供应链优化与创新的重要性在上一期我们提到的Shein和Temu这两家电商巨头的价格战中就颇能窥知一二，在激烈的市场竞争中，供应链的管理效率和精准度不仅影响着成本控制，也影响着客户体验与品牌形象。
作为供应链管理的源头，需求预测是提高供应链灵活性的首要任务。通过预测销量提高库存周转率，道理不难理解，大概知道市场需求后，进货和补货都能做到心中有数，大规模的存货积压出现的可能性就会大幅降低，而难点是如何智能预测供应链需求，提升预测的准确性。
Gartner数据显示：企业每提高1%销售预测准确度，产品库存周期就将缩短7%，并降低2%的运输成本、减少9%的过期库存报废。
🔎网易严选运用需求预测赋能供应链决策
网易严选经过长期的理论与实践的探索沉淀出了一套适合自己的预测体系，运用其解决了多种供应链需求预测问题，并将预测体系应用到了采购、调拨、营销等多个业务环节中，取得了较好的效果。
作为自营品牌电商，网易严选的供应链决策场景非常丰富，商品迭代速度很快的同时，花样繁多的促销、引流手段也给数据带来大量的不确定因素，这增加了需求预测的复杂度。网易严选是怎么克服这些问题的？
他们梳理了各种业务场景后发现大部分业务场景下的需求预测问题都可以转化为“特定条件下的商品销量预测”问题，为此他们结合业务对预测问题进行标准化定义，使其转变为一些较为通用的预测算法问题。
纵观网易严选所有需求预测场景，大部分预测问题总是围绕商品的销量、流量、活动等基本要素展开。基于这些基础特征，他们在特征层进行了一些初步建模的工作，这也提升了预测的效果。
网易严选的供应链协同决策系统
-
事件建模
真实的需求、销量总是充满了波动的。大部分情况下，波动总是伴随着一些特殊“事件”的发生而产生，例如特定的促销策略、特定的活动宣传等等。事件考虑不充分是造成预测不准的最普遍因素。
基于这一点，网易严选从流量、折扣、时间等基本维度出发，基于业务策略，设计了一套标准化的事件体系，对于在严选场景下发生的各种事件转化为标准的字段，作为时序特征的重要补充。
-
季节性建模
商品季节性也是考虑需求预测的重要因素之一。比如防晒霜或圣诞树之类的产品有很明显的季节性增长趋势。季节性因素也可以是指一年中导致客户行为改变的任何其他情况，这可能包括意外的天气事件，甚至是受新冠疫情这样的突发事件影响，导致人们夏季在室内呆的时间比以往更长。
为了做好季节性商品的预测，基于马尔可夫链蒙特卡罗方法（MCMC），网易严选设计了一套具有一定先验假设的概率模型，可以从小样本量数据中推算出全年完整的季节性趋势变化。通过模型计算得到的全年每一天的季节性因子，作为时序特征的重要补充。
🔎盒马销售预测十大难点
为实现高效供需匹配，盒马的多种业务模式都需要有配套的供应链支撑，关于提升供应链效率这一块，盒马将多种业务模式后端融合，尽量共享干线网络和库存，大幅提高资源利用率。
同时公司内部通过销售预测推出销售计划与策略，销售计划决定供应，供应能力决定库存，通过库存和履约能力决定短期销售上限，从而对销售进行调控，下一轮的销售计划参考以上历史信息，实现了完整的商业运行闭环。可以说盒马很好的运用了零售商供应链算法优势克服了供应链上需求变异放大的现象----“牛鞭效应”。
信息扭曲的放大作用很像甩起来的牛鞭
盒马销售预测算法迭代路径分为简单模型、机器学习模型、深度时序模型、时空图网络模型四个阶段。
接下来让我们一起看看盒马销售预测中的十大难点以及其针对不同难点提出的解决方案：
-
新品较多----在图模型中保留新品信息，对LOSS做mask，老带新模型
-
节假日影响----引入出行数据，品类预测和单品预测联合学习
-
恶劣天气影响----小时级别天气数据，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，以便用于历史异常数据剔除
-
复杂活动、优惠券、会员权益----对于营销活动做异构图，提取营销活动全量信息
-
APP资源位与线下堆头----先通过资源布局预估额外流量，再预测销量的二阶段模型
-
商品替代性显著----基于多种算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----依托预测白盒化产品输出因子系数
-
数据非常多、流程复杂----销量预测任务模块化，14步拆解与数据表对应，结构清晰
在实际执行过程中由于市场是不断变化的，所以我们需要针对变化及时做出调整。调整的前提是了解预测是受哪些因子影响，可以定量分析解释，转化成具体的场景和影响因素， 做到预测结果定量解释及数据展示。接下来就是在仿真环境中进行场景预设，因子参数配置调整，以及预测方法的选择。仿真支持预测结果输出，并提供和历史baseline 或 多方案结果对比，助力最优调整实现。
🔎优化需求预测是至关重要的
通过以上两个企业案例可以充分说明，需求计划的优化对于供应链全链条灵活性的提升是至关重要的，而需求计划则是在已有的需求预测基础上，结合企业的实际情况得出的判断和规划，用于指导后续库存、生产、采购等计划的制定。可以说，需求预测是需求计划的前提和基础，需求计划是需求预测的具体实施和落实。因此，提高需求预测的准确性刻不容缓。
驿玛科技目前已经在智能需求预测部分积极布局，支持需求预测优化、可解释性以及模拟仿真。
MIT---专属于你的智能控制塔
驿玛科技从实践出发，专注于为跨境商家提供定制化的在线管理智能控制塔服务，以优化供应链管理，提高资金利用率。通过销售预测、补货计划、采购管理、头、尾程管理和财务管理等模块，我们解决了卖家在供应链中的主要痛点。我们的目标是帮助卖家实现更精准的预测和更高效的计划，从而提升效率，降低成本，并在竞争激烈的市场中取得优势。