沪ICP备16048243号 Copyright © 2016 悠桦林信息科技
技术支持：逐鹿科技
悠桦林致力于推进基于海量数据的智能决策技术 Data Driven Decision 在中国的落地推广，
助力中国企业实现从自动化到数字化到智能化的战略转型。公司以世界领先的运筹学OR 、人工智能AI与可视化技术
为核心驱动力，为大交通和供应链等领域的企业客户提供从数据战略咨询到软件方案落地实施等一揽子的智能决策整体解决方案。
源自美国知名企业的前沿设计理念和美国顶尖高校的最新研究成果。
首席科学家为美国工程院院士，运筹学最高奖项冯诺依曼奖获得者Ellis Johnson，核心团队均为美国一流高校博士，知名企业科学家。
助力企业实现智能化战略转型，打通数据链条，盘活沉淀数据，真正实现数据价值变现。
中国上海上海市普陀区
中山北路3300号环球港B座18F
联系电话
021-54592176
投递简历及招聘相关
请联系contact@youhualin.com
业务需求、商务合作或融资洽谈
请联系business@youhualin.com
请填写您的联系方式，以便获取悠桦林的产品和服务信息
沪ICP备16048243号 Copyright © 2016 悠桦林信息科技
技术支持：逐鹿科技
随着国内民航业跨越式发展，飞机规模和航班数量迅猛增加，国内航空公司普遍面临着机组培养跟不上机队扩张的步伐，通过大数据分析智能优化机组资源，在满足民航总局法则和航空公司各项规定的前提下，提高机组使用率成为各家航空公司的迫切需求。
机组排班系统在满足局方121部R4/5的规章前提下，同时考虑航司实际运行情况，合理组环联线，降低整体的搭机、过夜次数，提高空勤人员日均小时，降低运行成本。并且考虑空勤人员的疲劳度、舒适度，兼顾现场监控对运行保障的稳定性要求，给出航司计划、监控、执行各方均衡性都满意的排班计划。
航空公司需要根据市场需求预测、飞机运行特性、人力资源配置、国家政策法规和竞争对手策略来规划航线网络，是运筹优化在航空领域的典型运用，也是整个航空公司运营的基础。
我们的航线网络优化采用前沿数据模型和算法，在兼顾机队规模、运行规定、过站时间等限制性条件下，通过分析各市场的需求、运力、时刻分布水平，帮助用户寻找最佳的长、中、短期的航线网络结构、提高整网收益和飞机利用率等。该解决方案可为用户在新开/加密航线、航线结构优化、航线时刻优化、航线机型优化、航班取消选择等应用场景提供有效的决策辅助工具。通过航线网络优化，为航空公司新增数亿元销售收入。
随着航空公司规模的高速扩张，座控人员发现需要管理的航班数量越来越多，想实时管控每个航班的舱位开放状态以及数量的调整，已经越来越成为一个艰难的任务。如何高效的实现每个航班的精细化舱位管理，一直是航空公司收益管理部门最大的诉求。
座控调舱解决方案可以根据竞争市场、销售水平、旅客构成、票价结构等各类资源条件，通过实时采集当前订座数据和外航价格水平，结合座控人员事先拟定的控制策略，对属于不同节假日或淡旺季的每个航班，利用科学的方法分析每个舱位的可能需求增量以及超售收益，根据最优策略的判断，高效、自动的管控航班舱位布局数调整和开放情况，从而有效提高航线座公里收入水平。该解决方案即可以减少因管理疏漏忘记开关舱位而带来的收益损失，也可以利用分析数据帮助座控人员寻找航线销售规律，以选择最佳的座控策略。
随着民航总局对运价改革的一步步深化，航空公司开始发现原先的单一的定价策略已经很难跟得上市场的变化。在充分竞争市场上，每一个竞争对手都在不断的博弈中寻找自己最佳的利益点。
动态定价就是帮助航空公司不再拘泥于传统定价方式，而是利用最优定价流程及策略的新型定价工具，在综合实时的竞争环境、服务能力、旅客画像等多维条件下，实现灵活、快速、准确的定价，以适应瞬息万变的市场，发掘客户和市场的最大潜力。
尽管航空公司通过航线网络、机组排班、收益管理等先进优化方法提升了运营效率，但是往往计划赶不上变化，极端天气、机械故障等因素常常打乱原有规划。美国每年因为航班延误直接经济损失高达数百亿美元。
不正常航班恢复要求在满足机组维护、操作规程、法律法规的前提下，尽可能降低全局恢复成本，减少旅客行程延误。将航班计划、机队编排、机组排班、旅客行程等问题进行重新组合分配，得到整体恢复决策支持结果，在延误的情况下，迅速获得更优解决方案，减少损失。
多点取货业务和城市配送业务，作为物流运输的两端环节，直接面对着供应商或客户，其业务有着需求分散、数量众多、时效要求高、在途运输路况复杂等特点， 导致运输路线的规划排定考虑因素极多，很难使用手工方式进行排定，于是普遍存在使用车辆资源多、运输里程长、司机工作时间长、错过取送时间窗口、成本高等问题。
悠桦林物流路径规划解决方案，能够基于业务需要，综合考虑司机资源、收发货点收发时间窗口、车辆运力、订单量及订单分布、装卸效率、在途时间、交通法规成本等多项影响因素，通过高效的优化算法进行全局优化， 快速排定循环取货/循环送，或边取边送等运输路线，实现路线、订单、取送货点、司机与车辆等的快速绑定，获取的路线方案能够有效降低车辆占用、降低运输里程、提高路线排定效率、降低运输成本。
主要应用场景：如快递/快运的多点取货/多点送货业务、生鲜的送货业务、运输公司的计划排定、评估运输资源等
伴随着业务的快速发展，粗放发展时期的供应链网络会与越来越高的管理要求产生越来越多的碰撞，此时评估和建设高效供应链网络变得迫切重要， 而首当其冲的就是供应链网络的规划。在规划过程中，需要去评估和分析各项业务，比如：当前这么多的仓库是否合理？是否可以整合？ 应该建立多少仓库等设施？建在哪里？什么时候建？建多大合适？这些仓库应该供应哪些供应商和客户？应该从工厂/供应商直送还是经过仓库进行中转运输？ 如果采用先建设再在实际经营中评估的方式，则会给相应的投资带来极大的风险，所以事前的评估分析非常重要。
悠桦林物流网络规划解决方案，能够基于历史数据，结合客户未来发展规划，同时兼顾成本与服务水平， 对现有供应链网络进行评估分析，通过全局的定性和量化分析，基于业务要求设计更合理的网络结构和层次。 在实现全网络覆盖的基础上，增加物流网络灵活性，帮助企业减少成本、降低风险。
主要应用场景：评估物流网络合理性、仓库/中转场优化选址、物流运输路径优化等
在供应链系统中，需求预测是销售计划、补货计划、生产计划的基础。在物流业务中，需求预测可以为物流企业提示出物流市场未来的趋势和方向， 可以根据各个运输节点的需求/货量预测，规划及优化相应的运输资源，做好提前应对措施。 比如，面对节假日的消费暴增、企业市场营销活动引发需求/货量增长、消费淡旺季等市场状况，合理的需求预测与物流计划对企业的经营就显得尤其重要。
悠桦林物流需求预测解决方案，能够参考历史数据和人工经验，并使用AI机器学习和OR运筹优化等技术对需求/货量进行预测。 机器学习技术能够更加高效准确地发掘数据规律、提炼人工经验，提高需求/货量预测准确性；然后可以基于获得的需求/货量预测结果， 运用运筹优化算法对物流方案进行评估分析，并获得最优方案，帮助企业提高物流运作效率和效益。
主要应用场景：物流业务效益评估、中短期运力资源分析、节假日运力评估等
需求个性化和多样化对库存管理提出了越来越高的要求，尤其是多仓情况下的库存高企和意外缺货对企业的经营带来极大的不便，容易导致企业资金占用或降低客户服务水平。 为了提高库存管理能力，需要对全系统库存进行分析和评估，解决库存管理中的诸多问题：库存应该放在哪里？放多少？什么时候放？什么时候补货？补多少货？产品在不同的区域销售特征是怎样的？ 哪些属于快流件？哪些属于慢流件？针对不同的产品和区域应该采用怎样的库存策略？
悠桦林库存优化解决方案能够使用AI机器学习技术对需求特征进行分析和分类，给出区别化的库存放置策略， 并基于OR运筹优化算法对库存结构和库存量进行优化，获取全局最优的库存策略。 帮助企业有效降低库存水平，降低库存持有成本，提高库存周转。
主要应用场景：企业库存评估、库存策略优化等