庄晓天，美国亚利桑那州立大学博士，北京市人工智能正高级工程师。担任上海交通大学 、同济大学、西安交通大学、华南理工大学、北京理工大学、北京交通大学、北京邮电大学、东南大学、北京工商大学、东北大学研究生校外导师，南开大学、中国科学院大学、哈尔滨工程大学MBA导师。发表SCI期刊、国际会议论文30余篇，获得国家发明专利授权50余项，参与多个国家级重点科技项目。

南开/人大商学院教授联袂推荐！
十年工业界智慧沉淀，以收入、效率、成本、体验四大维度重构智能供应链实战体系。
?? 12个行业案例：覆盖定价、仓储、物流、客服全场景。
?? 全流程代码实操：从数据清洗到模型部署，附Python实战代码。
?? 破局人机协同：打破“算法黑箱”，让技术扎根业务痛点。
无论你是数据科学家、供应链管理者，还是高校研究者——一本书构建数据驱动决策的系统能力，让供应链从“经验主义”迈向“智能决策”

我为什么要写这本书

2016年，互联网知识分享的浪潮席卷而来。仿佛一夜之间，线上线下骤然涌现出无数“导师”，人人皆能执灯引路。在太太的鼓励下，我心怀忐忑地注册了“在行”平台，开始以一对一的形式分享供应链与数据科学方面的工作经验。彼时的我未曾想到，这看似寻常的尝试，竟成了我人生中一段重要旅程的起点。

我清晰地记得那个黄昏，约我在朝阳路麦当劳见面的，是一位言辞拘谨却眼神炽热的年轻人。他怀揣着成为数据科学家的理想，却不知该从何学起，更担忧毕业后的生计——毕竟，靠着助学贷款和勤工俭学完成学业的他，早已不愿让家人再增添分毫负担。那一刻，我仿佛看见多年前那个局促迷茫的自己，像一粒尘埃，在命运的风口无措飘荡。临别时，他起身向我深鞠一躬，说这是第一次有人愿花几小时为他规划职业路径，勾勒未来的轮廓。转身离去时，夕阳将他的影子拉得很长，恍惚间与记忆里那个孤寂的背影重叠。

此后数年，我开始陆续在自媒体上分享职场经验，在大学课堂上讲述实践案例，在各地举办的沙龙中与年轻人围炉夜话。我遇见过自考本科逆袭大厂的追梦者，遇见过因中年危机彻夜难眠的职场人，也遇见过突破自我重构命运的创业者。尽管见证过许多励志故事，但我仍时常唏嘘：那些没有家庭荫庇、缺乏经济支撑、鲜有前辈指引的年轻人，只能在城市的缝隙中倔强生长，用一次次试错参透社会的规则，即便遭遇再大的挫折委屈，也只能在深夜里给自己一个无声的拥抱。然而，每个平凡的青春都不该被蹉跎，每个朴素的梦想都值得被托举。从那时起，我便暗下决心：要倾尽所能，让这些年轻人看见更辽阔的世界，让他们的职业道路少一些踉跄和徘徊，多一些温暖的微光。

本书的雏形始于2017年，未曾想竟跨越了八年光阴。期间我辗转了三座城市，历经两次职业转型，书稿中不仅凝结着数据科学在供应链领域的实战智慧，更镌刻着我从算法工程师到团队负责人、从职场打工人到行业分享者的蜕变轨迹。我常对身边人说，若有一天离开现职，定要投身教育——既是为暗夜独行的年轻人燃一盏灯，亦是为当年那个淋雨奔跑的少年撑一把伞。

这本书能带给你什么

作为“智能供应链系列”的第三本书，本书聚焦于数据科学在供应链领域的落地实践。如果说预测算法是“望远镜”，运筹优化是“指南针”，那么数据科学就是贯穿全程的“显微镜”——它让模糊的业务痛点显影为清晰的数学语言，让经验主义的决策升华为数据驱动的智慧。本书以收入、效率、成本和体验四个维度为脉络，通过12个行业案例诠释理论与实战的交融。在构思时，我曾纠结是否要保留那些充满主观色彩的思考痕迹，最终我决定：与其追求滴水不漏的标准答案，不如还原真实的探索路径。毕竟，解决问题的魅力不仅在于答案本身，更在于寻找答案时迸发的灵感火花。

对初入职场者：迷雾中的星图

本书不是包罗万象的“百科全书”，而是为你量身定制的“生存罗盘”。书中没有晦涩的公式堆砌，只有“老司机”的避坑指南：当数据杂乱无章时，如何用Python快速清洗？当客户质疑算法效果时，如何用A/B实验证明技术价值？当领导提出“既要、又要、还要”时，如何用帕累托前沿平衡多方诉求？这些看似琐碎的细节，既是专业成长的铺路石，更是职场生存的必修课。正如海明威所言：“这世界是美好的，值得为之奋斗。”那些令你辗转反侧的难题，终将成为铠甲上的勋章。

对资深从业者：破界的利刃

对于所有在深水区潜行的探索者，当你在长期投入与短期压力间进退维谷，在算法创新与商业价值间反复权衡时，本书愿作你案头的思维棱镜。我们无意提供标准答案，而是呈现思维碰撞的火花：如何让冰冷的公式拥抱人性的温暖？如何在混沌交织的约束下寻找曙光？恰如爱因斯坦的箴言：“想象力比知识更重要。”知识的疆域终有边界，而想象力的双翼可抵星海。与此同时，我希望通过本书传递一个信念：数据科学不是随波逐流的浮萍，而是扎根业务的稻穗——越是俯身贴近泥土去思考，越能收获丰硕沉甸的秋实。

对高校师生：理想的摆渡人

若将学术比作精雕细琢的象牙塔，商业便是泥沙俱下的江河。本书尝试搭建连接两者的桥梁——不粉饰理论的完美，不回避现实的粗粝。这里有推翻重来的迭代记录，有未经打磨的“半成品”案例，更有对“学术价值与商业落地”的永恒诘问。这些不完美的过程，恰是真实商业世界的缩影。当你在实验室中推理出完美的模型时，请记得现实数据往往沾着仓库的灰尘、带着车轮的印记——而这些“不完美”的细节，恰是学术研究的金矿。正如达·芬奇所言：“简单是终极的复杂。”或许唯有放下对“完美解”的执念，方能窥见真实世界的斑斓。

致谢

初启“智能供应链系列”时，尚是春樱烂漫的时节。此刻，我仍坐在朝阳路麦当劳的老位置，窗外冬意萧瑟，却掩不住心中暖意。作为互联网浪潮的见证者，我始终笃信：微小的努力能传递燎原的希望，美好的事物永远在奔赴的路上。正如《肖申克的救赎》中所言：“希望是件好事，也许是人间至善。”而这份希望的薪火，从来不会独自燃烧。回望来路，是无数双手为我添柴，是万千目光为我引路。

致读者：同行万里的星辰

感谢始终与我相伴的读者。是你们在线上和线下的提问交流，让我不断努力更新知识体系；是你们在深夜发来的学习笔记，让我确信分享的价值远超想象；是你们在公众号的长篇心声，让我在不惑之年重燃少年赤忱。那些跨越屏幕的共鸣，让知识的传递有了温度。

致团队：共赴山海的伙伴

感谢并肩跋涉的伙伴，陪着我一起做着长期而又艰苦的事情。书中字句不仅是对挫败与成长的沉淀，更是对理想主义的生动诠释。愿这段用汗水与热忱写就的旅程，成为更多年轻人心中的灯塔——提醒他们：真正的热爱，从不诞生于掌声雷动的台前，而是萌发于无人问津的暗夜。

致家人：长夜守望的灯火

感谢父母，你们是岁月长河中的灯塔，让漂泊的小船始终记得归途。纵使目送彼此的背影渐行渐远，你们依然站在原地，等我靠岸。感谢太太，你问我为何不爱追逐新鲜，只因我的世界早已被你填满——是十年的深情久伴，是默契的无须多言。感谢儿子，你教会我在蜗牛旁看世界，在落叶里找秋天，在积木中建宇宙。你毫无保留的拥抱，让我触摸到生命最本真的温度。所谓养育，从来不是单向的付出，而是两颗心在成长路上相互照亮。

致自己：不惑归来的少年

小时候忙着系红领巾，想让奶奶高兴；长大后埋头苦读，想让父母骄傲；工作后奋力打拼，想为家人筑港。四十年后，终于学会对自己说：谢谢，你已经很努力了。感谢自己穿越荆棘仍心怀善意，见过幽暗仍相信光明。人生一世，草木一秋，此刻，我愿心满意足地对过往温柔作别。下一程，要去追寻属于自己的海阔天空。

人生海海，山山而川。谨以本书献给所有在命运齿轮下倔强生长的普通人，愿它能化作一粒火种，在某个至暗时刻，照亮你前行的方寸之地。或许我们步履缓慢，但每一步都在缩短与梦想的距离。此去经年，愿我们永远保有出发的勇气——既能丈量数据的经纬，亦能守护心灵的沃野，做永远向光而行的少年。我们也终将在山海交汇处，遇见理想照进现实的自己。

庄晓天

2025年立春于北京

开　　篇

第1章　智能供应链中的数据科学

1.1　智能供应链的兴起与发展

1.1.1　什么是智能供应链

1.1.2　智能供应链的发展历程

1.2　数据科学的概念与发展

1.2.1　什么是数据科学

1.2.2　数据科学与智能供应链决策的六个阶段

1.2.3　数据科学家的角色与职责

1.3　智能供应链中的数据科学

1.3.1　前期：预测与规划

1.3.2　中期：分析与优化

1.3.3　后期：评估与学习

1.4　本书学习路线

1.4.1　本书的目标

1.4.2　本书的结构

1.4.3　如何阅读本书

理论篇

第2章　数据预处理

2.1　数据探查

2.1.1　单变量探查

2.1.2　多变量探查

2.1.3　因果性探查

2.2　数据清洗

2.2.1　缺失值

2.2.2　异常值

2.2.3　重复值

2.3　数据变换

2.3.1　数据标准化

2.3.2　数据编码

2.3.3　数据变换

2.3.4　数据抽样

2.3.5　数据生成

2.4　数据可视化

2.4.1　直方图

2.4.2　箱线图

2.4.3　散点图

2.4.4　热力图

2.4.5　提琴图

2.4.6　饼图

第3章　特征工程

3.1　特征转换

3.1.1　时序差分

3.1.2　时序平滑

3.1.3　时序分解

3.1.4　滞后特征

3.1.5　滚动特征

3.2　特征交互

3.2.1　线性组合

3.2.2　多项式组合

3.2.3　分组聚合

3.3　特征映射

3.3.1　主成分分析

3.3.2　分箱

第4章　数据挖掘

4.1　回归模型

4.1.1　简单线性回归

4.1.2　多元线性回归

4.2　分类模型

4.2.1　Logistic回归

4.2.2　K近邻法

4.2.3　决策树

4.2.4　朴素贝叶斯分类器

4.3　聚类

4.3.1　K-means算法

4.3.2　层次聚类

4.4　关联规则分析

4.4.1　Apriori算法

4.4.2　FP-growth算法

第5章　效果验证

5.1　假设检验

5.1.1　显著性检验

5.1.2　等效性检验

5.1.3　方差分析

5.1.4　序贯检验

5.2　事前分流方法

5.2.1　哈希分流

5.2.2　时间片轮转算法

5.2.3　网络分流算法

5.2.4　智能流量调优算法

5.3　事后分析方法

5.3.1　倾向得分匹配法

5.3.2　双重差分法

5.3.3　合成控制法

实战篇

第6章　价格：物流运输定价

6.1　背景介绍

6.1.1　物流运输定价的商业背景

6.1.2　物流运输定价面临的主要挑战

6.2　问题描述

6.3　解决方案

6.3.1　整体框架

6.3.2　实现方法

6.4　案例分析

6.4.1　特征工程

6.4.2　建模与评估

6.4.3　结论

6.5　本章小结

第7章　渠道：订单裂变营销

7.1　背景介绍

7.2　问题描述

7.3　解决方案

7.3.1　整体框架

7.3.2　实现方法

7.4　案例分析

7.4.1　数据准备

7.4.2　数据分析

7.4.3　建模

7.4.4　结论

7.5　本章小结

第8章　促销：电商促销策略

8.1　背景介绍

8.1.1　促销活动的商业价值

8.1.2　促销策略的设计框架

8.2　问题描述

8.3　解决方案

8.3.1　整体框架

8.3.2　实现方法

8.4　案例分析

8.4.1　数据预处理

8.4.2　数据分析

8.4.3　销量预估

8.4.4　结论

8.5　本章小结

第9章　仓储：商品存储策略

9.1　背景介绍

9.1.1　传统存储策略

9.1.2　多级库存存储策略

9.2　问题描述

9.3　解决方案

9.3.1　关联品挖掘模型

9.3.2　销量预测模型

9.3.3　模型求解

9.4　案例分析

9.4.1　关联品挖掘

9.4.2　销量预测

9.4.3　模型求解

9.4.4　结论

9.5　本章小结

第10章　网络：分拣直派模式

10.1　背景介绍

10.1.1　物流网络

10.1.2　“最后一公里”网络

10.2　问题描述

10.3　解决方案

10.3.1　问题建模

10.3.2　数据来源与分析

10.3.3　模型求解

10.4　案例分析

10.4.1　问题建模

10.4.2　数据分析与处理

10.4.3　模型求解

10.4.4　结论

10.5　本章小结

第11章　配送：“最后一公里”提效

11.1　背景介绍

11.2　问题描述

11.3　解决方案

11.3.1　数据来源与分析

11.3.2　模型选择

11.3.3　效果分析

11.4　案例分析

11.4.1　数据准备

11.4.2　特征工程

11.4.3　模型构建

11.4.4　结果分析

11.4.5　结论

11.5　本章小结

第12章　人：仓内人员排班

12.1　背景介绍

12.2　问题描述

12.3　解决方案

12.4　案例分析

12.4.1　数据组成

12.4.2　数据处理及清洗

12.4.3　数据转换

12.4.4　数据分析

12.4.5　排班模型建模

12.4.6　结论

12.5　本章小结

第13章　货：库存补货策略

13.1　背景介绍

13.2　问题描述

13.3　解决方案

13.3.1　数据挖掘

13.3.2　策略选择

13.3.3　参数推荐

13.4　案例分析

13.4.1　数据集

13.4.2　数据分析

13.4.3　商品分类

13.4.4　补货策略分析

13.4.5　补货参数优化

13.4.6　结论

13.5　本章小结

第14章　场：前置仓布局优化

14.1　背景介绍

14.2　问题描述

14.3　解决方案

14.3.1　整体框架

14.3.2　数据准备

14.3.3　前置仓布局建模

14.4　案例分析

14.4.1　销售数据分析和准备

14.4.2　备选仓节点分析和准备

14.4.3　线路数据分析和准备

14.4.4　模型求解和结果分析

14.4.5　结论

14.5　本章小结

第15章　物流：时效能力提升

15.1　背景介绍

15.1.1　物流的客户体验

15.1.2　物流时效

15.2　问题描述

15.3　解决方案

15.3.1　数据组成

15.3.2　数据分析

15.3.3　模型选择

15.4　案例分析

15.4.1　时效竞争力模型

15.4.2　数据预处理

15.4.3　相关性分析

15.4.4　模型选择

15.4.5　效果验证

15.4.6　结论

15.5　本章小结

第16章　信息流：客服进线量分析

16.1　背景介绍

16.2　问题描述

16.3　解决方案

16.3.1　数据分析

16.3.2　特征构造

16.3.3　模型搭建

16.4　案例分析

16.4.1　数据收集

16.4.2　数据分析

16.4.3　特征构造

16.4.4　模型搭建

16.4.5　结论

16.5　本章小结

第17章　资金流：理赔服务升级

17.1　背景介绍

17.1.1　物流行业差异化保价和理赔服务

17.1.2　保险行业精细化理赔运营

17.1.3　物流理赔服务升级思路

17.2　问题描述

17.3　解决方案

17.3.1　分布可视化

17.3.2　分层标注

17.3.3　建模与模型选型

17.3.4　数据预处理

17.3.5　损失函数选择

17.3.6　超参数选择

17.4　案例分析

17.4.1　样本收集

17.4.2　分层标注及观测

17.4.3　模型训练

17.4.4　结论

17.5　本章小结

第18章　总结

18.1　本书回顾

18.2　数据科学面经

18.2.1　技术面

18.2.2　业务面

18.3　成长路线

18.3.1　初入职场：夯实基础

18.3.2　职场进阶：提升技能

18.3.3　高级发展：引领创新