数据驱动的需求预测和智能补货赋能高效供应链管理

　　零售究其本质，是效率与服务的结合 ——《零售管理》巴里 伯曼
　　传统零售目前数智化程度的不足，导致许多需求预测全靠从业人员的＂专家经验＂。这种纯粹凭个人经验和感觉的预测方式使得供应链库存经常高企，同时又有很多爆品的缺货发生。新零售带来的渠道数字化变革旨在使所有的预测和决策都＂有数可循＂，从根本上解决＂人治＂带来的诸多困难和不确定性，使得完全通过数据驱动的需求预测和智能补货成为可能。
　　需求预测在供应链管理体系中的重要性
　　供应链流程作为企业价值实现的核心流程，需要平衡面向市场的客户需求和企业中长期的产品战略，实现短期感知需求和长期塑造需求的一致性协同。感知需求主要来源于终端，侧重于短期的需求，而塑造需求主要来源于产品战略，是基于公司对客户和竞争对手分析后进行规划制定的。
　　图片来源于网络
　　目前，在需求计划这部分，集团性企业往往销售渠道复杂、产品类型多，终端的能力水平不一样，同时缺少工具层面和组织层面的支撑，预测管理没有延伸到前端，通常由总部兜底式管理，往往导致积压与缺货长期并存的现象。
　　基于细分的产品市场策略，进行需求和承诺是非常关键的，以执行细分政策和盈利的客户服务战略。承诺分配是保留库存或能力的过程，需要建立资源分配的优先级，借助完整的分配和订单承诺，建立供应链各链条严肃的层层承诺和双向约束机制，企业可以实现很多的供应链细分的运营目标。
　　供应链信息要对前端透明，减少沟通层次提供沟通效率，高效精准的提前指导分公司业务运作，比如和商家的业务协同、市场活动安排等。
　　前端把需求优先级传给后端，后端按优先级进行资源分配，实现订单制下的供应链优化。
　　企业供需的平衡，以取得资源得最大化利用，是一个从粗到细的过程，根据企业的产品战略，在不同的计划层次解决不同的关注要点，可以分为年计划，月计划，周计划和日计划。在年计划层面，关注战略物资的保障；在月/周计划，关注关键物资和能力的保证，减少波动率；在日计划层面，强调全BOM的物料和能力保证，计划的可执行性。
　　在机器学习的范畴，需求预测是一个典型的＂回归＂(Regression)问题。算法可以通过历史数据，以真实销量作为数据样本，不断调整模型参数，自动的学习到预测的最优解。我们需求预测的总体方法也是以机器学习模型作为主线的不断迭代。
　　因此要让新零售的补货系统根据当前库存状况智能的生成补货策略，除了要通过库存模型对现实的情况进行抽象，简化为整数规划模型之外，我们还需要对未来的需求分布进行精准的预测并作为库存模型的重要输入。
　　比如经销商或门店通常会设置一个安全库存值以及触发补货的条件，在以往这相当依赖于人工经验。而由于市场受季节、天气、节日、促销等复杂因素影响，人工主导无法做到精准预测，安全库存值定的太高可能会带来较高的成本，安全库存值设得太低则容易缺货、影响消费者体验。
　　在不同的时间不同的情况下，安全库存的临界点也会不同，最终实现科学的需求预测及智能补货。通过大数据及智能算法，使得平均缺货率下降了10～15%，库存下降10%。无论是消费者体验还是物流成本都得到了很好的优化。
　　有了大数据及算法的能力积累，可以帮助到越来越多的品牌商进行科学合理的供应链规划
　　有了大数据及算法的能力积累，可以帮助到越来越多的品牌商进行科学合理的供应链规划，平衡产能，减少库存，缩短平均运输距离。这才是真正的全渠道全供应链物流解决方案。
　　并不是所有数据都从智能补货来输出或者决定，在整个补货建议输出的过程中，还有其他系统的关键数据输入。补货系统计算时输入数据除了来自系统本身的参数设置，如备货参数、下单周期、箱规等，基础数据属性来源于主数据。主数据是指基础性数据，如是否上下柜，是否售完即止，是大件属性还是小件属性，是否开通了平行仓库存，是否是赠品等。这些属性会在补货系统先进行判断，来看是否该补货，走那种补货逻辑。
　　以＂售完即止＂为例，如果是售完即止的商品，智能补货当抓取到该SKU属性时默认为不再需要补货。所以一个商品是否正确的设置售完即止，是否按时设置了售完即止，都会直接影响补货系统是否能出单。如果是真的售完即止，没有进行主数据勾选，就会有补货系统仍然出单最后产生滞销或者厂家无货的风险。
　　除了主数据，补货系统的预测数据来源于销量预测系统，基础库存信息来源于ERP系统，并可以进行手动实时更新。供应商绑定关系来源于VCS系统维护的SKU与默认供应商对应关系，或者单独在补货系统接口功能维护只用于补货的供应商信息。Band分级数据来源于公用的整体band分级底表，只是选择了其中一个固定口径做输出。
　　智能补货的逻辑是基于供应链库存管理理论的安全库存理论开展的
　　因为智能补货与上下游系统的关联，所以很多时候我们看到的采购单被下多了或者下少了，或者没有按时下达，没有按期望拆单等，实际是受多个可能性影响。如果能把问题具象化，也就能找到具象的根本问题在哪里，并找到应对方案解决。
　　系统自动化越高，相当于决策越靠前，这就要求使用者要对设置的参数和逻辑有足够了解，智能补货的逻辑是基于供应链库存管理理论的安全库存理论开展的。在使用前需要先了解系统逻辑，并进行一段时间的参数设置结果验证和观察。
　　全渠道商品数据的打通有利于库存预测系统对商品的零售需求预测，需求预测生成需求报表并提供自动补货决策（预决策），此时补货员通过核查核实订单并对订单作出相应调整。订单完成后形成＂订单聚合与电子数据交换＂。
　　数据传输至供应商平台，供应商通过确认、修改、调整订单，提供商品供给，此时数据再传输至补货员实现订单确认。补货员对订单确认后系统对承运商进行＂DC时间预约＂。售货员收货后订单完成。
　　由此流程可实现以下部分核心补货功能：
　　常规补货：常规商品通过DMS基础陈列以及目标库存进行自动补货。永续补货：短保质期商品持续按固定补货量补货。预测补货：促销档期商品在促销期内根据销量预测进行动态补货。促销计划补货：根据促销档期销售计划，计划量的一部分到店铺，剩余量在DC和供应商处提前蓄水。
　　需求预测策略的实现逻辑——某超市构建并验证的回归模型
　　以下是某超市构建并验证的回归模型，数据源自数字化设备及系统产生的历史数据，通过数据统计数值、参数、统计概率——代入回归模型，数学计算法形成商品需求预测值。并根据历史经验予以对应决策。众多诸如＂回归模型预测＂可以嵌入SAAS产品中更为快速直观利用，也可以是服务商BI产品，同样也可以自研算法可塑性更高，但三者目标一致——提升零售效率。
　　以下为回归模型具体算法步骤，以下内容源自国外文献 Highly Scalable Blog 翻译自张夏天。
　　零售商为客户提供一组产品。对给定产品的需求依赖于许多因素，包括产品本身的特性如价格或品牌，同类产品竞争对手的价格， 促销活动，甚至是天气。该问题的目标是整合这些因素来构建需求模型并且允许进行假设分析以预测对价格变化的响应，品类的扩充和减少，计算最佳库存水平，并分配货架空间单位。体现为以下三方面：
　　价格优化，促销活动计划， 以及定向折扣。
　　品类管理和计划。
　　库存水平优化。
　　需求预测模型通常应用在市场营销活动设计中，因为这些模型能够解释需求回归量的影响。例如，一个需求预测模型可以揭示某一产品的价格敏感性(当价格变化时需求有多少变化)与包装大小和和销售区域的人口特性紧密相关，这就暗示了可以在不同的商店使用不同的价格并对不同包装的产品设定不同的单位毛利率。
　　需求预测可以被认为是一个相对简单的数据挖掘问题，只需要建立一个回归模型并用历史数据进行评估。然而，设计回归模型则不是那么简单的事情，因为需求受到很多有着复杂依赖关系的因素的影响。
　　基于文献 [KOK07] 为 Albert Heijn（一家荷兰的连锁超市）构建并验证的回归模型。这一模型基于早期的营销研究如 [BG92]，以及时尚零售商如 RueLaLa[JH14] 和 Zara[CA12] 的实践，这些实践中应用了相似的模型。
　　然而，重要的是要理解不同的优化问题需要不同的需求预测模型并且几乎不可能构建通用的需求模型来整合各种不同的需求影响因子。
　　我们从以下对一给定产品的需求模型开始：
　　此处：
　　V 是在给定时间窗口内顾客到访商店的数量，例如一天。
　　Pr(purchase | visit) 是客户在逛商店期间购买任意商品的概率。
　　Pr(j | purchase) 是当客户发生购买时在所有可选项中选择产品的概率。
　　E{Q | j；purchase} 是当客户选择了产品并购买时购买数量(单位数量)的数学期望。
　　公式（3.1）中的所有因素都可以用店铺的历史交易数据来估计。需求通常与日期（周几、节假日等）和店铺（大小、邻近区域的人口统计情况等等）相关，所以我们引入下标 t 和 h 来分别表示日期和店铺，而估计的需求就是这些参数的函数。
　　另外，商店属性，如大小、位置和平均消费者的收入可以纳入模型作为回归。根据 [KOK07]，商店访客的数量可以建模如下：
　　此处 Tt 是天气温度，Wt 是天气舒适度指数(湿度、阴晴等)，Bti 和 Eti 分别是表示一天是星期几和公共假期的 0/1 哑变量，H 是公共假期的天数，而 α 是回归系数。
　　购买事件是一个二值变量（购买/没有购买），所以我们可以用一个标准的建模方法 - 将购买概率用一个Sigmoid 函数来表达并从数据估计指数参数：
　　则 x 的回归模是：
　　此处 Ajht 是哑变量，产品 j 在促销时值为 1 否则为 0，Nh 是所有产品的数量，而 β4 对应的是促销产品占整体销售产品中的百分比。
　　Pr(j | purchase) 的估计则更为棘手一些。客户选择建模在本质上是计量经济问题，是一个特别的经济学研究分支——选择建模理论。选择建模理论证明了多项 logit 模型（MNL）是有效的方法来对多个选项中选择的概率进行建模。
　　此处会 i 迭代遍历所有产品，yj 是一个参数变量。类似于购买事件的概率，我们对参数 yj 建立了一个回归模型：
　　此处系数 Γn+1 和 数 Γn+2 由所有产品共享，Rjht 和 R 分别是单个产品的价格和产品的平均价格，而 Ajht和 A 是促销哑变量和平均促销率，如上面对购买可能性回归模型描述的那样。
　　最后，单位产品的平均销售数量可以建模如下：
　　通过将上述模型代入根表达式（3.1），可以得到完全特别的需求预测模型。这一模型可以根据零售商的业务用例来调整，这些跳帧个可以通过增加更多的解释性变量如营销事件来完成。
　　结语
　　传统消费品、零售企业利用移动互联、大数据等技术，向电商、全渠道等新型业态转型，以客户为中心成为新时代转型的核心焦点。在客户端，消费者的地位发生改变，他们不再是产业链末端的被动接受者，而是成为产业链变革的主导者，离消费者越近的地方，企业的不可替代性越高，企业成为价值链网络运营者，价值链的各个环节都努力贴近消费者，＂产业链＂逐渐演变为＂产业圈＂, 强调客户体验和互动；在供应链交付端，企业对合作伙伴或者客户的承诺必须实现，对企业供应链的透明度要求越来越高，供应链的模式要从＂面向库存生产＂向＂面向订单生产＂转型，实现流水线式的客户订单信息流处理，强调订单信息流处理的快速、准确和智能化。
　　要实现这种供应链的模式转型，需要重新思考企业的产品战略，以及与之配套的供应链策略、业务流程、组织和信息系统。