本文作者： 凡飞，从快递到快消，一个平凡的供应链算法深耕者。

“ 我期望衡量咱们ai团队价值的，不是发明了多么精深的算法，而是跨越算法到落地间距离的才干。”

近年来随着电商行业从增量商场逐步成长到了存量商场，不少店家的规划现已达到必定水平，营收的增加也开端放缓，这时候对电商途径的供应链办理就开端被咱们所重视到。

供应链就像古代战役的粮草供应，一两场霹雳战或许看不到粮草供应的重要性，但只需触及耐久、大型战役，那必是三军未动，粮草先行。

现在的商场也是一样，在企业规划较小，处于高速增加、占领商场的阶段，供应链不必定被重视到；但只需规划达到必定程度，供应链将会像企业的心脏一样，用更少的资金流，为企业的事务作业提供更安稳的商流，成为企业“先为不行胜”的条件之一。

有幸的是，在咱们与某个大KA客户协作的进程中，专门就DTC场景的补货做了深入的探究，从经典的安全库存理论出发，到针对性地规划调整，再走向价值猜测算，终究到落地，得到了事务目标优化。本文将咱们的思考、实践分享出来，与各位看官沟通，期望能有更多的收获 :)

1. 算法规划

供应链的论题在国内现已发展有20年之久了，在方法论层面，咱们十分推重刘宝红教师 《供应链的三道防线》 所沉积的理论，从猜测到补货到收购、从算法到流程到安排架构，都有十分鞭辟入里的见解，咱们也得以站在巨人的膀子上发明价值。

而在补货领域，比较经典且在工业界广泛应用的，仍是安全库存理论，较少触及复杂的运筹学或许强化学习。当咱们假定Lead Time恒定时，一般的安全库存核算方法能够表明如下：

其对应的数理逻辑能够由下图解说，假如未来实践产生的销量遵守正态散布，那么咱们ai模型猜测成果往往是对未来的期望，假如咱们直接拿猜测值来补货，将有50%的概率会形成缺货。

这时候咱们就期望在指定的 Service Level 状况下，库存能保证不缺货，实践上便是求其对应置信区间上的值。这是对一天的猜测补货来看的，考虑到当天下的补货订单或许要隔几天才干入库，在假设销量是正态散布的状况下，多天安全库存便是上述的公式。

图1：猜测值、安全库存、Service Level在核算上的关系

更进一步，工业界在一个决议计划周期内（如三天补一次货、一周排一次产等），销量一般不会遵守正态散布，但只需咱们的猜测模型选择恰当，往往差错仍是能够挨近正态散布的，这时候咱们也能够用相同的方法核算安全库存。比方某些场景下，周一到周日销量出现周期性改变，那么咱们在模型中加入日期的要素即可。

道理尽管简单，但结合到实践事务会发现，这儿的正态散布假设存在很大问题。未来每一天的猜测差错遵守同一个正态散布，在DTC的场景下很难达成此条件。

1.1 DTC的特别性

电商业发展到现在，咱们简直都能感遭到，每一天如同都在做活动，每一天如同都能够领优惠券，咱们从数据上来看不难发现以下特点：

1. 促销活动频频。 像咱们本次协作的客户，光自家的促销平均一个月就促销4次，每次继续3~4天，还不算渠道协作类的聚合算、百亿补助；

2. 促销影响明显。 不论促销多频频，促销力度怎么，比较于非促销日，销量都有必定增加；特别日期的促销比较平常促销又有明显增加，如38、88、99大促、七夕、年货节等等；而待促销完毕后，销量基本就马上回到了日销水平；

3. 促销存在类似性。 不论是周期性的频频促销，仍是特别节日的促销，从总量、促销期间每日销量占比、不同产品的销量占比等方面都存在类似性，同一个模型的精确率、差错散布体现，也存在必定类似性；

4. 单个促销存在计划性。 像双十一、618，或某些头部主播的直播活动，都有强烈的计划导向。品牌方都会与协作方提早有明确的出售计划，这时整个供应链往往以约好的计划值为导向，而非通过前史销量猜测的方法；

因为上述的特性，咱们本次协作暂不将618和双十一的大促考虑在内。而关于剩余的时段，很自然不会有大一统的猜测模型，能使得每天的猜测差错遵守同一个散布，供安全库存理论来补货。那咱们要怎么办呢？

1.2 依据联合差错散布的安全库存核算

依据DTC的特性，咱们至少能够对促销和非促销分开建模，当咱们的模型选择恰其时，能够保证在单个模型猜测的差错中遵守正态散布。那么这时候每一天的猜测能够通过不同模型拼接起来，每个模型回测前史时也能够得到猜测差错，那按照上文安全库存理论的基本思想，只需得到在Lead Time期间各模型差错的联合散布，找到对应Service Level下的安全库存，问题就能够方便的解决！

需求留意的是，当Lead Time掩盖的促销和非促销天数不同，对应的联合差错散布也不同，例如两天促销一天非促销和一天促销和两天非促销，在相同的Service Level下的安全库存是不一样的。

图2：DTC促销频频，每日销量改变巨大

依据这样的思路，咱们开发了相应的补货体系。这儿为了与下文呼应，咱们界说3个模块：

1. 猜测模型，即促销和非促销的融合模型。

2. 决议计划模型，其时是依据联合差错散布的安全库存模型。任何能给出补货计划的方法均可视为不同决议计划模型，包括不限于运筹优化、强化学习等模型。

3. 仿真模型，以必定事务逻辑构成，输入猜测、决议计划模型及前史数据或未来猜测数据，对前史或未来事务体现进行模仿。

关于这三个模块的深入探讨，有机会咱们能够再写一篇文章来讨论，这儿重点介绍DTC怎么用此方法来落地的。

咱们通过仿真回测以及依据仿真优化的超参数查找方法，验证了模型的有效性。咱们依据前史销量、库存，加上必定的事务作业逻辑进行仿真，在相同事务流转状况下，假如用咱们的方法来补货，事务目标会产生怎样的改变，如下图3，便是某段时间用咱们的补货方法下的库存天数和缺货率仿真成果。与人作业业下来目标比较，有超越20%的改进。

图3：仿真库存天数与人工库存天数

而从细节上看,如图4，ai补货的节奏比较平稳，补货值会随未来的猜测销量波动而相应改变。而库存也有像安全库存示例图一样安稳地凹凸起伏，看起来很优雅：）

图4：仿真下的补货值与库存体现

需求留意的是，其时的仿真测算的仅仅是理论值，因为出产中有各种反常要素的影响，理论值往往仅仅能达到的上限。尽管如此，咱们至少验证了其时算法存在必定落地价值，剩余的便是落地进程中怎么保证理论值和落地值之间的损失尽量小了！

2. 落地前的预备

算法在落地进程中，也会对事务的办理带来很多搅扰。为了保证高质量的落地作用，咱们采用了MLOps和仿真相结合的理念，来办理落地进程。在落地之前，咱们的客户提出了两点顾虑：

1. 模型在仿真回测前史的体现不错，但怎么保证模型对未来的体现继续安稳？

2. DTC运营产品较多，能否有科学的方法分批上线，并保证每批上线的都体现杰出？

咱们对此一一做了解答。

2.1 模型功能安稳性

MLOps的基本认知里，咱们以为开发是相对廉价的，继续性运维线上模型是贵重的。在前史回测作用杰出的模型仅仅开端的第一步，更多的应战是上线后的继续运维，以及不行避免的模型功能下降。咱们的补货模型，或是ML模型，咱们需求继续监控进程，当模型功能明显下降时及时干预，有或许是从头训练模型，也有或许是调整输入数据。

图5：MLOps的模型功能监控理念

尤其是在商业环境改变多样的工业界，任何战略的调整、商场的改变都或许导致模型功能下降。像DTC前几年直播、淘宝客仍是抢手的论题，近几年热度就下降了，他们对销量的影响也在削减。

图6：与data centric理念相结合的模型功能保证体系

依据此，咱们以事务同学最关怀的库存天数和缺货率作为中心监控目标。除此之外，咱们也能够通过仿真做必定的事前预警。

---

前史不一起段的安稳性剖析，如上文所述，咱们通过仿真优化的方法得到的模型在某段期间内体现杰出，咱们也能够用相同的超参数来仿真前史不同的时间段，来调查相同的决议计划方法安稳性怎么。

如下图7，咱们用相同的超参数仿真了另一段期间的前史数据，能够看到ai的库存天数和缺货率在均值上与之前期间挨近，而且也是安稳比人工体现好。由此证明同一套决议计划超参数承认的模型，在不一起间段是相对安稳的。

图7：同套决议计划超参数下不一起段的仿真库存天数

周期性特别活动的安稳性预警，相同是图7期间的仿真回测，细心的同学或许发现ai缺货率有3个高峰点。结合DTC的促销计划咱们不难发现，这三次分别对应七夕、88、99大促，这是每年都会做的大促销。而当咱们的猜测、决议计划模型没有调整时，每年的仿真回测都会产生相同缺货率增高的现象。

反过来说，关于还没到的大活动，咱们都能够用曩昔活动期间做仿真回测，以调查其时模型是否有决心度过本年的相同活动，这将给咱们应对未来的改变留下了机会点。

这儿以88大促为例，咱们能够用前几年的88前史数据做仿真超参查找，搜得的成果可用于后续88期间的特定超参，如图8所示，比较上文在长时间内安稳的超参成果，88特定超参可在88期间将缺货率优化4%，而如图9所示，相应的库存天数没有形成太大影响。

图8：特别活动下超参调整缺货率比照

图9：特别活动下超参调整库存天数比照

理论上，咱们能够每天都对未来一段时间做安稳性预警，汲取前史的教训，及时对猜测或决议计划模型做适当调整。在DTC场景下，周期性大活动尤其有必要，比方38妇女节、88大促、99大促、年货节等等。

2.2 依据仿真的上线准入机制

当安稳性有保证后，随之而来的是怎么分批次落地的问题。尽管咱们能在仿真测算时，整体的事务目标杰出，但实践落地不行能直接全量落地，而是分批次的。

这时候孰先孰后也是有考究的，咱们更期望“最有把握”，落地后优化目标更多的先落地，这不仅能提振团队士气，也能在成果出来后得到更大的授权。

落地后目标改变不大的暂缓落地，它们或许有特别的影响要素，需求针对性调整模型；落地后目标变差的，有或许它们便是很难用ai自动化补货，需求人工干预的。

咱们怎么将这些批次区分开呢？在一开端咱们以为首批落地的产品需求契合下列条件：

1. 销量继续安稳

2. ai猜测精度继续杰出

3. 猜测差错继续安稳

而实践实践下来后发现这些产品尽管模型落地后能体现杰出，但与人工比较优化空间并不大。反思之后发现咱们进入了一个误区，这些挑选条件指向的都是销量安稳、让猜测模型体现杰出的产品，这些产品尽管补货模型能很好地应对，但人工也相同能很好地应对。

反而关于销量不太安稳，人工不太容易做猜测的产品，猜测模型通过类似场景的学习，决议计划模型通过精细的测算，其实能比人工更少犯错，然后得到更好的优化潜力。ai不便是在不承认中找到承认性，然后帮助人更好地决议计划么？

既如此，何不必仿真拿前史的数据来判断究竟选哪些呢？因而，咱们提出了依据仿真的上线准入机制。

以仿真回测的事务目标与人工目标之间的距离作为是否合格的判断依据，剖析未合格的事例弱于人工的原因，相应地调整模型，再用仿真测算，直至合格，契合上线规范。关于已合格的，咱们也能够依据仿真回测事务目标相较于人工的优化潜力做排序，让潜力大的先落地。

图10：依据仿真的上线准入机制

拓展开来，仿真->归因->模型调整的闭环，不光适用于sku的上线准入，相同也适用于新模型的上线准入。小到模型的超参数调整，大到模型结构变换，如lgb换成transformer，都适用这样的体系。

3. 落地进程的应战

兜兜转转，咱们的模型总算到了要真正接受检测的时刻，在此进程中也遭到了充沛的应战。

3.1 采用率不高怎么办

在落地的试运转期间，通过监控发现事务同学在未加干预的状况下对补货引荐值采用率很低。对典型事例做了剖析总结后发现，其首要本源出现在以下两方面，对销量的高估，以及对AI补货不够信任产生的不安全感。

以某个产品为例，从图11中能够看到人工有两次补货，而其时的实践库存都高于ai引荐的最大库存，从实践库存每日消耗来看，其销量也是继续低迷的。由此咱们能够判断这两次是不合理的补货行为。

图11：依据实践事例加密转化后的补货场景回溯示意图1

在和事务同学的访谈中咱们得知，这两次补货分别对应了两场重要的促销，仓管同学遭到前端出售同学的压力，而且缺乏此产品前史销量趋势的感知，补了较多的货。

这也从侧面证明了ai猜测的优势，一方面ai能够站在更全局的视点做猜测，使得出售和本钱在最优的水平，既不会为了营收多备货，也不会为了削减库存本钱而损失出售机会；另一方面，ai在最细的粒度能够做到更精准的猜测，关于重要的促销，不仅能够知道知道销量的增加，还能够知道哪些产品涨的多哪些涨的少。

为了削减类似状况的产生，咱们给事务同学开发了相应的看板，能够让事务同学感知到各个产品前史销量趋势，增强对ai猜测的信任感，而非只提供一个冷冰冰的引荐补货值。

因不安全感，做的额定补货。 以此产品为例，能够看到事务同学也补了两次货，但此产品销量较安稳，没有对库存形成太大负面影响，实在库存水位也在ai引荐最大库存量之下。而从ai引荐订购点和实践库存量的比照来看，事务同学的补货机遇现已十分挨近ai引荐补货的机遇了。依据库存和销量推算，假如事务同学在第一个补货点没有补货，那么在第二个补货点时，ai现已会引荐其补货了。

图12：依据实践事例加密转化后的补货场景回溯示意图2

相同在和事务同学的访谈中得知，其时他密切重视着这个产品，但ai迟迟不引荐他补货，事务同学忧虑ai是不是把此产品漏了，所以分别补了2次，但考虑到与咱们的协作，又不敢多补，十分纠结。而因为事务同学在这两天补货了，导致ai拉取最新库存时发现其时库存充足，也就不补货了，又加深了事务同学关于ai是否漏了此产品的疑虑。

类似的行为尽管不会对咱们首要查核的库存水位和缺货率，但假如每次都是这样小批量地补货，必定程度会对物流、拣货形成额定的本钱，一起也增大了咱们补货引荐的使用本钱。

相应地，咱们在与用户交互的补货引荐表中额定增加了ai引荐订购点和最大库存量字段。前者能够减轻事务同学的不安全感，让他知道尽管今天ai没引荐补货，但下次必定就引荐了；后者能够在事务同学坚持要补货的状况下，让事务同学能够参考当天应该补多少数。

由此咱们承认了与事务同学的交互形式，如图13所示，事务同学不仅能够看到引荐补货值，假如在特别状况下如需提早补货，事务也能够依据引荐订购点和最大库存作为参考做更好的决议计划。

图13：终究与事务同学交互的补货表

咱们在落地进程中，也发现了一个风趣的现象，供咱们参考：关于事务流程较为老练的企业，直接用ai做强制实行，会对现有事务流程带来极大应战，因而AI施行进程中，在现有流程内，帮助事务同学做更科学的决议计划，会帮助更好的产生事务价值。

当咱们正式上线运转后，采用率提高了60%以上，事务目标也在3天后有了明显提高。

3.2 归因剖析

在继续的落地期间，咱们在监控事务目标的一起，也需求对事务同学没有采用补货引荐值的状况进行剖析，以便深入了解是模型自身问题，仍是流程问题。在初期阶段这是个极繁琐、作业量巨大的作业。

这个进程需求精确而全面的收集事务同学的反应是最要害的。对每一条未采用引荐值的反应，需求用数据回溯其时的场景，承认其反应并归结到有限的标签，一起会遇到很多的文字解析作业，比方，相同的问题，事务同学或许用不同的反应文字描述；类似的反应文字，背面对应的原因或许不一样，触发的多补或少补的行为也不一致。

幸运的是，观远具有强壮的BI产品，以及服务数百家客户后沉积下的剖析方法论，顺利完成了归因剖析。下图是咱们某个阶段低采用的归因成果。

图14：未采用的归因剖析

通过归因剖析，咱们一次次找到了其时模型的缺乏，加深了对事务的了解。比方：

• For99大促提早备货。 在建模之初咱们和事务方明确了Lead Time是3天，假如9月9日有活动，咱们在9月6日把活动期间的货量补足即可。

但是关于大促，事务同学往往会提早备货，大促的货量不是一次功能补足的，也没有那么多现成的货运车辆来运送，所以都是提早分批补的。这就要求咱们的补货模型针对大促补货做额定调整。

• 满足日销需求。 其本质上是咱们模型对部分产品的非促销时段猜测不精确。而通过咱们深入剖析，所谓的“非促销”时段其实是未被感知到的促销，比方部分百亿补助、聚合算等未被整合到输入数据的活动，或许原计划的活动临时调整了促销产品却未被模型收集到。

咱们和客户的IT团队沟通后也得知，理论上一切的促销活动都能收集到，但都需求本钱，所以有部分体量不大、低频产生的活动都不建议收集。相应地，这也要求咱们的猜测模型需求有感知计划外活动开端和完毕的才干，及时调整猜测值以做到更好的补货。

除了模型自身的问题，AI落地与流程的执行配套也十分重要，比方：

1. site需求，site可视为前端出售同学，他们期望库房多备货，对销量有必定的高估，会给予补货同学必定的压力，导致补货过量，这对AI补货是一个搅扰。刘宝红教师在《供应链的三道防线》中也提到，怎么让整个公司用一个猜测值，一直以来是个巨大的应战。

2. B仓无货防断货，DTC的网络结构是典型的多层级仓储结构，当咱们的某些热销产品在全网缺货时，事务同学会紧盯工厂的出产，一旦出产出来就囤货在附近的DTC库房，即便因而或许牺牲该库房的库存水平和跨仓，也要防止出现全国性断货的现象。

这两种场景，关于事务影响稍有不同，前者会形成了过大的库存本钱；而后者会削减缺货，必定程度上对商场是有利的。

4. 缺乏及可优化点

通过咱们的尽力，咱们实验组的库存天数比对照组降低了14.8%，缺货率降低了6.9%，得到了客户的必定，当然其中也有必定的缺乏值得咱们未来继续尽力。

4.1 面向财报值的优化

在上文关于事务目标的优化进程中，咱们提到了落地前的理论值测算，上线后尽力保证落地后事务目标的改进，咱们看到了事务目标从理论值走向落地值的进程。站在商业的视点，咱们并不期望停步于事务目标，而是期望取得财报值。 期望后续有机会约请财政同学全面地核算咱们优化成果收益。

落地值和财报值比较：

1. 落地值仅考虑中心查核kpi，未体系化地考虑归纳本钱。 比方项目未考虑拣货、物流费用，假如高频少数补货就能够作为“投机取巧”的手段；

2. 落地值未核算到金额。 比方咱们将整体库存水平优化了10%，并不代表咱们的仓储本钱就能下降10%；

3. 模型需接受耐久性检测。

财报值也能够反哺模型，更全面地考虑问题，完善优化目标。期望未来有越来越多的项目，能收获明晰的财报值，让咱们能够看到AI对企业的愈加中心的价值。

4.2 集成猜测、决议计划和仿真的补货产品

ai模型带来了巨大的价值的背面，不容忽视的是，其强壮的产品、完善的流程使得ai模型能快速验证、迭代，然后产生价值。补货场景下，咱们也需求猜测、决议计划和仿真相结合的闭环，让补货体系愈加友好，人性化，更挨近办理的需求 。

关于算法同学来讲，他们能够：

1. 开发新的猜测模型，从lgb到transformer或是MQ-RNN；他们也能够调整决议计划逻辑，从安全库存逻辑改成运筹优化问题或许强化学习求解；他们也能够在其时模型上超参查找，得到更好的体现。但无论哪一步，当他们提交代码后，体系都会做仿真回测，验证新方法的潜力。

2. 关于承认要落地的模型，当和事务同学沟通好后，产品也能依据仿真上线准入的思想，分批次引荐落地产品，并告知哪些产品需求再做调整。

3. 落地进程中，产品能对大部分的未采用状况做自动化归因剖析，以高效提高采用率。

关于算法同学，任何新研究成果都能够通过这套流程快速得到验证，加快商业价值的转化。

关于事务同学来讲， 每天补货时，咱们的产品能够告知事务应该怎么补货，背面的决议计划链路是多种猜测和决议计划模型通过前史仿真所得到的最优组合。事务同学能够按自己的了解修正与其相关的参数，比方：

1. 预期服务水平从95%调整到97%，产品会调整今天补货计划的一起也告知他，2%的服务水平提高，通过前史的仿真回测，估计会带来x%的库存费用提高，终究归纳财政值改变了y%；

2. 事务同学也能够依据自己得到的信息适当修正未来的猜测值，比方下周五有场临时直播，估计要2w箱的货，产品也会告知他这几天怎么有节奏地补足。

3. 关于有自己补货节奏的事务同学，能够输入自己了解的补货节奏，而仿真也会告知他两种补货计划之间的费用区别。

咱们以为好的补货体系，不是去强制补货命令，而是帮助事务做更好的决议计划。补货进程是可视可解说的，也能落实到看得见、摸得着的费用上。