协助制造业制作生产计划与排程的软件系统，依据约束条件对企业最底层的生产资源、人员、设备、场地等进行合理安排。而智能APS则是在原有的基础上，引入运筹学算法形成算法平台，并依照企业制造中实际的多重约束条件进行数学建模，从而给出最优生产计划与排程的系统。

相较于传统APS，智能APS在算法上有着极大的先进性。传统APS系统常以规则逻辑为主，规则算法通常是短视的，无法从全局角度对KPI做出优化，无法实现全局最优决策。而智能APS基于运筹学的数学规划算法，突破了仅基于业务规则进行简单僵化的自动化处理的局限，以全局优化为出发点，求得最优解而非传统算法的可行解。在智能APS发展起来后，客户的需求得到了真正满足，即比经验与人设置的规则计算更好的全局最优方案。

借助智能APS，可以充分考虑约束条件，并对约束条件进行进一步的细化、抽象化，持续加入更广泛的产业上下游生产链条约束条件，由此能够适应国内制造型企业规范性较弱的管理流程，更能适应环境突变情况下大幅调整的需求，打造其韧性供应链。

由于行业还处于相对早期，行业内的词汇并未形成统一的认知。狭义的APS是指车间内的工序级排程，早期i2（Blue Yonder前身）年代的广义APS，则包括从需求计划到产销协同、到主计划、到车间排程的全流程协同和调度。从功能上来讲，一个完善的计划系统的服务目标，应该是围绕着制造企业全流程计划体系，快速、高质地做出制造计划与排程。

因此，完善的APS系统构成至少应该包括产销协同计划、主生产计划和车间高级排程等，是一个复杂系统。

无论是从中长期的主计划层面进行产能和物料的提前规划，还是在接到订单后的订单跨工厂/车间的协同计划，亦或是短期的车间生产排程优化，企业管理层最关心的生产大数据应用场景正在被APS解决方案释放价值。 

围绕着企业的实际需求，APS表现出五个特点：并发、约束、全局、协作、灵活。APS需要帮助企业，在恒定的生产产能和现金流约束下，通过打通产销供信息，即时调用企业所有物料资源，实现多条生产线相互配合、同步完成多个计划的生产推进，并在意外情况下立即规划出新的计划，保证生产不中断。

在离散行业，APS为其解决多工序、多资源的调度问题；而在流程行业，APS则为其解决顺序优化问题。APS也可以通过为流程和离散的混合模型同时解决顺序和调度优化问题，从而对项目管理与制造解决关键问题和成本时间最小化。目前来看，APS在离散制造业的应用价值更为显著，离散制造业在制造过程中涉及的元器件SKU众多、生产环节与牵涉到的供应链复杂、制造流程属于分散交叉非线性状态。

实际上，离散制造业在早年就有公司开始尝试使用APS，据高鹄调研统计，至今已有10%的离散制造型企业有过尝试接触APS或探讨是否可以使用APS的经历。但由于不同行业一线生产的复杂性与算法调优落地的不适应，导致这些想要使用APS的企业需求难以被满足，有很多企业选择了观望。部分企业为此选择自研APS，但市场基本没有成功案例、效果不佳。

随着制造生产环境由单一转为复杂多变，排产从手动拖拽转向软件计算再到算法计算，尽管传统APS已经比ERP的MRP（物资需求计划）模块与MES的排产模块要更先进——排产模块更为完善、计算原理更加优化，但仍然弥补不了规则算法的局限性，从而无法找到多重约束条件下的排产最优解，也就无法指导生产，即排产成功率低下。从最终结果来看，MES的排产模块、ERP排产模块、传统APS排产成功率均非常低。显而易见，智能APS已成为当下制造型企业应对迅速变化的内外部生产环境的必然选择。

从高鹄调研的结果来看，现当下使用智能APS 的客户主要以4亿营收以上的生产制造类企业为主。一方面，营收过低的企业业务复杂度低，APS的应用效果不够明显，另一方面也难以负担专业APS的价格。

目前，国内APS市场还处于较早发展期，智能APS厂商主要有悠桦林、商简、谷斗等。但海外已经跑出了Blue Yonder、达索、O9等数个巨头。

其中，以产业上下游并购作为主要打法的Blue Yonder，在产品矩阵和服务形态上更加成熟和丰富。作为第一家做APS系统的企业，松下旗下Blue Yonder的发展经历足可以看出整个APS市场的曲折。

早在1988年，Blue Yonder的前身i2就已经成立并开始研发FP（Factory Planning），并快速进入工业软件市场前列，其APS系统服务直接与Oracle、SAP等ERP软件合作。2010年，i2被工业软件提供商JDA收购；2012年其又被私募新山资本通过红色草原收购；2020年，APS开始起飞，JDA改名Blue Yonder；2021年Blue Yonder被松下以71亿美元收购。

经历多轮被收购之后，Blue Yonder从传统APS向智能APS进化——以端到端的供应链智能决策产品矩阵著称，形成覆盖完备的制造业和零售业的供应链产品矩阵，实现从计划及优化、业务执行到管理控制的闭环。其2021年总收入11亿美元，2022年SaaS ARR 3.43亿美元。        

智能APS在全球范围内已经成为趋势。目前，国内智能APS市场还处于发展早期，潜在市场规模超过500亿。2020年受疫情影响，供应链极度不稳定，从而促使制造型企业开始主动寻找可以快速排产和提高效率的工具，国内智能APS市场增速加快。当下，绝大多数的头部客户是第一次使用APS，市场渗透率仅为3%-4%，随着市场需求和APS产品力的提升，4亿规模以上的制造型企业的市场渗透率有望持续上升。

由于国内制造业生产管理流程与海外区别较大，国外APS在国内的实施服务不够完善，虽被头部企业使用但却也并未获得认可，这也给了APS赛道原生突围的增长机会。

而要获得客户认可，我们认为一款好的智能APS产品应具备四个特征：

第一，配置灵活度高，能够适配不同行业、不同客户与不同场景，即使是同一个制造业的客户，其场景也会发生较多的变化，这就要求系统有支撑能力。

第二，算法基座要好，算法设计具有实用性与前瞻性，兼具优化效果与使用效率。

第三，产品化程度高，即标准产品为主，定制为辅。

第四，产品完备度高，完整覆盖产销协同、主计划、高级排程，形成供应链协同优化的成熟解决方案，如只做车间排程，也应保证能够根据企业各项制约，实现生产路径、订单批次、物料分配等多目标优化。

反之，我们从客户对产品的使用频率、使用效果以及复购率和推荐率也可以验证其是否为一款好的智能APS产品。同时，经过产业上下游的深度调研与实际客户的服务经历，我们认为符合以下三点的团队值得关注与长期追踪：

首先，产品能力强。标准产品模块与定制的比例是未来能否规模化扩张的重要判断标准。因此，团队需要具备完整的行业产品设计、开发与服务经验来开发出标准化产品模块，使用户能够快速、方便地根据自身需求进行模块间的灵活组合，大幅缩短交付周期且降低客户费用，而不再是客户一有需求变化就必须定制开发，哪怕是一些非常基础的服务。

其次，算法设计能力强。要将业务约束转化成数学规划的语言需要大量经验，并不是所有智能APS团队都具备的。一方面，针对生产过程中的换型爬坡问题、组炉生产问题等，需要设计精细的建模方式来实现业务条件，同时不对模型造成负担。另一方面，大多数生产制造企业在完成数学规划建模后，往往得到一个巨型模型——变量和约束个数通常能达到千万级别甚至过亿，这时只能针对性地设计算法底层框架来支撑大规模的求解，而不是只使用规则式的引擎去实现基础自动化出结果的功能。这也不是一个可以直接调用商用求解器就能求解的场景，过程中要求多种建模求解和算法框架设计的经验，这需要长时间的积累。

第三，落地服务能力强。国内产业与海外非常不同，客户对于定制化服务有需求。团队是否具有行业服务经验，能够提供深度贴合客户场景需求的解决方案，对大客户的获取非常重要。

若要在智能APS这个原生增长的赛道中突围，团队的这三个能力是缺一不可的。

智能APS正处于头部客户落地扩张阶段，如何根据客户需求进行产品设计，既能满足客户需求又能沉淀产品，并实现高效交付，将是接下来竞争的重点。我们认为，未来1-2年内，能落地头部客户落地案例最多的智能化APS厂商将有机会成为行业的领跑者。