导语：
2月14日晚间，Gartner公布了2024年度Gartner Power of the Profession供应链大奖，京东集团荣获供应链技能立异奖，成为取得该奖项的仅有亚洲企业。Gartner Power of the Profession供应链奖项已经举行十年，是衡量企业供应链立异才干的国际威望奖项。据悉，入围决赛的共有5家企业，另外4家别离是谷歌、思科、MTN集团、Allina Health。京东智能供应链Y事务部研发的“依据概率分布猜测以及解释性AI的弹性方案技能”，在激烈的竞争中取得冠军，历年的冠军包含微软、辉瑞、壳牌等。此外，几个月前，京东还凭借端到端库存办理等技能入围了2023年弗兰兹厄德曼奖（Franz Edelman Award）总决赛，这是一项由美国运筹学与办理科学学会(INFORMS)建立的办理科学界的最高奖项，被誉为工业工程范畴的“诺贝尔奖”，旨在表彰运用运筹学和办理科学在实践运用中发生巨大价值的工作。
过去一年，京东零售技能团队继续探究立异。在供应链方向，经过提出并运用端到端库存办理技能和可解释AI技能，完结了更快的库存周转和更高效的供应链决议方案、协同。近期，我们将推出2023京东零售技能年度盘点的深度文章系列，这是第一篇，希望能为技能同学们带来一些启示或帮助。
一、供应链决议方案中的超级难题：怎么在确保可解释性的情况下进步猜测精度？
销量猜测是供应链决议方案的要害组成部分，其精确性直接影响库存控制、资金组织、出产方案和市场战略。销量猜测在传统上依赖于依据核算办法的时间序列模型，可是随着核算才干的进步和数据采集技能的进步，猜测办法逐步演变为更为杂乱的机器学习算法，可以处理更多维度的数据并捕捉更深层次的非线性联系。
整体来看，销量猜测的开展阅历了三个阶段：传统核算办法、机器学习办法以及混合算法。传统的核算办法如ETS、ARIMA等，具有清晰的数学结构，但只能处理简略的时间序列数据，无法捕获外生变量的影响，很难进一步进步猜测精度。随着电商规划快速开展，产品规划越来越大，传统办法在杂乱场景的作用劣势则逐步显现出来，而机器学习算法因为其强大的拟合才干开始备受追捧，如 xgboost、LSTM、Transformer等。
但是，现在的机器学习算法遍及是黑盒化的，可解释性的缺乏已经成为这些算法在供应链实践中的一个要害妨碍。针对传统办法及机器学习办法的劣势，混合算法逐步走进群众的视界。混合算法经过将核算模型与黑盒 ML 算法相结合以进步猜测精确性和可解释性，如N-BEATS 和 NBEATSx 。可是这些混合算法存在显着的问题：一方面，现有的混合算法与供应链场景匹配度低，只是考虑趋势、季节等固有的时序要素，无法量化营销、促销等特有要素的影响，因而在供应链场景下无法确保可解释性；另一方面，现有的混合算法通常依赖于具有核算假设的理论模型，只重视各成分的精确性，不考虑大局信息，导致精确性的下降。
而关于京东供应链来说，产品补货的决议方案直接影响出产，所以关于算法的要求不只是是精确率，而需求有高度的可解释性，才干获取事务的信赖。尤其是针对头部产品，会有补货缺乏的危险，构成缺货，影响采销的出售方案达成，所以事务需求知道猜测结果是怎么得到的，比方猜测考虑了哪些要素，每种要素带来的影响有多大等等，进步事务的可控度及信赖度。京东智能供应链团队致力于打造一套针对供应链场景下全新的可解释猜测算法，其间怎么确保可解释性的情况下进步猜测精度是最首要的挑战，要害要处理两个技能难点：
（1）高可解释性束缚下现有的算法精确性较差
在时间序列猜测中，依据时序分化的算法将时序分化为不同的成分，可解释性较强，因而被广泛运用，可是依据传统核算的时序分化算法因为其无法考虑多序列猜测及关于杂乱场景的拟合才干较差，所以精确性较差。采用这些办法会构成很多的低质量的备货及库存冗余，添加仓储成本。因而怎么确保可解释性的情况下进步猜测精确率是最大的技能难点。
（2）现有的混合算法大局拟合才干差，与供应链场景匹配度低
为了进步猜测精度，最近的可解释算法通常将机器学习办法（ML）与分化相结合，可是现有的混合算法通常依赖于具有核算假设的理论模型，只重视各成分的精确性，不考虑大局信息，而供应链场景下各成分的要素相互依赖，采用核算假设的理论模型难以拟合，这种方式脱离了实践的事务场景，然后导致系统运用率较低，补货不及时等，缺货导致用户买不到自己想要买的产品，影响产品的出售额。
由此，智能供应链团队提出了一种新的可解释猜测技能，这是一种新的混合算法，构建了通用的可解释算法结构确保高扩展性，在不同的杂乱场景下可解释性及精确性均大幅的进步，首要立异包含：
1.猜测流程及结果可解释，大幅进步用户的信赖
新的可解释猜测技能输出给下游的猜测不再是一个终究猜测值，猜测输出由多个需求要素组成，如基线、促销、营销等，并且依据京东大规划的订单出售、促销等数据，经过因果揣度的方式完结数据到模型输入及过程的因果逻辑，既进步了杂乱场景的拟合才干，一起让事务了解整个猜测流程的流转。比方促销场景下，经过因果算法描写促销猜丈量的上升是因为输入的促销数据中事务提报的秒杀促销引起，然后让事务了解整个猜测流程的流转，终究经过可解释性的猜测指导用户做出精确的补货决议方案，大幅进步用户的信赖。
2.提出了一种通用的结合分化和ML的可解释猜测算法
智能供应链团队提出了一种通用的结合分化和ML的可解释猜测算法（W-R算法），W-R算法构建了一种经过加权变体的加法组合函数构成的可解释加法模型，既经过分化的范式确保时序的可解释性，又经过深度的权重及残差网络考虑大局信息进步猜测精确性，进步了模型大局化拟合才干，处理了现有时序分化算法精确性较差问题。W-R算法整体分成两个阶段，第一阶段是初始分化模块，经过自定义的分化模块去估量分化的成分，确保猜测的可解释性，如在自营场景下：猜测 = 基线 促销 营销 。第二阶段为ML调整模块，经过构建加权变体加法组合函数去拟合初始分化成分的大局参数，进步猜测精确性，自营场景下：猜测 = 基线权重基线 促销权重促销 营销权重*营销 残差，依据权重及残差网络估量相应的权重及残差，终究输出加权的加法组合猜测，整体来看既确保可解释性，也确保了精确性。
未来来看，可解释的猜测将是供应链范畴的重点方向之一，后续智能供应链团队将从全流程可解释、主动诊断归因、方案可解释等多个方向迭代优化可解释猜测技能，然后更好的服务下游决议方案，进步供应链功率。
二、端到端库存办理的战略和模型规划
库存办理是供应链办理中重要的一环，决议方案者需求依据用户需求、出售方案和供货商才干等信息，组织合理的补货和出售方案。实践中，许多要素导致库存办理是一项杂乱的难题。例如用户需求具有高度的不确认性，产品的种类和数量十分巨大，供应链中间环节较多，供货商送货时间和送货量也有波动性。另一方面，假如库存办理的决议方案失准，构成的影响也是巨大的。假如对顾客需求预估缺乏，导致补货数量偏低，会构成频频的缺货现象，然后影响顾客购物体会，也给平台构成出售丢失。假如过高估量了顾客需求，构成补货数量偏高，会导致很多的冗余库存，发生过高的存储费用，一起也占用很多现金流，构成资金浪费。因而，怎么应对库存办理这一既重要又有挑战的任务，成为供应链办理中的首要任务。
传统的库存补货办法大多先依据前史数据来预估未来需求，再结合供货商补货提前期（VLT，从向供货商订货到收货完结的时间）等信息，来确认合适的补货战略。这种方式被称为“先猜测再优化”结构（Predict-then-optimize, PTO）。但是，PTO结构将整个补货过程拆分为了猜测和优化两个阶段，而输入数据经过第一阶段处理后往往会构成信息丢失，因而在后续的优化阶段中无法充分运用原始数据，导致决议方案误差。而关于京东场景而言，巨大的产品种类和数量，用户需求的高度随机性，各类意外事件（例如恶劣天气、疫情等）对供应链的影响和冲击，均会进一步进步需求猜测中的误差，终究导致供应链成本添加，顾客满意度下降。
为处理上述问题，京东智能供应链团队提出端到端（End-to-end）库存办理技能，依据多分位数循环神经网络（MQRNN）算法，运用产品前史销量、前史收购节奏、供货商履约等数据，直接经过模型来决议方案最佳补货量。
该模型先运用前史收购数据、销量数据、库存数据，采用依据动态规划结构提出的最优补货量决议方案模型，确认前史各个下单时间的最优补货量；再依据前史销量信息、送货提前期信息、下单周期、初始库存以及最优补货量构建特征库并生成学习样本；随后规划依据多分位数循环神经网络的深度自学习模块，针对学习样本进行练习优化；终究依据学习后的深度自学习模块进行猜测销量、送货提前期以及下单量，完结端到端补货办法。
如图所示，端到端模型的输入项包含5类，别离是需求猜测相关特征、产品基础特征（例如品类、品牌、仓库信息等）、供货商送货时长特征、库存盘点周期特征和初始库存水位信息。这些输入信息经处理后进入隐藏层，包含需求猜测子模块、送货时长模块和优化决议方案模块。模型终究输出项包含3类，第一项是终究的补货决议方案，是模型的首要输出，第二、三项是一起生成的需求猜测结果和供货商送货时长猜测结果。因为缩短了决议方案流程，减少了中间环节猜测误差累积对决议方案作用的影响，端到端模型进步了补货精准度，有效降低成本。
图 端到端补货模型示意
这两项技能上线以来，供应链猜测精确度进步7%，现货率进步2%，库存周转优化挨近2天，带来数亿元的持货成本节省。以这两项技能为基础的主动补货系统，已完结超越85%的主动化率。
现在，京东作为中国最大的零售商，为近6亿活跃用户供给超越1000万种自营产品。京东自建的覆盖全国的完善物流系统，办理着超越1600个库房，运营着超大规划的物流车队。京东如此巨大的零售和物流事务，背面离不开杰出的供应链办理技能，包含库存办理、库房运营、配送履约等。得益于完善的供应链设备和先进的数智化技能，超越95%的京东自营订单可以完结当日达或次日达，平均库存周转天挨近30天，现货率高于97%，达到了行业领先水平。未来，京东将继续经过数智化技能继续优化成本、功率、体会，致力于发明更大的产业价值和社会价值。
本文相关的详细技能细节，可别离参阅论文：
