大数据对采购与供应链的影响.docx

大数据对采购与供应链的影响.docx

《大数据对采购与供应链的影响.docx》由会员分享，可在线阅读，更多相关《大数据对采购与供应链的影响.docx（14页珍藏版）》请在冰豆网上搜索。

大数据对采购与供应链的影响

大数据对采购与供应链的影响

字号：

T|T2015年01月06日11:

45     中物联采购委

∙大数据（BigData）是指所涉及的规模巨大的数据。

随着时代的不断进步以及科技的飞速发展，互联网、物联网、移动通讯、管理信息化、电子商务等技术不断相互渗透，并作用到国家、企业和民生的方方面面，今天，人们用大数据来描述和定义信息爆炸时代产生的海量数据，以及在合理时间内达到撷取、管理、处理、并整理成为帮助人们处理事务和决策等更积极目的的资讯与知识。

一、大数据时代对采购和供应链带来的挑战和机遇

1.大数据时代及其特征

大数据（BigData）是指所涉及的规模巨大的数据。

随着时代的不断进步以及科技的飞速发展，互联网、物联网、移动通讯、管理信息化、电子商务等技术不断相互渗透，并作用到国家、企业和民生的方方面面，今天，人们用大数据来描述和定义信息爆炸时代产生的海量数据，以及在合理时间内达到撷取、管理、处理、并整理成为帮助人们处理事务和决策等更积极目的的资讯与知识。

美国互联网数据中心指出，互联网上的数据每年将增长50%，每两年便将翻一番，而目前世界上90%以上的数据都是最近几年才产生的。

2020年，全世界所产生的数据规模将达到今天的44倍。

从这些数据每天增加的数量来看，世界目前已进入大数据时代。

大数据时代凸显了数据资源的重要意义。

2012年奥巴马政府宣布投资2亿美元拉动大数据相关产业的发展，将“大数据战略”上升为国家战略，将大数据定义为“未来的新石油”，把对数据的占有和控制视为陆权、海权、空权之外的另一种国家核心资产。

2013年，法国政府发布了其《数字化路线图》，列出了将会大力支持的5项战略性高新技术，“大数据”就是其中一项。

2012年，日本总务省发布2013年行动计划，明确提出“通过大数据和开放数据开创新市场”。

联合国在2012年发布的大数据政务白皮书中指出，大数据对于联合国和各国政府来说是一个历史性的机遇。

我国也将大数据产业看作为战略性产业，成立了“大数据专家委员会”。

在“大数据”2014年十大趋势预测中，包括了数据商品化与数据共享联盟化，大数据生态环境逐步发展等内容。

同时，大数据专家委员会预测，2014年大数据在互联网和电子商务、金融（股市预测、金融分析）、健康医疗（流行病监控和预测等）、生物信息、制药等方面将会有令人瞩目的应用。

大数据时代是大数据价值充分发挥的时代。

据赛门铁克公司的调研报告，全球企业的信息存储总量已达2.2ZB（1ZB=1024EB，1EB=1024PB），年增67％。

世界上每分钟产生1700TB的数据，但是吸引我们的不仅仅是这个庞大的数字本身，而是我们如何利用这些数据做些什么。

大数据可以运用到各行各业，在宏观经济方面，IBM日本公司建立经济指标预测系统，从互联网新闻中搜索影响制造业的480项经济数据，计算采购经理人指数的预测值；印第安纳大学利用谷歌公司提供的心情分析工具，从近千万条网民留言中归纳出六种心情，进而对道琼斯工业指数的变化进行预测，准确率达到87%；在制造业方面，华尔街对冲基金依据购物网站的顾客评论，分析企业产品销售状况；一些企业利用大数据分析实现对采购和合理库存量的管理，通过分析网上数据了解客户需求、掌握市场动向，等等。

据麦肯锡公司测算：

大数据将给美国医疗服务业带来3000亿美元的价值，使美国零售业净利润增长达到60%，使制造业产品开发、组装成本下降50%，而大数据所带来的新需求，将推动整个信息产业的创新发展；根据经济与商业研究中心的最新研究，大数据将为英国经济增加2160亿英镑（约合3467亿美元）以上的潜在收益。

2.大数据时代对采购和供应链带来的挑战和机遇

首先，商务环境和商务模式变得越来越复杂，且更加动荡、多样和个性化。

其二，电子商务业务模式的飞速发展打破了国家疆界，使得跨境业务速增、商业活动频繁，同时伴随着数据量的剧增。

。

其三，大数据应用处理成为企业和社会竞争发展的重要焦点。

其四，有效挖掘大数据成为时代面临的重要课题。

最后，许多企业对大数据的重要性认识不足，没有充分了解其价值。

下面是一些机构对大数据的调研、认知和应用研究，从不同的方面展示了其发展现状。

1）Gartner公司2013年一份名为《2013年大数据普及程度背后的炒作》的报告（见图1）指出：

在受访企业中，有64%正在或是即将进行大数据工作，但实际的状况却不尽人意，其中很多企业并不知道他们能够使用大数据做些什么。

2012年，有27%的企业开始从事大数据相关的工作，有31%计划于两年内展开大数据项目。

而2013年，有30%的企业已经引入了大数据，计划参与的企业比例也增至34%。

造成这一现象的原因是不少企业都认为大数据能够帮助他们提升用户体验、改进企业效率或是发现新的商业模式或产品。

56%的企业不知道如何从数据中获取价值；41%的企业无法将这项技术与公司战略结合起来；34%的企业缺乏大数据的处理能力；33%的企业难以整合多样的数据资源；29%企业的基础架构遭遇挑战；27%的企业面临隐私和数据安全问题；26%的企业在对大数据项目投资上存在疑惑；甚至还有23%的公司不知大数据究竟为何物。

2）SupplyChainInsightsResearchFirm2012年对有关大数据与供应链管理的研究表明：

企业已经意识到对大数据及其技术缺乏理解。

调查发现：

①正在进行的大数据项目中，有36%的组织目前有一个跨职能的团队来为其供应链评估大数据的潜在价值；

②项目通常由首席信息官CIO负责。

评估供应链大数据使用和分析技术的团队领导是CIO的占47%，是业务部门领导的占21%，具有一个跨业务职能管理团队的占21%。

③企业的信息管理系统的复杂度高，通常有多个系统支持他们的供应链，因此数据量巨大并且整合困难。

（见图2）。

④数据增长快。

8%的受访者在单个数据库里具有PB（千万亿字节）级别的数据，47%的受访者预计未来五年内在其数据库里具有PB级别的数据。

而且在那些正在进行大数据项目的企业中,有68%预计在五年内其数据库里具有PB级别的数据。

⑤在企业自我评价使用不同的数据类型的能力方面，应用最好的数据来源于传统供应链的事务处理数据（有58%的受访者使用该类型数据，说明该类数据仍是企业最熟悉的）、新型的地理与地图数据（有47%的受访者使用该类型数据）和产品的可追溯性数据（有42%的受访者使用该类型数据）；其次是物联网上的各种设备数据（有28%的受访者使用该类型数据）和运动应用数据（有26%的受访者使用该类型数据）。

调研显示受访者对结构化数据类型的掌握程度更高。

（见图3）

⑥大数据举措当前的重点是对供应链的可视性，但未来却是投向需求数据。

预期的收益越大，现行绩效评级就越低，这一点体现在需求数据的领域。

由于更加熟悉交易数据和供应系统，具有较长供应链和跨多个边界的零售商表示，着重于供应链的可视性被认为是最为重要的。

2013年7月，SupplyChainInsightsResearchFirm又做了进一步的量化研究，目的是了解和研究供应链的领导者们正在构建的驾驭大数据的能力。

这个研究是基于123家制造商（占受访企业的59%），零售商（占受访企业的26%），批发商/分销商/合作商（占受访企业的12%）和第三方物流提供商（占受访企业的2%）的一项在线调查。

受访者中31%是供应链团队（是团队成员的占15%，是负责人的占12%，是其他岗位的占2%，是支持人员的占1%）；25%是IT团队（是IT总监的占15%，是首席信息官的占3%，是负责人的占3%，是经理的占2%，是系统管理员的占1%）；44%为其他团队（是销售团队的占16%，跨职能业务领导的占10%，是财务的占7%，是BI分析员的占3%，是市场人员的占2%，是其他的占6%），（见图4）。

调研显示出大数据的应用更多的是一个机会，而不是一个问题。

认为有机会的占76％，毫无概念的为11%，而在大数据方面存在问题的有12%（见图5）。

尽管数据库在不断增长，但可以被管理，然而，最大的数据库不是企业资源规划（ERP）数据库，而是在产品的可追溯性数据的领域。

受访者中已经启动一个大数据应用项目的占28％，另外37％的受访者有计划开展大数据项目，其余20%没有开展大数据活动的计划（见图6）。

那些认为有机会应用大数据的受访者认为，大数据应用的最大机会在于对相关新型数据的管理，而不是对数据的体量或速度的管理。

在那些打算开展大数据项目的受访者中，准备当年就开展的占9%，1-2年内开展的占53%，3-5年内开展的占31%，不知道何时开展的占7%。

关于供应链重点要素中，目前排在前3位的分别是：

需求与供给的易变性（51%），应用大数据的能力（43%），人才问题（34%）与业务增长速度（34%）。

见图7。

到2020年，驱动供应链成为卓越的前3个趋势的分别是：

数据可视化（46%），增强供应链的可视性（39%）和大数据（37%）见图8。

目前大数据的应用还是处于起步阶段，未来更多的机会与应用是出现在“需求”领域。

需求计划、订单管理和价格管理位列前3位，是目前从大数据中获益最高的领域，见图9。

深蓝色的柱形代表数据类型的价值，浅蓝色的柱形代表数据类型绩效，白色柱形里的数据是二者的差距，数值越大说明企业在该数据类型上远没有达到应该获得的价值，还存在着很大的空间去努力获取该类型数据的最大价值。

从图10中可以看出，在供应链可视性与产品的可追溯性数据源方面，无论是价值还是差距都排列在前2位，有较大的潜力可以挖掘。

目前在供应链上应用大数据的重心更多的是靠近市场的需求端和营销领域，相对于采购与供应领域，市场需求领域更多地首先开展了大数据的应用，许多企业也已经收获颇丰。

因此，在采购与供应领域应该努力迎头赶上时代的步伐，利用大数据为企业和供应链的供应做出更大的贡献。

有了充足的数据，若将其转变为价值还必须有好的方法和先进的工具。

在供应链上，大数据最突出和最能转化价值的应用是借助于商务智能BI软件系统和供应链管理SCM软件系统来实现。

二、大数据环境下采购和供应链管理中的商务智能技术应用

今天，客户需求的个性化特征越来越突出，电子商务和互联网营销已全面普及，多样化的营销方式随之不断涌现，移动互联网与社交已逐渐进入社会生活与工作的不同层面，而传统的管理模式和手段却已很难把握和管控需求的变化。

大数据时代，消费者能够选择购买完全客户化的商品，或从一个可供选择的环境下自行定制商品，例如在网上购买计算机商品时，消费者可以根据自己的需要和喜好定制化购买；对于商家来说，为了扩大销售范围、增加市场份额，他们通常采用特殊的促销策略，将多种相关联的商品实行深度捆绑和关联销售。

个性化驱使商品的生命周期越来越短、淘汰率不断增大，迫使新品推出越来越快、越来越多；在某些特定的时间点，电商们会采取大面积的降价销售手段，例如双十一、圣诞节等，引发消费者大规模的购买行为。

通常，在社会与市场的新环境、新形式下会涌现出新的商业业态、模式和行为等，这些都为供应链上的需求与供给平衡匹配带来新的难题，使得企业更难以掌握市场需求与资源整合，导致需求与供给失衡，预测不准。

当需求信号传递滞后使得采购与供给计划赶不上需求变化时，就会造成库存大量积压的同时还常常出现库存短缺的现象。

这样一来，成本的上升吞噬了盈利。

对于这些难题，企业可以充分利用大数据技术，基于已有的业务数据，运用商务智能BI和供应链管理SCM等信息化技术，对各项关键业务进行深度的挖掘与分析，掌握其特性与特征，发现改进的机会并对其进行优化，从而实现由粗放管理到精细管理的转变。

对于改进的业务可以落实在采购与供给业务的各项工作和各个方面，目前应用较多或收获较大的环节主要表现在需求预测、采购战略和业务规则的制定、采购业务的分析与改善、供应商的管理、库存占有量的降低、日常业务可视化监控和预警等方面。

案例分析：

大数据驱动联合利华供应链

消费者从超市货架上取走一瓶联合利生产的洗发水对联合利华（中国）来说，就意味着它的1500家供应商、25.3万平方米的生产基地、9个区域分仓、300个超商和经销商都因此而受到牵动。

这是构成公司供应链体系的一些基本节点。

它的一头连接着来自全球的1500家供应商，另一头则是包括沃尔玛、乐购、屈臣氏和麦德龙等在内的总共约300个零售商与经销商所提供的超过8万个销售终端。

此外是：

清扬洗发水、力士香皂、中华牙膏、奥妙洗衣粉等16个品牌将近3000多种规格（SKU）的产品，以及在中国超过100亿元人民币的年销售额。

每当消费者买走一件产品，联合利华整条供应链的组织运转就会受到影响。

1.深度数据挖掘与需求分析

不同于家电、汽车等耐用消费品比较容易预测消费趋势和周期，快速消费品行业由于其消费者的购买频次更高，消费结构更为复杂，以及销售过程中充满许多不确定性，企业较难对它做出需求预测。

最头疼的情况是大客户采购，这种情况可能使超市的现有库存顷刻间耗尽。

为了避免类似的手忙脚乱，又不想增加库存加大成本，更不想丢失客户，联合利华需要准确地预测未来的销售情况。

每天，分散在全国各地的业务人员巡店后，将销售数据输入到一个手持终端，源源不断地把销售情况汇总到公司的中心数据库里。

与此同时，直接与公司总部数据库对接的诸如沃尔玛POS机系统和经销商的库存系统等，将店里的销售和库存数据及时反映到公司的中心数据库中，使不论上海中国总部还是伦敦全球总部的管理人员，都能了解到中国超过1万家的零售门店在任何一天内的销售情况和业务数据。

其余还有7万多个销售终端，数据更新以周为单位，这些大样本的数据来源，可以保证销售预测的波动（例如令人头疼和难以预料的团购情况）能被控制在合理的范围水平内。

但仅仅通过汇总购买行为这类数据，还不足以准确预测出未来一段时间内的需求，那些代表预测销量和实际销量的分析曲线，只是依赖数学模型和复杂的计算完成了理论上的工作，还需要做进一步的分析。

这就需要其他的业务数据，例如对某产品制定的促销方案是降价还是买赠、在某时段内投入了多少宣传力度、覆盖了多少区域或渠道等，都会影响到该产品最终增加的销量，同时还要与其他业务部门如生产、采购、财务、市场等团队进行协同，共同利用这些数据，预测和分析结果。

联合利华按照16个品牌的产品形态划分出四大业务类别，每个品类都有一个团队来预测产品的销售情况，并分析进一步影响采购、生产环节的实际运作。

当洗发水以瓶为单位售出后，采购部门得到的信息则是原材料A和包装材料B又将会有新的需求，在系统里一瓶洗发水会被分解成40多种原材料，这些数据会落实在其物料清单BOM上。

2.全球协同采购

按照公司实行的全球化范围的采购与生产体系，消费者购买行为对采购、生产的影响就是全球性的。

目前，公司旗下400多个品牌的产品在六大洲270个生产基地生产，所有涉及原料和包装材料的采购问题，包括采购地和供应商的选择，以及采购规模与频次的安排，都是由全球统一进行调配。

这种全球化的操作将在成本集约上体现出规模效应，但同时也对公司的供应商管理水平提出了挑战。

2002年，公司在上海成立了全球采购中心，从中国向全球出口原料及成品，这里生产的牙膏最远销售到智利，中国的供应商总数规模在1500家左右。

利用大数据与业务分析，一些能够同时提高合作方效率的合作会在这里开展：

一些在内部被评定为A级的供应商被视作战略合作伙伴，它们会为生产提供定制化的材料，而自己的设计与研发人员也会对供应商的设备、流程等十分熟悉，双方会针对一款新产品在很早期就开始合作，联合利华会从技术方面对供应商提供指导。

联合利华利用大数据对供应商进行管理，有一套全球共同执行的标准。

一个跨部门的管理团队每年会重新审核供应商等级，对A级供应商更是到场审计两次，不仅是技术水平、产品质量、资金规模等常规指标，还包括绿色、环保、用工条件等社会责任方面的情况，如果在其中哪个方面没能达到要求，就将面临从采购名单里消失的风险。

3.高效协同生产

每当商品售出时，生产部门就要和计划部门对接对售出产品的数据做出响应。

根据售出产品的相关数据，生产计划经理进行分析并做出决策。

除了通过需求计划经理得到需求预测，他还必须获得其他业务信息，例如通过采购团队掌握所有供应商的交货能力，通过工厂负责人了解目前生产线上的实际产能，等等。

然后，将这些信息汇聚在一起统筹分析，做出下一段时期内的产能供应水平。

根据这些大数据，工厂最终制定出生产安排，指挥一个年产值为140亿元的生产系统在每一周、每一天里如何调度它的每一家工厂、每一条生产线、按照速度和专长的不同安排生产（洗发水生产线就有十多条），完成300多个规格（SKU）的洗发水生产，以尽可能达到产能最大化，以满足那些分散在全国各地甚至世界其他地区不断增长的购买需求。

关于消费者打算在何时何地购买这瓶洗发水的行为，将给联合利华的分析人员带来一道复杂的统筹学问题。

4.渠道供应链管理，赢在货架

联合利华在全国设有9个销售大区，首先成品从合肥生产基地的总仓发往上海、广州、北京、沈阳、成都等9个城市的区域分仓。

为了保证这瓶洗发水能够准时到达最终的货架，分销资源计划员既要规划路线，又要考虑库存成本和各条运输线上波动的运输能力。

比如，春节将是联合利华产品的销售旺季，而临近春节时往西方向的铁路线会很拥挤，公路运输也比较忙，这还考虑很多发生在路上的临时突发的状况。

因此，必须有充足的数据进行详细周密的分析，并与其他业务部门协商，做出例如“规划如何在西区提前建立库存”等的决策。

联合利华用活了数据，从超市货架上每个产品的变化，一直到自己的供应商，这是一条能产生出高价值的数据链路，而利用链路上每一节点的数据来优化和改进业务，使得业务运营获得了骄人的好成绩。

例如通过对缺货的分析，找出导致一瓶洗发水在货架上缺货的真正原因：

是门店方面没有及时下单，还是系统虚库存，又或者是因为库存堆放问题等，找到了真正的原因改进了缺货率，使其重点门店的货架满足率提高到了98%，上升了8%（货架有货率每提高3%，就会带动产品销售提高1%）；又如与超商启动了回程车项目优化，在联合利华合肥总仓、乐购嘉善总仓、乐购合肥门店之间，把双方的取货、发货和运输线路放在一起进行分析和优化设计，减少了返程时的空车率，节约了10%左右的物流成本，同时也完成了公司对碳排放降低的要求；再如，通过分析与优化，提升了服务效率和客户的投资回报率。

2011年联合利华的这一排名从2004年的20名之外上升至第二名，实现了它“赢在客户”的目标规划，无论在它的销售、采购、库存、生产，还是在物流等方面的业务都有了很大的提升。

三、大数据环境下采购和供应链管理的优化与决策

日益复杂的商业环境使供应链网络结构的合理性问题成为当前供应链管理的一个重要难题，也是企业供应链管理面临的一个全新挑战。

企业与供应链管理人员面临着不断提升客户满意度、迎接全球化经营的挑战，他们希望能不断地扩张业务并占领更多的市场，能开发和生产更多更好的产品，在最恰当的时间和地点、以最低廉的成本、最优惠的价格、最好的状态与质量为最合适的客户提供最佳的商品和服务，能有效地识别和确定供应链策略来实现成本与服务的平衡，并以此获得自身的利益最大化。

长期以来，企业与供应链的管理者苦于缺乏有效的管理方法和技术手段，无法实现科学与正确的决策与优化，来指导业务实现最佳运营，比如：

λ在原有的服务水平基础上，原料/零部件应从何处获得成本最低？

如何在保持该成本基本不变的情况下提升服务水平?

λ应采取什么采购策略来平衡既定的成本与服务？

λ是自行建立仓库还是由供应商建立仓库？

设在何处最合适？

λ仓库里的货物应该为哪些生产或经营点供货？

供应多少并以什么方式供给为最佳？

λ如果投入新品或开拓新市场，如何整合现有/新供应商的能力支持目标生产产能？

λ在季节性需求将增加时应提前储备多少库存存货？

λ当供给能力出现不足时是开拓现有供应商供货能力还是寻求新供应商？

λ应该在哪些工厂（DC、仓库等）生产（配送、存储等）哪些产品？

分别生产（配送、存储）多少能够实现价值最大化？

λ是否要增加（或减少）经营设施（工厂、仓库、DC、服务中心、门店等）？

λ仓库（DC）里各种物资的库存策略怎样制定才能最大限度地降低库存和减少缺货？

λ某个供应商（工厂、DC、仓库）应该给下游哪些节点提供供给？

供给什么？

分别供给多少利润最大？

λ整个分销与配送网络应该设置几级库存？

分别是怎样的库存量设置才能即时满足市场需求，又同时实现网络库存最小化？

λ应该怎样定价和用什么方式的促销才能以最低的成本增加销售额？

上述问题的复杂性在于其涉及到极多因素和这些因素之间的平衡，想要通过“拍脑门”的人工方式或简单的计算根本无法解决。

要想对这些问题做出最优化的决策，必须有大数据为基础，用BI分析提炼数据，有供应链管理系统的模拟优化功能对整个供应链网络或某些局部环节进行模拟优化。

模拟优化的对象可以是事件、设施、路径、流程、产品、运输、节点等，也可以是这些元素组成的网络以及相关的业务，既可以是单目标优化，也可以是多目标优化。

一般情况下，供应链的优化决策工作原理与流程图如图11所示。

案例：

供应链优化案例―福特公司供应链供给业务的优化

为了增强竞争力，福特公司采用业务数据和优化工具成功地与它的数千个供应商和服务商实现了紧密的业务连接。

福特公司在全球有4000多个供应商，为它分布于全球的100多个制造工厂供货。

福特的目标是渴望能有一种好的方法来优化其复杂的、覆盖全球的供应与生产网络，采用互联网将其汽车生产的供给业务、供应商和服务商连接在一起，直接与供应商和物流服务商交换并共享发送物料与生产计划的信息。

它采用供应链优化建模的方法，可以同时对一个接近无限元素的数据类组进行筛选和评估，在此基础上进行优化，为福特提供一个可选择的基于排序的决策流程。

优化系统在获得与部件和生产业务相关的数据后，产生一个优化的、与福特预定的供给业务优先权相吻合的优化供给流程。

这些优先权因素可以很容易地被引入到每一次的模拟运行中，这使福特能够平衡供应链网络中的元素和细微的差异，从而提供了具有“whatif”的高级分析功能。

例如，某些生产计划经理可能打算在他们的工厂里实施特殊的策略和处理过程来接收和管理库存与部件，如在自己的仓库里保持少于2个小时的库存量这样的策略。

在实施这些业务变革前，可以在优化系统中插入约束因素，然后通过该系统观察约束因素对供给成本和网络中其它因素产生的影响。

运用这种优化方法，福特公司就可以做出优化的决策。

例如，“如果花费了X去做某事，是否能够得到大于X的价值呢？

”“在供给网络中，这是一个正确的业务决策吗？

”。

福特公司的网络相当复杂，全球供给部门雇佣了300名左右的物流专业人员从事将进货物料运送到装配点，将汽车从工厂送给经销商和全球客户等业务。

总装厂的整车平均需要大约2500个部件。

接近4000个全球供应商运送零部件和组件到31个生产发动机和转速器的工厂、13个冲压厂和54个装配厂。

从那些装配厂，整车被运往200多个国家的20000多个经销商处。

福特每年65亿美元的运输费用实际上包含了所有现有的现代化的运输模式。

为了更靠近客户，福特转向了面向定单的生产，由消费者驱动业务环境和采用精益制造的生产方式，它希望物流部门能提供一个建立在潜在资源基础上的“完善的、及时的和可重复的物流成本评估方案”。

另一个期望是在计划中，实现将进货物流与同步化的物料流集成在一起的目标和策略。

这样做面临的挑战是美国铁路系统在服务方面的欠缺，运输形式需要转向公路运输。

然而，工厂一级的阻碍经常破坏了计划的执行，例如进货卡车无法在预定的地点卸货，无法直接将部件和组件运送到各个装配线上的问题常有发生，等等。

福特清楚地了解到，它必须将自己的物流流程与物流伙伴的流程紧密集成在一起，才能实现这一目标。

福特的物流服务商包括Penske、WorldwideLogistics、FedEx和Autogistics（