2024年智慧供应链算法技术研究

智慧供应链算法技术研究目录1供应链集成系统案例1.1京东物流一体化供应链1.1.1算法中台1.1.2易卜工程化平台1.2美团：到店供应链及商品平台建设实践2市面上的供应链解决方案1京慧系统一一成熟的企业级客户服务系统2.2菜鸟网络全套数智化供应链解决方案2.1智能选品2.2.2联合预测2.2.3补货分仓2.2.4一些案例介绍：2.3得体科技一一面向服装行业，打造一站式柔性供应链平台2.4数势科技：SupplyForce智慧供应链平台2.5杉数科技2.6顺如丰来2.7华为云：供应链灵鲍数智云脑2.8阿里云：智能供应链解决方案2.9京东云：智慧供应链商家开放平台2.10观远数据2.11云恋科技：物流控制塔(EPLD)3库存管理、配补货、清滞3.1京东：AI驱动端到端补货技术实践3.2杉数科技库存优化与调拨方案3.3阿里云：智能供应链解决方案3.4运筹优化在汽车行业的实践探索3.5网易严选：智能补货系统的设计思路6严选供应链库存分级方法及策略探究7盒马供应链算法4预测算法4.1京东：智能预测平台的端到端补货模型4.2阿里巴巴数字供应链预测算法4.3Spark技术在京东智能供应链预测的应用4.4严选时序预测算法实践4.1应用场景4.2数据特征4.3算法模型包括4.4算法服务4.5名创优品：供应链分析框架5仓间运输调度5.1杉数科技运输调度优化2阿里健康库存模型2.1两大类补货模型2.2补货流程结构2.3库存仿真类型2.4多目标场景下智能调拨6控制塔6.1杉数科技：端到端供应链智能决策控制塔6.2京东：智能规划塔和智能计划塔2.1一台双塔2.2智能规划塔3供应链控制塔是如何加速数字化的商业效益6.4埃森哲:数据驱动的供应链控制塔5严选供应链仿真体系建设实践7其他7.1网易严选：包材推荐系统的设计与实践1.1**算法架构**1.2**装箱算法**1.3效果评估参考文献1供应链集成系统案例本篇主要记录一些供应链集成系统的案例1.1京东物流一体化供应链文章［1］提到，京东物流一体化供应链，是用数字化的手段来实现供应链的落地，建设了供应链的智能超脑系统。JDL—体化供应链智能超脑系统"1+2+3"解决方案JDL京东狗断/DataFunCon2021超级大脑的建设是分层次完成的：前面几年主要聚焦在数字化基础设施的建设，包括长期沉淀的复杂业务系统，以支撑业务在网络上的执行运作，还有数据中台的建设，以及一些配套设施。在数字化基础设施上，打造了一个算法中台，两套工程服务平台:易卜工程化平台和数字李生平台，孵化出3套系统应用：智能规划塔、智能计划塔、京慧供应链系统，用于对外部客户进行赋能和服务。1.1.1算法中台算法中台不是简单的算法组件堆砌，它是以业务场景为依托，通过京东内部和外部客户行业场景的积累，抽象和沉淀出的算法能力支撑平台。这套算法中台和行业上其他同类产品最重要的异同点是，建立了丰富的供应链行业知识，沉淀出了面向业务和解决具体问题的逻辑方法论和步骤。

超脑算法中台：支持全场景算法策略2个工平台 超脑算法中台：支持全场景算法策略2个工平台 3音册应用1.1.2易卜工程化平台一个工程化平台叫易卜，到目前为止，该平台更多的应用于商物的预测。算法中台有了算法策略后，在易卜平台上可以快速地部署和应用，提升算法工程的效能，实现快速的串联成型。易卜平台实现了让整个过程可视、可配，同时可以把它给予前台销售人员，以供他们做项目POC时，快速根据场景去配置一些预测的应用展现给客户，同时满足他们一定的准确率的要求。易卜平台最底层是组件层，包含130多个预测模型，40多种算法策略，支撑30多种预测场景，以及十多种行业场景。］］个0^4*台 囲卜工］ 3套禺统应用］］个0^4*台 囲卜工］ 3套禺统应用"易卜”工程化平台：流程解耦可视可配运綸优化组件库存■法组件选址布局组件组件度"易卜”工程化平台：流程解耦可视可配运綸优化组件库存■法组件选址布局组件组件度JDL京东镉涼/DataFunCon20211・2美团：到店供应链及商品平台建设实践来自美团到店平台技术部的一次2021.7技术分享会，其中很多讨论供应链都是线下产品的供应链，很少会考虑到线上的一些产品也是有供应链方面的问题的，这篇技术分享非常有意思，让笔者打开了新领域的认知。商品业务的主要供应链有:到店商品业务-供应链…供应链JE合层领破酒店供应徒门K供应链餐炊团购供应徒休娛预订供应链…供应链JE合层领破酒店供应徒门K供应链餐炊团购供应徒休娛预订供应链来看一下到店产品的维度较为多元化:ii个2个工©■«平台平台化实践■模型(3/4)团购astti丁门u预订・团购astti丁门u预订■本质是决定Ji示与价槁的風性划分-取决于行业标准与技术实现| ProductSKU(名敬客户.«A..))剧本杀预订Product/SKU(8W.«P.包W・J上述产品供给流程为:・覆盖B端上单、维护・数据写密集场景・行业&组织架构差异・覆盖B端上单、维护・数据写密集场景・行业&组织架构差异上单■凋价■维护包间■打包商品删上单创建商品设■价格修改包间 选品 上游上m石] d丄 」] ] ]提审 提审 提审，关联主子Ml品|设釧》8范as|心||心|I必||*审|| |发布 创跻品井关&上游确认2市面上的供应链解决方案2.1京慧系统——成熟的企业级客户服务系统根据文章，提及了京慧系统是通过4层结构建设完成的，包括:供应链数据中台智能决策引擎各种产品应用企业级的用户体验超脑赋能外部伙伴：京慧供应链系统OnePlan京慧供应链平台超脑赋能外部伙伴：京慧供应链系统OnePlan京慧供应链平台预测作为供应链优化的开端，是要为业务效果的优化进行服务的。在预测的基础上，我们开发了库存补调的产品体系，包含智能补货调拨系统，用于完成在不同级别的仓间进行补货调拨，在同级的仓里进行多级库存的优化均衡。i个2个工®se平台；；：娜智能预测系统满足供应链多场景优化需求需求市场需求+消费者需求供&滋本區成本全 化预测系统需求市场需求+消费者需求供&滋本區成本全 化预测系统JDL京乐狗航/DataFunCon2021一个是消费品行业的案例，该客户在采用京东的供应链管理模式之前，由客户自己进行整体的商品布局供货。利用京慧系统对它进行赋能后，我们把全链路的数据进行整合拉通，同时基于需求预测的能力，对库存进行提前的布局和响应。客户现在把所有的供货的环节交给京东物流京慧系统，帮他在策略上制定和执行更优的网络布局、补货策略和管理库存。1个冶 2个工閨跻平台，•-J；；盘開4超脑库存补调系统有效提升供应链效率1个冶 2个工閨跻平台，•-J；；盘開4超脑库存补调系统有效提升供应链效率安金K百优化11illillI.JDL京烦韧漏/DataFunCon2021■WHKHWttT■maocJUJ—*K=■MHM・mmhieu■MUIiSIVWK口■MHKwumi?*•Ml订♦那II■vi京慧供应链系统依托于物流、商流和数字化技术，已经为中国4.1亿的活跃网络用户，提供了极致的物流体验。通过把智能系统服务贯穿到供应链各个环节，管理了数百万级的sku,服务了我们的头部客户，同时把服务能力赋能到中小商家，最终助力整个社会数字化的运营效率升级。11个片^£4^ 2个工®平台 Il11个片^£4^ 2个工®平台 Il京慧供应链系统：助力干万商家逬行数智化转型服务万家企业AbundantClients管理百万货品MillionsofProducts)内*at》切鳏厂剜mat》服务万家企业AbundantClients管理百万货品MillionsofProducts)内*at》切鳏厂剜mat》市mmhi》■倉ih)贯穿全域环节E2EProcesses计划悔t可施性Reliabilityf响应性Responsiveness＜成本Cost1w基建■务 HIser字技术 |I口商流优第 I■塞全谭的稅砂络大散娱与人工曰觀京东商城自耳・POP核心基础CoreFoundationt资产效率AMEfficiencyJDL京乐狗航/DataFunCon2021在此基础上，通过做定制化配置，来满足不同的个性化需求。I个2个工平台『：黑隔•打造核心能力域，承接SaaS化商业路径定期迭代标准系筑产品it设KA定期迭代标准系筑产品it设KA宦制化杲统项目JDL京乐稠涼/DataFunCon20212.2菜鸟网络全套数智化供应链解决方案参考：谈笔1000亿的生意：揭秘菜鸟全球智能仓配技术实践菜鸟物流架构分为三层，底层是实现全球物流最核心的物流基础设施；中间层是基于基础设施搭建的智能仓配网络和配送网络；最顶层是订单全局优化引擎来实现仓配协同。WflWEiX *回twtgmwt:: ■«$)«EM%JKMWt^10*AlC*CaAAg■nverJnBJuy tHETMQ时如B «?«•.:: W«WA «*«■人 5tA«优伽《UB* 一CM—> —TfJ “一消费者选择商品下单后会进入菜鸟物流大脑，首先是决策层-基于商品的大小、重量、离消费者的路径调动智能路由，它会获取相关的履行路由的路径和线路。拿到线路后可能有很多的侯选集；然后接着是对旅行成本的决策，即基于时效、成本的综合决策来选择最终的调度；最后通过所谓的link平台来调度物流资源的服务商，对整个包裹进行旅行。最终，再把所有的旅行完之后的数据沉淀下来，输入供应链管理的平台，来实现对商家需求能力的计划以及供给计划的优化，从而让商家能够更好的进行销量的预测，让它的仓储选择、品类规划能够做更好的优化，比如把商品推送到离消费者最近的仓。NlAOXS胡迴势当B达畑9配送次日达上门支鹫三日达费品保履行调度：对〜包裹做出最优决策NlAOXS胡迴势当B达畑9配送次日达上门支鹫三日达费品保履行调度：对〜包裹做出最优决策电商交易平台菜鸟物流骨干网络眼隽产品服务套达消费者 軽务（时效•价格-展■） 髙家货品（体帜易碎•冷毀贵品｝…一I菜鸟网络也由提供供应链数智大脑的产品矩阵包括：从商家到消费者端，我们重新做的重构：计划对供应链来讲是非常重要的，从选品开始，我们就帮商家做了智能选品；根据前端数据和商家的能力，我们会联合做一些预测；根据商家的货品，我们会给他建议一些补货计划和全国放仓计划；在大促的时候，我们给他推大促宝的产品；在决策优化上，我们有数智化供应链的决策大脑；在数据基础上，我们给他一键数智化的连接。还有菜鸟物流独特的算法平台：/

C£\|n!z\o杲号训漓科技首页解决方案 API接口文档站咨洵1me矽智钦算达物联网IOT物济详情眼务普能调度LEMOHUB切箱算法LEMOPDA如舷链中心算法LEMOCORE订单法酬枫SSSJCKWX梅吉画像运营库稍卜LEMOAOA碗仪雪能拣选车产业舷包辱LEMO/J'C网络规划目提选址规划LEMOTAG通网 络瞬DSCC榔面单短信网络规划多级仓网规划UGHTPDA网络规划-末淡选址路由规划网络规划-落地配基建网络糜小号自缺碇勸流沟通机器人（网点版）检2.2.1智能选品具体来讲，首先是从商品开始。因为作为供应链来讲，现在大部分的能力都是集中在物流上。而如果单一对物流要素的改造，其实很难对供应链发生最大的作用。对供应链能够产生巨大的作用，你就要从商流开始。从商流开始，我们就帮助企业从选品开始。如何打造高效的商品力，如何帮助企业打造爆品？通过前台数据，我们会帮助企业做新品培育。培育完了之后，协助商家进行正常品的运营，包括老品的淘汰，帮助整个商家做商品全生命周期的管理。2.2.2联合预测有了爆品之后，其实在整个销售中，我们根据大数据分析，我们看到日常销售量占全年销量20%,但是它占到全年天数150天；中小促，全年大概200天，占到整个销量的50%；整个大促其实占了10天，但是单量大概占全年30%。这个时候，作为商家来讲，他在打造爆品时候如果没有经验的话，很容易在大促的时候做不好，但是在平时的时候库存过多。作为菜鸟来讲，它有结合前台的能力，帮助商家管理好日常中小促和大促的库存，实现库存的降低和周转的加快，包括现金流压力的减低。我们是怎么做到的？第一，通过SKU级别的算法协助它，包括天气、季节、消费者画像，我们协助它各种SKU应该如何备货；第二,根据各种中小促的历史经验，我们建议有一个促销日历共享，在整个日历上，我们告诉他在每个时间段他应该怎么样做中小促；在大促的时候，菜鸟会通过多方资源协调，保证他在大促时候能够正常出货。涵盖全场景、提升预测力SKU级别，算法支持促销日历共享多方协科・资it优化'*§@222麺黑大数据卷模2N?AO2k 回&&&幅 MB2.2.3补货分仓有了爆品，有了出货计划，我们会根据商家的能力告诉他补货的计划和全国分仓的选择。其实以前的传统供应链跟计划脱离比较严重,仓库就像人的肚子，不管来多少货都吃下去了。而现在是我们有了对商品的打造，包括商品销售的预测之后，就会出商品计划。刚才讲了我根据日常中小促和大促计划，就可以出全年商品协同计划。出了协同计划，我们再根据天猫的流量协同，就可以帮助商家合理选择全国的分仓，在每个仓库里面合理选择库存，再通过整个菜鸟精准的能力，只要你入仓，就可以享受整个全链路金融供应链的加持，当商家在资金有压力的时候，整个菜鸟供应链金融都能实现支持。深度协同摩存决策、共担风险商品计划协同天猶流■计划协同 入住即車：全確路金融加持2.2.4一些案例介绍：2.3得体科技一一面向服装行业，打造一站式柔性供应链平台参考：得体科技一一面向服装行业，打造一站式柔性供应链平台得体科技打造的得体供应链是平台赋能企业的S2b商业模式的典型代表。得体供应链提供服装供应链整合服务，为品牌商、分销商提供基于设计师原创设计的产品，进行OEM和ODM产品的生产和组织交付。得体供应链平台的背后是一个开放的SaaS平台，服装行业生产链条上的所有角色，包括品牌商、分销商、设计师、样版房、面料商、辅料商、生产厂、物流商、金融服务机构等等，能够借助这一平台完成自身角色的扮演。借助这一平台，得体供应链整合了服装行业供应链上的所有角色,为服装行业全环节的各类用户提供一体化的完备服务，包括设计图稿优选、版样出图、打版打样、选版下订单、生产分包、流程管理、质量和流程监督、收获验货、财务结算等服装行业的服务。得体科技利用一个一体化的IT系统，面向服装生产链条全客户打造了一个开放共享的平台，单个企业可以将财务、业务、客服等系统数据整合在一起，提高公司运营效率，对于整个服装行业来说，设计师、供应商、面料商、生产方等角色在一个平台上完成对接，缩短了业务流程周期，减少了信息损耗，同时也降低了经营成本。2.4数势科技：SupplyForce智慧供应链平台官方网址：http://www.digitforce・com/product/supply/以数智化供应链计划协同平台（IBP）的作为核心，实现供应链计划的全链路协同；提供预测、选品等能力的策略平台（IBS）；以及支持供应链全链路数据实时可视化、可预警，可协同的控制平台（SCCT）o为企业建设供应链智能分析决策平台，打造协同的、一致的、敏捷的供应链体系■“tIMBimBlSCCTS*op»rOMnCamrolTower)忡・・v mnwiBArttmoPiMWttttSCP) MitWLOP)需？S"忡・・v mnwiBArttmoPiMWttttSCP) MitWLOP)需？S""it. tMtssmi・£■■<«・tttn»■事纽"(nt»k«dBubMwmPWvw^IHU&ttHTW'itll■■尊tfUBSWlgantBimMwmSlrMagy)同时配给一些可操作、交互的界面：服饰行业供应链管理和商品运营的链路复杂，决策和协同普遍依赖电子表格和邮件等低效的方式，通过商品计划与运营全链路的方案,提升供应链计划协同能力和商品运营能力，形成品牌业绩增长核心驱动力。2.5杉数科技官网：https://www.shanshu.ai/＞杉数端到端数智化供应链AI决策平台IT仓/E12仓供应商代理商/经销商/门店IT仓/E12仓供应商代理商/经销商/门店整个智能系统分为:运输优化系统智能配补货系统智能定价系统智能排产系统智能仓储系统刼、析、刼、析、刼、析、刼、析、价希統 智蛙播产荻价希統 智蛙播产荻干埃AS附1o8.Toe•妙Q0如.3908*...•岂転逵皈・9^.we.mi:•知0咤一访•上门•iSHMXaqJLd货主・亍业・码行业.・XMR企业..吕■底•好4稷还有开源了一款求解器COPT：杉数求解器COPT(CardinalOptimizer),是杉数自主研发的针对大规模优化问题的高效数学规划求解器套件，也是支撑杉数端到端供应链平台的核心组件。COPT是目前中国唯一一个同时具备大规模线性规划(单纯形法和内点法)、混合整数规划、二阶锥规划、凸二次规划以及凸二次约束规划问题求解能力的综合性数学规划求解器，为企业应对高性能求解的需求提供了更多选择。2.6顺如丰来2.7华为云：供应链灵鲍数智云脑来自：/blogs/333213在灵鲍数值引导里面，我们是构建了以智能算法为核心的系统,增强和辅助决策的能力。

应用 •l®08舍设计应用 •l®08舍设计»« •-交B»sn・网络自倉自优-公《»■-♦HUAWEI2.8阿里云：智能供应链解决方案解决方案地址:/solution/newretail/smartsupplychain部分节选自【中国技术开放日】的讲座《阿里智慧供应链中台2.0》智能供应链解决方案可以解决销售预测不准确、订单处理效率低、排产准确率低待细化、布局与物流成本高效率低等情况。 ERFAPSTMS.WMSMES.SAM.BOMt•■计■■■•・ ■戶订•■■■a •#««■(» 女■■计({■■■a百・方■■■■・ wk・■*■・ apsm•・■■袋i Twmmj mmaJWW|wawtMWBVWp”・■■订•«ttSE・anw■户人■科/■■■□■升■则&俱化mwifi■■■■"■决■・户ttti・*M■■g■产"倉Ha化««a«分■”•G•“♦♦WM.KIV:APWl1"■m.•:n<w«i•■■JR■沧■■订•■« ♦SV・■•■・r«t■金■■与・@0t亿・么MtittW■■■■BSM4t■■枚■WTIMf计.■“聲»«1C■■剧 ■•卒*fifl&a s«t ffM ■■■«BBfi中台的整个技术架构:商品管理商品发布商品审核商品上下架商品维护一品多商虚拟组套价格管理商家管理品牌授权资质审核合同萱理供应商评佶供应商清退供应商堆护计划諫选品倉理宦价曾理库存管理采购管理邸管理履约齟渠道显发起结算结御审核资金流转发票管理分姝佣金管理流水对账裁单管理揖单合单订单状态管理恶意订单拦載退货换货维权置理赔付管理供销渠道招鼻商家关系萱理供销樂道分析价格萱理保证金管理中台业务分布也比较分散：2.9京东云：智慧供应链商家开放平台

存货布局atiBQBKH.分rftcmeTO®.mwuwM.炳台大m存货布局atiBQBKH.分rftcmeTO®.mwuwM.炳台大m仿a.田曲耐劇阿戏/■疳车及耐灼甲下箱圖值的分住匕垃.■升用户体資库存健康俄花&./SE3件奚，不折加人虐定位陽户."1?左椀祁dM侨&优代Jttt.wa^Bttamn供应砖垒!afREfi血于一评??Jltt£R7附?・a旳总坏细式副*销虽计划^««8wa«e.^£M««e曲右式.逗为.■于机*习曰法参品堂梦后応的惑•3LH人住史百万毀向必逵行刪.ira襪少住車“《据«®寡分ew?畔罰復砒《ur智辭卜货■于壬东和枝林大転分惋51WJ品的祚fAQ先恣的卄廉砌和.仔合嗣卄拓・《»宙•卜血tiwa^♦boui.esr.n颐定与哗挣全面饪升艮"存n滞销处理爭SB不同鼻录耐顷“疑自妣如7曲处:酬0.可刃优康示側I理分韦3®.«rm«^ratz.电的局車皂公捻韵住致)问fraar.艮4无wh乩•皈 anna京东云旗下的一款产品，网址：/login将行业领先的供应链管理理念，结合京东YAIR(YAlPlatformforRetail)零售行业人工智能平台提供的大数据和算法能力平台化、产品化，通过提供精细化、智能化、自动化库存决策产品，为商家提供最优库存管理决策支持，将更专业的智慧供应链全链路解决方案开放赋能2.10观远数据本节来自文档《新锐品牌数字化增长白皮书20210108》品牌需汇集多方数据并进行有效分析，提升供应链柔性与敏捷度,提前预测备货配货目标，使销售端到供应端全线协同，减少库存成本，完善履约交付能力，最大程度提升品牌效益。货：商品生产供应 ebunemk力研mi■Rft; Msn"货"的生产供应与前端熬求紧童相连，品牌需汇集多方数据井逬行有效分析，提升供应链柔性与戰握度，提前预测备货配货目标.使销售端到供应端全线协同.减少辭成本，完售履约交付能力，最大程度提升品牌效益.云.苍.召..赢・「歹 > 滋…紹［岳“或冒}«fi»,Lp+WBa«fi«Lwaa«ffiffiwjaw>«!^AC—…«a_z»回嚼口t浇回ma大屏 ®a)8ik»kvrw/jj沁鱼直助分肝|各觀£5订甲槪览|| 回嚼口t浇回ma大屏 ®a)8ik»kvrw/jj沁鱼直助分肝|各觀£5订甲槪览|| 霸期订丽亍历史kT«MB分析|订越餡录充磁廈|| 未签收订里订am约分析 組•订草分析耒itWJ.曲 AI・BI|«g冈环产8)存分析 毎求HMN分析观远数据智能分析平台ERPJRSt

工厂WffiWfe企业各业努系统数据TMS远输tt理系魏SRM卡车ifi砸倪WMS20货，如战场中的“弹药”，是消费者与品牌方之间最重要的“触点”。对商品精细化的管理和分析，使品牌可以不断优化和迭代商品质量、设计、功能、颜值等关键因素，以提升商品对消费者的吸引力,并精准指导后端生产。品类冒理和单品管理的映射关系+单品管理方法论和系筑维廈Z 单品

类型单品

第略\ 单品]!分用![分类I方法论品类冒理和单品管理的映射关系+单品管理方法论和系筑维廈Z 单品

类型单品

第略\ 单品]!分用![分类I方法论Delist裔R孵品Newlfi品TOP獅|品2.11云恋科技:物流控制塔(EPLD)网址：/product/epld参考文档:/contents/0c50b438~4c89-40cf-9d88-8df67b528c94物流控制塔(EPLD)是跨组织、端到端的供应链管控平台，以供应链控制塔为核心，提供从采销订单到物流计划优化再到海陆空铁物流执行的全链全渠道一体化解决方案，打造供应链协同能力，帮助客户实现供应链全程透明化、管理精细化。功能架构：功能模块至盗订单詮理订«ig»»»»理————•支袴手动.FxcelTOQ入.■三•可以袖EMfltMWH•g可磁•支捋目"得*5如•fM刚帕加时级仔势"•口•!»下作宜仔傍为烧代达•支片电子回・(ePLD)■玉• 贵任界走2,甘湘M耐T丽悴入曲付”HI©O［刨合同雷理计费总理协同门户结H直理————•的"的*•用J6U.方彌8*各矣血枚•*J•户»«.5CJR■户・丈砲(7沏1U,可以IW•的合阿恰计鼻松啊驚的在帥何生GOW•支捋公n.ea.■用三“・liSM婶QR".«•菱再ttivxn風・対拿9L.计曩.IMBfO畀枪囲检洌«并对仪c粒电庁kh•芟特分用的财势乐玄技术架构:

看板设计:y*・"・・iwfcj*mute中心 vauMi»sm曲的靳ok«9nssy*・"・・気LO0厉©Mla<3381643829曲Ii%怜Sm3«srf(5fires3m自"tS413413S111Ml|S»7ltV,S#IM8)$MCOOtt8719158^038393aw*&g1MM19I6■■塚IT««^t@ctoudHnk*CEcom3库存管理、配补货、清滞3.1京东：AI驱动端到端补货技术实践文章［2］提到京东实现全链条的最优化，我们大部分工作可以归为三类:第一类是预测类工作，是各类决策和规划的基础。在整个自营的供应链中，最核心的就是如何去预测出未来的销量。因为知道未来销量，才能决定什么样的时机采购。针对销量预测，我

们做的非常成熟。第二类是布局优化能力。我们布局优化的能力是非常充足的。因为优化能力可以帮我们提供更好的决策，比如像在补货场景下，在什么时机进多少量，是一个非常明确的运筹优化类问题。第三类是仿真平台对于任何一个算法，在落地上线之前，都要做一轮详细的评估。仿真平台是我们完成上线前最后一轮准备的载体。舷供应融术预测平台为各种决策和规划提供输入和决策依据 iiii舷平台 优化平台为应用场景仿真平台评估预测优化的效果提供优化决策方案井评估摸型的优劣预测平台为各种决策和规划提供输入和决策依据 iiii舷平台 优化平台为应用场景仿真平台评估预测优化的效果提供优化决策方案井评估摸型的优劣900万的商品中爆品并不多，多数都是常规品，产品本身从预测到补货都很难。在预测不确定性很大的情况下，如何通过补货模型做兜底，给出很好的效果，是一个有非常挑战的问题。想把补货做好，一定要把库存拆解得更加清晰，针对不同的库存层次，匹配不同补货策略和模型算法。目前我们主要是基于安全库存模型，对现有的库存进行拆解。基于库存模型拆解：首先是周转库存：周转库存在理想情况，只需要覆盖两次补货间隔的量就可以。但是很多时候由于供需的不稳定性，供给会发生很大的变化，需求波动也很大，如果只备周转库存，会造成断货的风险。其次是安全库存：为了避免周转库存引起的断货风险，引入了安全库存，满足消费者的需求。比如不同的安全库存就对应着不同的服务水平，比如现货率达到97%,增加的安全库存要远大于95%的水平。最后是策略库存：除了周转和安全库存之外，还有一些策略库存。策略库存是应对一些特殊场景的，比如大促备货场景，像618和双11期间，整个节奏受到供应商产能的影响非常大，也会受物流入库的产能限制。很难在618和双11前几天把货釆进来，这个情况下，就要有节奏地把货引入进来，这部分库存就是策略库存。它的量级往往是非常大的，为优化周转带来了很大挑战。为了应对这种挑战，目前我们引入两种常见的补货策略：第一类是常规补货常规补货更多的服务于安全库存和周转库存。在这个过程中需要做两类工作：基于预测的不确定性，推荐出合理的库存水位，然后基于合理的库存水位匹配出对应的参数。在参数推荐过程中，目前我们会使用运筹的优化模型给出参数。比如要达到一定的库存水位，不同的商品要给岀不同的参数建议，备货天数是多少，服务水平是多少。通过常规补货的参数模型，我们实现了70%的非常高的自动化水平。第二类是大促补货大促补货是一个非常特殊的场景，因为它的量在某一个时间点爆发得非常大。在这种情况下，我们会基于预测、业务进销存计划、物

流产能和供应商产能，在长周期下把入库节奏和数量做一个拆解。这里的难点有以下几个：第一个是销售预估，我们预测团队针对大促期间的销售做了很多的模型优化，从去年到今年618±线，新的大促预测上线后，整个计划的达成度就有了大幅提升。第二是入库节奏的匹配，这一块更多是和物流测的联动。另外很多时候业务会做计划调整，这种情况下对大促备货的输出结果会产生很大的影响。目前通过两轮试点，我们解决了主要的挑战。从目前跟进的效果来看，采纳率和自动化执行效率是非常高的，大促备货的采纳率在80%以上，自动化率维持在60%以上。影响补货决策的主要因素:VLTSD尺]-彌韩VLT/DataFunCon2021影响补货决策的主要因素:VLTSD尺]-彌韩VLT/DataFunCon20213.2杉数科技库存优化与调拨方案内容节选来自，杉数科技的王曦在datafunSummit工业数据科学论坛的讲座内容根据产品特性及销量特征设计差异化的安全库存模型及补货策

略模型；兼顾服务水平和周转效率等指标表现，实现智慧多级库存计划管理。同时，针对仓端/门店的缺货、积压与销量波动，生成日常补货和调拨计划，实现灵敏的执行层面优化。库存优化一体方案向前承接DemandA，根据产品待性及销・W设计差异化的安全库存模型及补货策賂模型；兼顾服务水平和方案概述 周转效率等指标表现.实现智慧多级序存计划爸理・同时，同时，针对仓幽门店的缺货'积压与销1B波动，生成日常补货和调拨计划，实现灵敏的执行层面优化.多级库存优化平衝关键指标存优化基于1T体的服务水平目标.跨所有产品多级库存优化平衝关键指标存优化基于1T体的服务水平目标.跨所有产品.所有层级.所有地点的BJ时昨计划.足全局优伽思服务水平差异化补货与安全库存策略:.周密计划管理：基于产品分类的差异化补货及安全库存策略区别化补货策略◎*班

产品分类网差异化补货与安全库存策略:.周密计划管理：基于产品分类的差异化补货及安全库存策略区别化补货策略◎*班

产品分类网廉存下晦酬卜货点叱下时.补货存.目标焦存大于《ifi用：U欢平海(S«noo<h),货栩8动■目飪波动(Sfow-Low)s,S策略点，阵存下曹到朴货尿之下釣.补货到目标瘴存水位SiM:利不规则(Erratic).瞬流动懂且K波动(Sfow-Highly)(g)监个+袖.卄目F.昨iSffi:H陶X(Lunx>y)且誘品价值中审安全库存区分R理动态安全库存适用：离波动性商品(HighVotatiMy);动态安全阵存主嬰通过对未来爲求的分布预测计算目际安全痒存天数静态安全库存适用:离求穩建商品(LowVolatility);通过历史B5测基fi及分布嘏率枫计捋标刻画历史销点，并计算安全库存天数.鲁棒优化诸用：长层及低爲求商品(Lono-Tail);利用历史销・賢合分布作为別画鸽I!的关帧掠.并计H安全陣存天数.多级库存网络优化解决方案分仓・分仓结果对应的网络相对稳定分仓・分仓结果对应的网络相对稳定•调整频率.建议1-2年变更一次低频迭代选品-基于分仓结果、货主SKU生命周删寺点设JS・调整频率随货主SKU生命周期迭代中匾迭代预测・基于分仓结果、选品结果的预测・调整频率在毎次週拨发生时港动预测（7天）高匾迭代分仓优化合幣数线性畑J（M【LP）as.帳戛历史加决第岀便猬运Ifi成本'出选品优化审FM1LP®燮的遇品解决乃襄・它攝于历史订*8.・综含考如価SKUS类个数与折IMI况.给岀JM足翎W求的««应沁销量预测以屬为啊・科用够几砂湖■信❺炸为待征对选岀的SKUB3戾在1«3»Rfl9TJBWTTWKW«调拨优化HJ麻存1F耳以及咖诚本.实B1总仓對各分仓的主如极・保证各分仓在砂快障存离转的祈提下”化各分仓的本屯的订“足率其在小米全渠道智能一级&二级分货优化:将全局补货的逻辑抽象成智能算法模型:留能补货的优化目标最小化加若(»x(<上•c(j>CTt4-^ftt|M 耳石悌卜6・加YminYiDummymfiiJtmin&maxDOI的逓罚多的翻补货模型需褰考應供应链全局效率：MinimizeTransportationCostReduceTimeandEftorttorManualProcessBalancethetrade-ofFbetweenout-of-stockrisk&DO)Considermultiple-levelrequestsfordifterenltypesofSKU.whilefulGllingthebrewerypushtargetandresourceconstraints3.3阿里云：智能供应链解决方案节选自【中国技术开放日】的讲座《阿里智慧供应链中台2.0》

库存管理模型:维度：新品\促销品\季节品\长唯品\常规品层次:集中仓\前逐仓\门店过去甦

的未来不

一定会发

生不同层次，不同维度，按需分配算法拟合历史，颅量佳预测算法不断丰富促悄寧件，将鮒效鸭实际岐，进行what-if分析.历史数据相关，预测结魅关，系统设置相关与上下游

企业的预

测协同果都存下来，与下次结果一起进行比较.需求分类数据清理统计预测IO促销预测

与调整过去甦

的未来不

一定会发

生不同层次，不同维度，按需分配算法拟合历史，颅量佳预测算法不断丰富促悄寧件，将鮒效鸭实际岐，进行what-if分析.历史数据相关，预测结魅关，系统设置相关与上下游

企业的预

测协同果都存下来，与下次结果一起进行比较.需求分类数据清理统计预测IO促销预测

与调整整个库存管理的预测流程介绍:关于新品预测的流程：Promote FromotePromote Fromote•新品预测・更新换代新品：复制类1以产品历史・完全新品：通过"属性（颜色/品牌）”关联类似产品，复制类似产品历史曲线，以及原有产品预测模型的参数和因子。・需要建立生命周期曲线库・退市预测•结合Markdown&走价模型整个库存管理的算法预测平台:自动昨 自动校准&模型融合自动昨 自动校准&模型融合自动昨 自动校准&模型融合自动昨 自动校准&模型融合GBRT1LR.SVR.固定时间应平滑■指数平滑I .LASSO丄LOWESS丄ABL呵c］其他按实际应用的决策等级和决策范围分类：年季度月周日小时范围按实际应用的决策等级和决策范围分类：年季度月周日小时范围3.4运筹优化在汽车行业的实践探索来自讲座datafunCon2021,汽车集团的林琳数据分析专家的分享，题目为：运筹优化在汽车行业的实践探索运筹优化赋能汽车供应链各决策层级裾求責点：战略层计划层执行层最优性★ ★时效性稳定性DataFunCon2021库存优化:库存理论评价餉需求历史销■^测雄库存在满足I艮务水平的前提下,库存尽可能低影响因素匚g需求均值等待时间库存理论评价餉需求历史销■^测雄库存在满足I艮务水平的前提下,库存尽可能低影响因素匚g需求均值等待时间Bnbadtime厂勿妙运输时司— *1轩优化模型目锯存水平订单计划再订货点缺货成本运筹优化赋能汽车供应链案例分享化：DataFunCon20?3.5网易严选：智能补货系统的设计思路参考文章《智能补货系统的设计思路》要设计一个满足业务需求的补货系统，目标是实现低成本和高效率的库存管理。补货系统应该具备如下能力：多渠道补货：可根据销售渠道、仓库、供应商等多个维度进行补货批量化：自动生成十万（甚至百万）商品的补货计划效果可见：事前可评估补货计划，事后可复盘业务结果可干预：人工可以对补货计划进行调整风险可控：计算结果稳定可靠在下补货单时，还要考虑业务上的约束。下面是一些常见的因素:最小起订量：一个订单的采购量不得低于最小采购量。提前期：从下订单到入库所耗费的总时长，其中包括可能涉及生产、运输等一系列中间环节。最小采购频次：因为某些业务原因，使得采购行为不能太频繁,

例如要求最多一周采购一次。箱规：釆购量一般是以件为单位，但运输时一般是以箱为单位。值得注意的是，不同商品（不同供应商或不同的入库仓），对应的约束条件可能是不同的，所以补货系统需要能处理差异化的约朿。补货系统的计算结果要可靠，还要能评估效果。我们引入仿真、监控和分析模块：仿真验证预测模型和补货模型的效果和可靠性。监控检测各模块的数据异常。发现异常报警或者中止流程，防止造成资金损失。分析事前解释补货原因，事后分析补货效果。业务APIIIArnn控数据预测模型在实际中，不同商品（不同渠道）的销售规律不同。建议实现多种预测模型，比如规则模型、时间序列模型、统计模型、神经网络模型等。决策模型功能是计算补货量，它是预测模型的下游，因为预测结果是它的输入之一。此外，它还要考虑业务约束。不同商品可能由不同的决策模型来处理。例如，要实现如下补货功能：支持多种最小起订量的度量，例如按SKU件数、按SPU件数、按重量等。支持多供应商，例如同一商品有多个供应商。支持分批次到货。支持按仓库补货。3.6严选供应链库存分级方法及策略探究来自网易有数的：严选供应链库存分级方法及策略探究在严选库存发展的现阶段，制定一套库存分级方案，通过对现有商品划分库存等级，进行分类分级管理。不同层级的商品需要有不同的库转和缺货标准，制定不同的策略，覆盖计划链路的诸多场景，将有限的管理资源投入到能产生更大价值的重点库存中。行业中有过研究的方法是ABC分类和XYZ分类，其中ABC以销售重要性为特征，XYZ以销售波动性为特征。我们在综合了实际策略应用后，也加入了库转特征，增加RST分类。特征1:销售重要性ABC分类法，即以销售重要性为特征进行分类的方法，应用于库存管理中，从销售重要性的角度，进行ABC类划分，来识别对于公司销售贡献优良差影响的商品。分类标准上，按照销售重要性分为A类（优，重要）、B类（良，一般重要）、C类（差，不重要）。其中，A类商品，占库存商品总数的10%左右，但销售贡献在60%左右；B类商品，占库存商品数的30%左右，销售贡献也占比30%左右；C类商品，占库存商品数的60%左右，但销售贡献仅为10%左右。特征2：销售波动性ABC分类告诉我们，什么是对于销售最重要的商品。XYZ分类，则会告诉我们，商品的销售特征和需求特征是什么。XYZ分类法，就是以销售波动性为特征进行分类的方法。分类标准上，常用的三段分类标准以0.67和1为界，根据各分界值对应的实际销售贡献，调整为0.6和1.2,划分为X类（优，稳定）、Y类（良，一般）、Z类（差，波动），三类商品的商品数和销售贡献基本呈现30%：40%：30%o特征3：库转基于严选实际的应用场景，引入库转特征。库转是反映供应端库存周转特征的关键指标，包含了供应端商品运作属性影响，与补货策略的应用相关。

重要裔品保供血E降缺货■EMOQ1LTI安全库存天数T销售重要性稳定商品销虽计划偏差I重要裔品保供血E降缺货■EMOQ1LTI安全库存天数T销售重要性稳定商品销虽计划偏差I库存分级销售波动性波动商品■做敏捷少星采购LTIMOQI指标制定上，通过库存/日均销量衡量库存周转速度。分类标准上，对比库存均分和sku占比均分，发现得岀的库存、sku占比基本一致，故选择了其中一种，按照sku占比均分寻找边界值划分为R（优）、S（良）、T（差）三类。三个特征综合会有27个维度，实际对27类考虑策略方向时，会有相似的表现，且会增加操作复杂性。因此基于全部27类商品的策略方向相似性，在一期应用中，将其合并为5类。基于特征的优化方向，以及库存分级的商品特征，可以划分不同库存分级的商品的参数参数优化方向。3.7盒马供应链算法来自datafun最新论坛：7-5盒马供应链算法高品质的商品是盒马一贯的追求。为了满足顾客极致的新鲜体验,

盒马商品的货架期非常短，甚至还提供仅满足家庭每日所需的只售一天的日日鲜系列商品，涵盖牛奶，蔬菜，肉禽等日常消费品类，成为行业标杆。即时的生鲜服务非常切合消费者需求，但对供应链提出了很高的要求。更短的售卖期，意味着更容易发生缺货或者损耗，对此，盒马供应链算法根据生鲜零售的特点，考虑天气、季节性、节假日、商品替代性、营销活动，线上线下陈列展示等因素，构建了一系列具有盒马特色的高精度需求预测模型，通过仿真系统优化库存,实现了高度自动化的订货系统，大幅降低人力成本的同时优化了库存指标。盒马生鲜自动补货系统主要成就空算刚果解决方案闯入Edelman决赛空算刚果篥成预测.库存.价格与调控于一»的II法解决方款.成功入围2022年FraruEdelman杰出成就奖总决费高度自动化的生鲜订货系统生鲜订货系咖去建议采纳率穆定在96%以上.订货人效提升70%损耗率降低30%.缺贷率降低25%集团时序预测比赛第一名盒马预刚U法在阿里集团时洋预测比赛主妾数据疑上取猬甩军和亚军的好卿.证明盒马预测算法整体准81度高.ifi用性強时空异构图神经网络模型捋时空舁构圏神经网络極型引入到商品销审6测中.解决了斷确活动信息損失过大等何题.预测准确率显希强升工程层 汝測仗块共用工程层 汝測仗块共用1B3K8工程幣架 «amts中白津衬仿■平台工程层 汝測仗块共用工程层 汝測仗块共用1B3K8工程幣架 «amts中白津衬仿■平台盒马销量预测十大难点盒马预测特点解决方案新品较多在图模型中保留新品信息，对LOSS做mask,老带新模型节假日㈱引入岀行数据,品类预测和单品预测联合学习畔天气影响小时级别天气嫌.恶劣天气单独训练模型疫情影响公开的疫情数据+门店人工录入信息，用于历史异常数据剔除复杂活动、优恿券、会员权益对于营销活动做异构圏.提取营销活动全童信息AP啖源位与线下輙先通过资源布局预估额外流盘,再廊!1销童的二阶段模型商品替代性显著基于多种篦法预分组的时空异构图神经网络模型市场行情影响大基于图神经网络的多商品模糊竞品模型业务希望白盒化预测逻辑依题测白盒化产品输出因子系数数据非常多、流程复杂销■预测任务模块化.14步拆解与数据表对应，结构滴晰基于仿真的库存模型多种订货模型；库存仿真系统；安全库存天数智能化;安全保留量智能化；生鲜批次推断模型falfalfslW«COC WA^OCOC@CJJ^lad020a xeu1=t 1=1I[QjBtCfl MB.・falfalfslW«COC WA^OCOC@CJJ^lad020a xeu1=t 1=1I[QjBtCfl MB.・CBy•«■»•••»« ・«»« •Mir■・卜1say]Ij][―1

j••”zwI*s<«s«•*«；oamm*库存算法系统架构业务层KJS目标分布It议订货■摸型层啟据层】•峻目标）S3®历史表现规划块解业务层KJS目标分布It议订货■摸型层啟据层】•峻目标）S3®历史表现规划块解2.库存批次櫥模块 3JR优订货■计耳橫块I II II I:考虔不同商品的EA客批次fit好 ：更授采用禺■预测因司估计I I918IP考虔仓内库存够就）:fflaxfRMwI I 每日不同參敛；批次条闵监督学习II型 • 自定义采样分布业势SWS目你历史lit次岀入J«®BXT与订货日历价格勞性与出鴻能力库存动态调控系统实时更新预测；动态極倾斜；自动折扣清仓;多种调控全局优化；调控后销量还原库存域 营销域 投放域 门店数字化4预测算法4.1京东：智能预测平台的端到端补货模型文章［2］提到了京东内部供应链系统下的智能预测平台的功能与算法，为了使智能预测平台具有更好的适配性，我们会把一些业务的信息拿到智能预测平台里，比如不同的业态，像大家电是计划驱动的业态，时尚是期货的业态，中小件快销是需求驱动的，需要把不同的业态考虑到预测过程中去。另外我们会建立不同的影响因子，不同的影响因子对最终效果的影响很大，比如促销因子、季节性因子，我们把各类因子单独建模,以方便支撑多种多样的业务形态，目前智能预测平台是支持的。这一块目前的主要方向有三个：第一类是财务预测，帮助业务规划好财务计划；第二是销量预测，目前非常成熟，是实现自动补货的基础，每天输出千万行以上的预测建议，千万行以上的釆购行为；单量预测，更多是服务于物流，做釆购的入库计划，配置产能。整个预测模型体系分为四个部分：第一类是时序模型训练时序模型在很多情况下，能比较好地解决销量预测问题。所以这里一些品类的适应性是相对比较好的。从我们的经验来看，在趋势模型上，包括周期性模型，表现效果都比较好，模型能较好地解决这类问题。第二类是机器学习模型当时序模型解决不了的时候，就需要引入机器学习模型，包括深度学习模型。这种模型解决哪类效果比较好呢？比如促销、营销的信息，复杂的信息在时序模型中很难考虑进去，因为他的学习能力比较弱。这种情况下，把机器学习模型引入，效果会得到改善。第三类是新品模型新品模型是目前行业的难点，我们也探索了很多新品预测的思路,目前来看没有特别完美的思路。一种比较可用的思路，是相似品逻辑，会在新品预测中发挥比较大的作用。比如很多商品，在引入平台后，有些老品和它的相似度非常高，把它引入后，就有相对完善的数据去做新品的模型训练，效果比较好。第四类是路由模型因为上面三种模型是通过算法人员对商品分析后，针对不同的商品分层做差异化带来的效果提升，但效率比较低。因此我们提出了路由模型，希望通过算法的自动识别，自动匹配每个商品在某个时期，有没有合适的metamodel适配。

通过一年多的探索，我们找到了一些选择机制，能很好地匹配商品之间的关系。从实际效果来看，路由模型对大盘精确度的提升发挥了非常大的作用。在不同的频率上，脉搏的提升是在一个点以上，提升是非常巨大的。所以路由模型是目前重点主推的一个模型，可以提升效率，改善预测的效果。关键技术oiwjy«®«ais期蝴.floomMm. .开锌.es六蹑仙W；2oiwjy«®«ais期蝴.floomMm. .开锌.es六蹑仙W；2:Holtwfntert.ARiMAX.ETS.Prophet■034■:长尾品.SrS.不如.011样本点少W2. WMA,GostonB场.:巧农日"Q历史VM後依耶TV)..蹴定性产品)9H:LightGMB.DeepAR.Xgboost、TFT.DeepStateSpaceMcxlelW04搭由根型提升算法上线的效率，我们做了一些机制的完善，包括从去年开始完善了上线流程评估体系、回测体系，极大地加速了预测算法上线速度。

算法飜数据平台I流■值息II辅助信息I舸库组件及模型库算法飜数据平台I流■值息II辅助信息I舸库组件及模型库标准输出及评估鶴京东/DataFunCon2021端到端补货模型我们从2020年开始推进一个前沿的技术是多端补货，前面补货的核心逻辑是先做预测，再结合补货模型，比如参数推荐，来下采购单。这种方式的一个劣势是环节很多，每一层环节都会有一个误差累积，使预测效果变差。所以我们想把预测和捕获决策，两个环节变成一个环节，直接给出最优化的建议，通过这种方式进一步提升补货的效果。在整个端到端的模型里，会把现在的销量预测、VLT预测、补货决策三块内容，通过一个大的神经网络结合成一个大模型，最终给出建议。为了提升整个模型的可解释性，会把中间过程的结果，像销量预测和VLT预测的结果输出出来，供大家做参考。从我们验证效果来看，在实际的落地场景中，我们选了三个具体的品类做线上实验，实验效果非常不错，周转和现货能达到双升，无论对于常规品、畅销品，都能达到比较好的效果。滞■预测 补借隱议 VLT预测HiddenlayerInputl«y«r[Outputlayer历史销量 商品属性历史VLT下单周期初始库存滞■预测 补借隱议 VLT预测HiddenlayerInputl«y«r[Outputlayer历史销量 商品属性历史VLT下单周期初始库存・Multi-QuantileRNN(MQRNN)以多时序数摇作为输入,输出日维度踊■预测(0UT2).-VLT预测采用全连接的神坯网络.•补货建议at于鸽■预测和VLT预测结果.通过神经网络逬行决/DataFunCon/DataFunCon2021我们也在不断地去探索预测的可解释性，到底怎么去做？目前我们在探索的过程中，有两步要走:第一，预测过程可解释性，就是做了什么样的动作，数量增大了；第二，结果的可解释性，对预测总量做拆解，哪些营销产生的量是因为促销产生的，哪些是因为价格产生的，需要把结果拆解出来,以方便和业务做事后badcase的追踪，我们有更好的解释能力。可解释性预测扌S3算法解识加?拓輙景可解輙型、特征及事件关系 关彩术扌S3算法解识加?拓輙景可解輙型、特征及事件关系 关彩术4.2阿里巴巴数字供应链预测算法来自datafun讲座的一篇文章《阿里巴巴数字供应链预测算法》对于预测场景的梳理和划分，主要是基于时间轴的划分，即预测提前期。不同的预测提前期的应用和对应的算法不同。从远到近可以划分以下几个场景。预测期长达一年-GMV预测GMV预测指对店铺或者平台的成交量做长期的预测，用于制定长期的经营计划。比如营销资源，或者一些扶持成长的核心资源怎么分配，取决于对未来长期的预判。长期的预判提前期为一年，比如现在去预测下一整年行业的成交情况。预测期几个月到几周-销量预测销量预测是指预测淘宝天猫以及各个阿里系新零售的，各种场景下的商品未来销量有多少。主要用于库存补货、调拨、商品流转，业务环节中的一些核心决策都取决于我们对未来的预测判断。提前一周到几天-仓库订单量预测仓库的来单量是很重要的不确定因素，会影响仓库的产能、人力的各种提前准备，所以这个预测需求比较迫切。以上是预测算法的主要支持方向。这些是用离线的预测算法进行预测的（离线的定义为提前期在一天或者一天以上的），底层数据和技术体系都是离线的。实时的有一套完整的GMV预测、销量预测、单量预测的技术方案（实时指在一天以内的），做到小时级、分钟级刷新。实时的应用场景跟离线类似，但技术架构不同。

供应链预测场景及特性供应儀不确定性的第一道防火堪IIM)GMrMMMMMttM(<W)S"IM)GMrMMMMMttM(<W)S"tuxnaMffLAZi.(K»!)•■■■MnatrHW■・KHesftZFS(An>«•J州JM•的GV,叭■.%■5•.：•：-■.;?!•・，■；，•:不•宦的■录■”M({EM(y.m).中■(*)・SM(cn)・XM(h)itiut：nMftKut(a«.nt.it■:«a.耐・m；it主.6t)<a.■・乩<mt)・smNut<«■.大&・•m.区.«：命.r»>GMVWI廉■阪的3GMVWI廉■阪的3■m“1个月.一<■iw ・叭■•月•<«黒."■侔田UYtl<MRra. flm&attyzgMBMVWbflM(««)■筍■■MIM•夭£■幾SM9JR・♦MB口*mnm*.趣甲幼•MU彻交"/•%■■■■K««M1JE・WMJt£•天0他・夭3用G 人力••«*«>□»1-MAH.DotoFun.预测算法研发路线及结果预测算法研发路线氏蹴力.■力•WJIHKKMJ.I*«!W.rase,wwtayH£JM1 ■坍受■跑出"dtra1HI・・DotoFun.预测算法研发路线及结果预测算法研发路线氏蹴力.■力•WJIHKKMJ.I*«!W.rase,wwtayH£JM1 ■坍受■跑出"dtra1HI・・MB■习■力■«;■z代：(GBOT/XGB/IGB・■13".旳•和.E««,5■■好«P(WfiZW・«U8・)4町・・仃tt(StftlA.RMI1IM人■岀)5mefts•(^ttvwtf/ra)■H代：MT■习lUt(M.DIM.*CM>on)£JL§他岂*勺5尬・仪4申xr*易民anlp.9*MaArswwwt&*a««n7w】«BSn■BTW1MVtDH!5离柚・(«a.■・・e绻0«sm)("・；△・rmih■人■岀)(«9K■・GPl/IVOUttB)曲凰倉ZR工n・.ASF扁二»«MXM!L5*■弓■.fUR■■事■討叩“用!唱:DataFun.自研的算法框架t■・・t・UBt■・・t・UB干13》^•IrtQio•厲(21•汁庁可■(・fi・■•・^9W・MA«B)e»tt*(-2的白■化IMHCo*(F99MISM)Ownuhmm20和自研深度学习时序预测算法-FalconFalcon的核心优势是参数规模小，在几千左右。有些上万的参数，是因为block里有全连接的层，浪费了一些参数。目标是参数控制在万级别，我们的数据量大概就十万百万的级别，尽量把参数控制在一百比一，训练时间是一两个小时可以跑一个百万数据量的算法。此外，跟上下游有些框架性的工作，主要是为使上下游匹配这个模型，快速对接业务，快速上线的工具。算法Falcon在20年下半年基本上定型，业务上运行的结果基本达到目标。针对一些细分的挑战有一些简单的解法，如图2-5中对于促销品,比如商品的替代性和季节品都有一些直接的解法。核心工作是把解法的思想融到算法模型里面，把它作为一个特别的block,或者更高层面的东西，把它塞得更完美一些。季节性部分基本上已经完成，促销部分也接近完成。替代品实验是比较有挑战的一项，在用一些图的方式來解决商品之间的关系，需要做一些探索性的工作。4.3Spark技术在京东智能供应链预测的应用

Spark技术在京东智能供应链预测的应用业务执行采购执行 调拔执行商品促销补货趣议丿议 L jSpark技术在京东智能供应链预测的应用业务执行采购执行 调拔执行商品促销补货趣议丿议 L j1销售计：L J决策优化销融测单量预测GMVWSI预测系统预测系统在整个供应链体系中处在最底层并且起到一个支撑的作用，支持上层的多个决策优化系统，而这些决策优化系统利用精准的预测数据结合运筹学技术得出最优的决策，并将结果提供给更上层的业务执行系统或是业务方直接使用。目前，预测系统主要支持三大业务：销量预测、单量预测和GMV预测。其中销量预测主要支持商品补货、商品调拨；单量预测主要支持仓库、站点的运营管理；GMV预测主要支持销售部门计划的定制。销量预测按照不同维度又可以分为RDC采购预测、FDC调拨预测、城市仓调拨预测、大建仓补货预测、全球购销量预测和图书促销预测等；单量预测又可分为库房单量预测、配送中心单量预测和配送站单量预测等（在这里“单量”并非指用户所下订单的量，而是将订单拆单后流转到仓库中的单量。例如一个用户的订单中包括3件物品，其中两个大件品和一个小件品，在京东的供应链环节中可能会将其中两个大件品组成一个单投

放到大件仓中，而将那个小件单独一个单投放到小件仓中，单量指的是拆单后的量)；GMV预测支持到商品粒度。数据源输"站仓库 WebB^A站上传基加工层(Hive、SparkSQL)单星订阜其他预瀝核漓法核|＞业务层(Spark,MapReduce)'站点单量预桃'；:；RDC销:1数据源输"站仓库 WebB^A站上传基加工层(Hive、SparkSQL)单星订阜其他预瀝核漓法核|＞业务层(Spark,MapReduce)'站点单量预桃'；:；RDC销:1 1 I核请法同步数揭仓库00同步MySql下游系统曲流 Web珈其他票统]:丽躡重轴出层4.4严选时序预测算法实践来自：严选时序预测算法实践4.4.1应用场景对于各种时序预测场景来说，需要理性看待预测算法的价值和边界，不能沉迷于算法的迭代优化乃至准确率的提升，应当更多从全盘业务的角度，用更全面的手段来解决实际问题。基于销■预测 基于业务目标基于销■预测 基于业务目标基于销■预测 基于业务目标基于销■预测 基于业务目标预测商品未来的销量，来决定补多少货；需要预测APP未来的流量,来决定具体的搜推策略等等。要让时序预测的算法在严选场景中更好的落地，产生业务价值,主要需要解决以下几个问题：特征数据的构建、收集、落地；算法模型的设计、实现；算法服务的整合、开发。筑一權卫■出I•口・I][»W](sum核心业务严选预测服务公共技术沉淀込用AttttHTTPBiraXHTTP■勞员洛¥通用血用测SDK；B«r>cKmart底层技术栈、Tornado1F*TensorFlow.筑一權卫■出I•口・I][»W](sum核心业务严选预测服务公共技术沉淀込用AttttHTTPBiraXHTTP■勞员洛¥通用血用测SDK；B«r>cKmart底层技术栈、Tornado1F*TensorFlow.Ua>tttXGBoostPRG*PHETramTornadoSU9MNMelasticsearch4.4.2数据特征用户数据用户属性：性别、年龄、地区、手机型号、消费水平、社会身份、类目偏好、社交关系……用户行为：浏览、点击、加购、购买、评论、分享……商品数据商品特性：类目、迭代关系、相似性、价格、毛利、文案……商品销售：销量、折扣、促销、好评、复购、退货、地域、履约……业务数据后端仓配：选址、容量、人力、配送……前端营销：预算、计划、竞争关系、渠道属性、经营模式、市场计划……外部数据行业相关：节假日、自然气候、原材料……流量媒体：属性、类型、规模……4.4.3算法模型包括经典统计学时序模型优点：预测结果具有较好的可解释性，计算效率高。缺点：算法本身处理复杂场景能力有限，需要额外的预处理、后处理环节，通过一些策略规则对预测数据进行补充优化，需要引入大量的专家经验。应用模型：Linear-Regression、ARIMA、Holt-Winters、Prophet

70000-60000-50000・§40000-30000-20000-10000・,2017-012017-042017-072017-102018-012018-042018-072018-102019-012019042019-07ds400000-300000-200000-100000-0-2017-012017-042017-072017-102018-012018-042018-072018-102019-012019-042019-07500000・400000-300000-200000-100000-0-2017-012017-042017-072017-102018-012018-042018-072018-102019-012019-042019-07传统机器学习模型优点：可以处理复杂的业务场景，较为方便的考虑时序或非时序的各种特征数据，目前在大部分实际应用中有更高的预测准确率。缺点：预测结果的可解释性较差，同样需要一定的专家经验来进行特征工程，对训练用的历史数据有一定要求，数据量（数量&质量）不够时很难学到有效的预测模型应用模型：XGBoost、LightGBM 优点：可以处理更加复杂的情况，对人工经验、特征工程的依赖更少，具有较高的自由度，可以端到端的解决各种预测问题。缺点：预测结果的可解释性最差，对历史数据的要求最高，并且训练过程计算量最大，效率较低。应用模型：DeepTCN、MASS、DeepAR、LSTNet、TFT、Informer 特别是深度学习模型，在NLP、CV领域带来了革命性效果提升的同时，在时序预测应用中却并没有体现出显著优势。近期学术界的一些研究也提出并验证了这一观点。在实际应用中，目前取得最好预测效果的依然是诸如XGBoost等传统机器学习模型。此外，对于严选的大部分落地场景，算法预测的可解释性几乎和准确性同等重要，因此,具体预测模型一定是结合业务需求选择最适合的，不能盲目追求“高大上”的算法。4.4算法服务定义了预测任务的标准范式，支持了预测任务的自动拆解，进而实现了大型预测任务的分布式计算。例如当执行一次全量商品的销量预测任务时，会自动按SKU将预测拆分成多个子任务，分发到多个服务实例上并行的执行预测计算，大大提升了预测服务性能。此外，通过一系列的工程优化，这套服务框架还支持了算法参数的配置化与热更新、算法热插拔、横向可拓展等特性，并且以Tornado为基础，抽象封装出了一套更适合线上算法服务的Python服务SDK-—Typhoon,并开源发布。OFFLINE4.5名创优品：供应链分析框架〃以零售门店为中心〃的供应链分析框架需求预测是所有供应链规划的基础；供应链中所有的流程都是根据对顾客需求的预测来进行的。因此，供应链管理的首要工作是对未来顾客的需求进行预测。需求预测需要考虑的重要影响因素：历史需求产品补货提前期节假日广告或其他营销活动的力度竞争对手釆取的行动价格及促销计划经济状况5仓间运输调度5.1杉数科技运输调度优化在考虑多种业务约束条件的同时，全局统筹规划所有资源，在确保满足客户服务水平的前提下，尽可能减少运输成本，提升资源利用率的同时提升业务响应速度。内容节选来自，杉数科技的王曦在datafunSummit工业数据科学论坛的讲座内容•WR.KI.塔点臥资源啟■眼制•WR.KI.塔点臥资源啟■眼制•特定$虽!和特定商品的匹配-通过生场规划铝的岀发与回仓/回场•按车型使用成本.距扈时来优化•基于《W?进行优化，以运成本最低为目切•按省份、Wfi.地B3B8住级別K区减艮申-阶.分破计价运输调度的复杂场最在包含通用的运输凋度功能的基础上,还需要具有众多适用于复杂场景的特殊功能a?卸馳点和时间窗萎求单点握单点《).单点掛多点卸多点躍单点卸.多点撮多点卸•技订单尊圾、类型进彳扮别优化•地址解析•业务Sit.限行但域划分•运输地点的持殊车室要城•按货・.价值计算咖效军-包含固定拔路的优化•分区之河的嶄戟•行吹据地系数确定调拨计划后,低成本高时效地执行落地.生产物流-掌握运输主动权,运筹帷幄确定调拨计划后，如何低成本高时效地执行落地心杉數科技毎日运作优化預计成本降低头屡物潦AfttlDC1 DC2 DC3强蓮徨独绶押S1 45稿i52 SWH3 经餡爲4二^流大fit*專败单多家承运商5.2阿里健康库存模型知乎文章：H确定调拨计划后,低成本高时效地执行落地.生产物流-掌握运输主动权,运筹帷幄确定调拨计划后，如何低成本高时效地执行落地心杉數科技毎日运作优化預计成本降低头屡物潦AfttlDC1 DC2 DC3强蓮徨独绶押S1 45稿i52 SWH3 经餡爲4二^流大fit*專败单多家承运商5.2阿里健康库存模型知乎文章：H并优化:两•从总仓发出的货,-w»oci.-msDC2.两越合井.TWB乐发往HuOOC.再分建装18优化：可以在一定范aenft^iaff分区.対相邻订单逬行拼戟mnxK9!勰漏牒鑑5E昨长远策路优化満运M费■议：通过.法敝HKI计鼻不同费率合国下•同样运桧下总歿用分別屋多少.给到采婢，如主突发Hl况仿H测算：嗣n;去系俛*«槪计im我慣况(5D此决&忧>车帧簸下.车铉J6时上就的fW况下.应该知何囲31妝运翡«3SB应本1B下.以及确认承运商様的车essfra新零售-多目标场景下智能调拨新零售-智能补货模型10%A5%15%—20*阿里健康的供应链是针对医药电商的货品进行订补货建模，需要根据健康商品特有的属性来进行针对性的分析优化。我们最初使用了业界应用最广泛的效果最佳的周期性(s,S)模型，能够快速的构建基2.1两大类补货模型周期性盘点(s,S)模型因为市场需求是不确定性的，在周期性盘点下，供应商提前期+盘点周期(vlt+nrt)的在服务水平为aaa的情况下，库存消耗情况如下：动态库存模型(DTIA)动态库存模型(DynamicTargetInventoryAdjustment)通过上述安全库存公式可以看出，