物流企业遗留系统现代化与 AI 智能调度案例

客户背景

该客户是一家中大型物流与供应链企业，业务覆盖第三方物流、港口拖车、仓储配送和多式联运。

企业内部长期运行多套核心业务系统，包括 TMS、WMS、调度系统、仓储系统和财务结算模块。部分系统部署时间较早，底层架构复杂，数据接口有限，甚至仍依赖 AS400 / IBM i 或高度定制的关系型数据库。

这些系统支撑着日常接单、调度、仓储、运输和结算流程，但系统之间的数据协同能力不足。

当港口拥堵、底盘车紧张、仓库月台排队或运输线路异常发生时，管理层很难实时看到跨业务线的完整运营状态。

为保护客户商业机密，本文中的客户名称、系统架构、运输数据、仓储数据和运力网络信息均已做匿名化与脱敏处理。案例内容基于真实企业级 AI 项目经验，并结合典型物流与供应链运营场景整理呈现。

项目挑战

客户的核心问题不是缺少业务系统，而是关键数据被锁在多个遗留系统中，无法实时汇总到同一个决策层。

传统物流企业的数字化难点，往往不是单个系统是否可用，而是系统之间是否能在高压运营场景下快速协同。

遗留系统承载核心业务，但难以扩展

客户的 TMS 和 WMS 已经深度嵌入日常运营。

这些系统承载订单、调度、库存、仓储和结算数据，不能轻易替换。

如果强行进行“推倒重来”式系统替换，不仅成本高，还可能造成业务停摆、数据迁移风险和员工使用阻力。

客户希望保留核心系统，同时获得现代数据能力和 AI 分析能力。

TMS 与 WMS 数据割裂

运输系统中有车辆、司机、任务、线路、预计到达时间等信息。

仓储系统中有库存、月台、入库、出库、库位和订单状态。

但在实际运营中，调度员和管理层很难实时看到运输状态与仓储状态之间的关联。

例如，车辆预计到达时间和仓库月台分配长期分离，导致仓库和运输团队很难提前协调。

港口拥堵和压车时间缺少实时预警

在港口拖车和跨境物流场景中，港口压车时间、底盘车可用性、堆场拥堵和货柜释放状态都会直接影响成本。

如果系统只能依赖事后报表，调度团队往往无法在成本失控前及时调整策略。

客户需要更早识别异常，例如某个港口平均周转时间持续上升、底盘车分离费用增加、某条线路延误率升高等。

管理层无法用自然语言查询复杂运营指标

高管和运营负责人经常需要跨系统回答问题：

• 本周哪个港口压车时间最高？
• 哪些线路的滞留费异常上升？
• 哪些仓库月台利用率过高？
• 哪些客户订单受港口拥堵影响最大？
• 是否应该将部分货量重定向到其他港口或仓库？

过去，这些问题通常需要 IT 或数据团队临时取数、写 SQL、整理报表。

响应周期慢，无法满足高频运营决策需求。

ZenAI 交付了什么

这个项目的重点不是替换客户现有 TMS 或 WMS，而是搭建一套“零侵入”的现代数据与 AI 调度辅助层。

ZenAI 通过非侵入式数据捕获、数据湖仓、AI 原生语义层和元数据 RAG 问答中枢，帮助客户在不干扰核心业务系统的前提下，将运输、仓储、港口和运力数据连接起来。

系统让管理层可以通过自然语言查询运营指标，并获得基于数据的调度辅助建议。

1. 非侵入式数据捕获

ZenAI 首先对客户的遗留系统架构进行评估。

针对运行在 AS400 / IBM i、DB2 或高度定制数据库上的老系统，ZenAI 采用非侵入式变更数据捕获（CDC）方式抽取数据。

这种方式不直接冲击核心业务查询引擎，而是通过日志或变更记录捕获数据变化。

系统可以同步：

• 运输任务
• 车辆和司机状态
• 订单状态
• 仓库库存
• 月台分配
• 入库和出库记录
• 港口提柜状态
• 费用和结算数据

这样既能获得接近实时的数据流，也能降低对核心系统性能的影响。

2. 现代数据湖仓

从遗留系统抽取的数据进入现代数据湖仓。

ZenAI 根据客户情况设计 Snowflake、ClickHouse 或类似架构的数据层，用于承接运输、仓储、订单和财务数据。

通过数据湖仓，客户可以将原本分散在 TMS、WMS 和结算系统中的数据统一起来。

这为后续的跨系统分析、AI 查询和调度优化打下基础。

3. AI 原生语义层

物流系统的底层表结构往往非常复杂。

真实数据库中可能包含大量历史表、状态字段、内部编码和高度定制逻辑。

如果让大模型直接猜测数据库结构，容易产生错误查询和不可靠结论。

ZenAI 为客户构建了 AI 原生语义层，将底层字段封装为经过业务专家确认的指标和维度。

例如：

• 平均港口周转时间
• 底盘车分离率
• 月台利用率
• 订单延误率
• 客户级滞留费用
• 仓库库存周转
• 线路准时率

语义层让 AI 查询基于可靠指标，而不是直接在复杂数据库中“猜字段”。

4. 元数据 RAG 问答中枢

ZenAI 基于语义层搭建了元数据 RAG 问答中枢。

高管和运营团队可以用自然语言提问，例如：

“对比本周 LA / LB 和奥克兰港的平均压车时间，找出底盘车分离费用上升的原因。”

系统会根据问题检索指标定义、数据血缘和业务口径，并生成可执行查询。

查询结果会以自然语言解释，同时附带关键数据来源。

这让业务团队不必每次都等待 IT 部门临时取数。

5. AI 智能调度辅助

在数据和语义层基础上，ZenAI 配置了 AI 调度辅助能力。

系统可以根据港口、仓库、运力和订单数据，辅助分析不同调度策略的影响。

例如：

• 是否将部分货量转移到其他港口
• 哪些订单适合调整运输路线
• 哪些仓库可以承接重新分配的货物
• 底盘车资源是否足够
• 调整后是否会增加内陆运输成本
• 哪些客户订单需要优先处理

AI 不直接替代调度员，而是提供数据分析、风险提示和方案建议。

6. 管理层运营看板

ZenAI 为客户搭建了面向管理层的运营看板。

看板覆盖：

• 港口周转时间
• 底盘车使用情况
• 运输任务状态
• 仓库库存
• 月台利用率
• 滞留费和滞期费
• 客户订单风险
• 线路准时率
• 异常趋势预警

管理层可以从宏观指标下钻到具体订单、线路或仓库，提高运营透明度。

平台如何运作

系统围绕物流企业常见的跨系统运营分析和调度决策流程设计。

第一阶段：遗留系统数据接入

系统通过 CDC 或只读接口，从 TMS、WMS、调度系统和结算模块中抽取数据。

数据同步过程尽量不影响前线业务系统运行。

第二阶段：数据湖仓整合

运输、仓储、订单、港口和费用数据被汇聚到统一数据湖仓。

系统对数据进行清洗、关联和标准化处理。

第三阶段：语义指标建模

ZenAI 与客户业务团队一起定义运营指标和业务口径。

底层数据库字段被封装成可理解、可复用的语义指标。

第四阶段：自然语言查询

业务人员可以通过自然语言提出运营问题。

系统通过元数据 RAG 检索相关指标定义和数据口径，并生成查询。

第五阶段：调度影响分析

系统结合港口、仓库、运力和订单数据，分析当前异常对运营成本和交付的影响。

AI 辅助生成可能的调度调整建议。

第六阶段：人工决策与执行

最终调度决策仍由运营负责人和调度团队确认。

AI 提供数据支持和建议，人类保留最终控制权。

项目概览

关键变化

• 数据同步：关键运营数据从 T+1 报表延迟缩短到分钟级同步。
• 系统现代化：保留原有 TMS / WMS，同时建立现代数据与 AI 分析层。
• 自然语言分析：管理层可直接用自然语言查询复杂运营指标。
• 调度辅助：系统可基于港口、仓储和运力数据提供调整建议。
• 风险控制：核心业务系统不被替换，数据抽取过程尽量保持非侵入式。

使用的核心技术

ZenAI 将遗留系统现代化、数据湖仓和企业级 RAG 结合起来。

项目涉及的核心技术包括：

• AS400 / IBM i 遗留系统解析
• DB2 数据集成
• 非侵入式 CDC 数据捕获
• 数据湖仓架构
• TMS / WMS 数据整合
• AI 原生语义层
• 元数据 RAG
• 自然语言 BI
• 智能调度辅助
• 权限控制与审计机制

业务价值

该项目帮助客户在不替换核心业务系统的前提下，获得更实时、更统一、更智能的运营决策能力。

数据可见性明显提升

过去，管理层依赖 T+1 或月度报表查看运营数据。

系统上线后，关键运输、仓储和费用数据可以实现分钟级同步。

这让客户更早发现港口拥堵、费用异常和运力风险。

遗留系统获得现代数据能力

客户没有被迫替换已有 TMS 和 WMS。

ZenAI 通过非侵入式数据层，将老系统中的关键数据抽取出来，并接入现代数据湖仓和 AI 分析层。

这降低了系统替换风险，也保护了客户已有 IT 投资。

管理层查询效率提升

过去，高管提出一个跨系统问题，往往需要 IT 或数据团队临时写 SQL、跑报表、整理结果。

现在，业务人员可以直接用自然语言提出问题。

系统会基于语义层生成查询，并返回带有数据口径说明的分析结果。

调度决策更有依据

AI 调度辅助系统可以结合港口、仓储、订单和运力数据，分析不同调整方案的影响。

例如，当某个港口压车时间明显升高时，系统可以帮助评估是否将部分货量转移到其他港口或仓库。

这让调度决策从经验判断进一步走向数据支撑。

成本异常更容易被发现

系统可以持续监测底盘车分离、滞留费、滞期费、线路延误和仓库拥堵等指标。

当异常趋势出现时，管理层可以更早介入，而不是等到月末结算后才发现成本失控。

为什么这个项目重要

对于物流与供应链企业来说，核心竞争力不只是车辆、仓库和客户资源，也包括数据反应速度。

当港口拥堵、运力波动和仓储压力同时发生时，企业必须快速理解当前状态，并做出调度调整。

ZenAI 帮助客户搭建的不是一个替代原系统的新软件，而是一套围绕遗留系统构建的现代数据与 AI 决策层。

它让企业在保留核心业务系统稳定性的同时，获得更接近实时的数据视图、自然语言分析能力和智能调度辅助能力。

常见问题

这套系统会替换现有 TMS 或 WMS 吗？

不会。

该方案通常作为现代数据和 AI 分析层，连接现有 TMS、WMS、调度和结算系统，不强制替换客户已有核心系统。

什么是非侵入式 CDC？

CDC 是变更数据捕获。

非侵入式 CDC 通过数据库日志或变更记录同步数据，尽量避免直接压垮老系统查询引擎，适合用于遗留系统现代化。

为什么需要语义层？

物流数据库结构复杂，字段命名和业务逻辑往往高度定制。

语义层将底层字段封装为经过业务确认的指标，减少 AI 查询出错和指标口径不一致的问题。

管理层真的可以用自然语言查数据吗？

可以。

在语义层和元数据 RAG 支撑下，系统可以将自然语言问题转换为可靠的数据查询，并返回可解释的结果。

是否可以私有化部署？

可以。

对于涉及运力网络、客户订单、仓储数据和结算信息的企业，ZenAI 可以根据客户要求设计私有化或私有云部署方案。

为你的物流运营搭建现代数据与 AI 调度中枢

如果你的团队正在被老旧 TMS / WMS、数据孤岛、港口拥堵、调度延迟和成本异常困扰，ZenAI 可以帮助你在不替换核心系统的前提下，搭建安全、可控、可落地的现代数据与 AI 智能调度平台。

你可以查看更多 ZenAI 客户案例，了解 ZenAI，或通过 ZenAI 官网 与我们讨论你的项目。