补货计划链路

1. 解决的核心问题

• 降低大库存

• 提高库存周转率

• 提高有货率/在架率

2. 销量计划预测

2.1. 模型类型与面临的问题

• 常销预测模型—营销活动干扰

• 大促预测模型—大促超长周期

• 新品预测模型—无历史流量信息

2.2. 模型选择

1. 线性回归，最小二乘法/梯度下降法，可解释性强

2. 指数平滑法，适合短期时间序列预测

3. GBDT：Gredient Boosting Decision Tree,通过多棵决策树的预测值与真实值的残差累加直到残差为0（代表预测与实际一致）来训练决策树，可解释性强。

4. DeepAR

常销预测选择GBDT。无监督学习缺乏业务上的可解释性。

2.3. 特征工程

2.3.1. 因素

• 增长类特征

• 历史销量

• 时间与活动类特征

• 季节性

• 活动历史

• 商品属性

• 流量类特征

• 将会给到多少流量

• 聚合类特征

• 和其他商品的关系，比如叶子类目

2.3.2. 处理

1. 特征平滑，选择置信的数据

2. 剔除异常值，比如二分法找到某个值的路径过短，说明改值离群异常

3. 数据渠道拆分，结合业务区分不同因素影响下的数据

2.3.3. 结果评估

风险控制：准确率绝对不能出现负数

补货计划预测

数据集成

1. 销量计划

2. 活动信息:销量、时长、备货波次

3. 补货周期、供应商送货时长(VLT)

4. 安全库存、供应商服务水平

5. 约束条件:基本送货单位、最小起订量

VLT等应个性化,可以由供应商参与

选择补货模型

Smax

Smin

模拟供应商采纳行为

产出补货计划

补货计划跟踪

采集实际执行结果

协同体系

奖惩体系