采销协同的算法优化实践
1 背景
互联网时代，如何利用数据和算法优化商品供应端与销售端的协同能力，从而降低成本保持竞争优势，是电商供应链管理核心问题之一。-
严选模式相比于普通品牌电商的商品种类更多；
-
相比于平台电商和平台自营多了商品生产过程，因此补货周期要长1-4个月不等；
-
严选的销售渠道比较全，有自建App、各家平台店铺、抖快直播、以及线下店等。
品牌商的商业目的是在商品销售过程中，平衡库转和缺货，尽可能降低库存积压、商品缺货等带来的各种成本，从而保障销售额的同时最大化利润。采销协同是实践中平衡库转和缺货非常有效的方法，“采”对应供应端的补货链路，“销”对应渠道端的销售链路，两条链路并行推进互相协同配合。最理想的状态是，供应端补货的商品量与实际销售的商品量相当，这样既没有库存成本，也没有缺货损失，销售额和利润同时趋向最大化。不然，补货量大于销售量，会增加库存成本；反之则商品缺货，会造成销售损失。
图2 严选采销协同链路
3 采销协同的三个阶段
3.1 事前
第一个阶段是事前做预测，主要任务是制定活动计划和需求计划。
-
做活动计划：首先渠道需要制定初版活动计划，接着粗粒度的计划输入预测模块得到销售数据，再根据利润率计算得到毛利预估，根据毛利空间再调整活动计划。如此迭代，直到能满足渠道的GMV和毛利目标需求。
-
做需求计划：首先依赖上一步的活动计划，根据历史数据细化颗粒度，拆分到单个SPU甚至SKU，接着输入预测模块得到每个SKU的销量数据，最后根据销量预测数据制定需求计划。
3.2 事中
第二个阶段是事中依策略，计划永远赶不上变化，活动执行变数是非常大的，因此销量预测永远做不准，预测结果应该是一个销量的概率分布。补货策略应该对应业务目标，比如大促期尽量不缺货，或者平时要减少库存积压，又或者把库存成本、缺货成本、运输成本整体降到最低等。所以在计算什么时候补货、补多少这个问题的时候，可以看成基于销量概率分布、MOQ、LT、安全库存等业务约束的一个目标优化问题，根据当下的业务目标来制定策略，而非按照一套统一的公式。
3.3 事后
第三个阶段是事后可微调，一般销售都有自然波动或不可控因素的影响，部分商品会有积压库存和缺货的趋势出现，此时在销售端需要做对应的处理。由于是趋势刚出现，系统可通过活动选品、流量调控两个模块对流量进行微调。而等到库存积压真正发生时，只能通过清仓等特殊运营手段进行干预了。
图3 采销协同的三个阶段
4 严选模式的采销协同面对的困难
严选模式的采销协同相比其他类型电商存在很多困难，对应三个阶段总结如下：
-
预测难点
-
SKU种类多数量大：品类覆盖宠物，美食，个护，居家等八个生活相关类目，包含了季节品、快消品、时令品、常青品、长尾品等多种类型商品；需要预测的SKU数约16万，其中自营SKU约2.2万。
-
生产周期长：由于商品生产周期一般在1-6个月，因此必须预测180天左右的销量，时间越长预测越难。
-
商品销售历史短：大约50%的商品销售不足一年，20%的商品销售不足半年，根据没有完整跑完一年的历史数据，预测准确率很难提升较高水平。
-
补货难点
-
保库转和降缺货率之间难平衡：两个指标很难同时做好，往往是跷跷板效应，补多补少需要根据当下具体业务需求来决定。
-
活动计划和需求计划分开制定：活动计划由运营团队制定，而需求计划由供应链计划团队制定，两边在执行时考虑因素自然会有差异，因此底层以来的预测模块最好是同一个。
-
销售调整难点
-
长期的活动计划无法做到SKU粒度，目前SKU颗粒度的活动配置参数只能做到提前1-2周确定。
-
销售渠道多，线上有严选App、淘系店铺、京东店铺、抖音快手直播等，线下有商场旗舰店、园区小店、和线下大客户等。
-
临时的外部环境因素影响多，如疫情、茅台、特殊事件影响等。
5 破局的方法
解决三个阶段难点所采用的主要算法技术，分别对应的是销量预测、补货模型、和流量调控。
5.1 销量预测
商品的销量主要跟曝光量和转化率相关，因此销量预测模型采用的主要特征包括潜在用户、触达率、转化率、和特定外部等相关因素，更具体的描述见下图4。
图4 销量预测模型特征
预测模型经过了多个版本的迭代，主要可以分为时间序列模型、基于XGBoost或GBDT的树模型、和基于深度学习的DeepTCN概率分布模型。对于波动性、趋势性比较稳定的商品，时间序列模型ARIMA或其优化变种可以解决。但是线上销售，往往影响因素非常多且复杂，一般趋势没那么稳定，因此树模型可以充分利用各种特征，对历史数据进行训练，发挥很好的作用。深度模型的优势是特征工程简单，且天然可以输出销量的概率分布。根据我们的经验，树模型的准确率较高，且可解释性相对较好，因此实操中大部分情况使用的还是树模型。
图5 销量预测模型演进
5.2 补货模型
补货模型解决的问题，包括是否需要补货，以及补货量多少。模型优化迭代如图6所示，也经历了三个主要版本。
-
基于安全库存的补货：根据需求的波动性及安全系数设置安全库存，并基于安全库存设置触发补货点，当库存量低于触发补货点时进行补货。再根据公式计算需求量S，减去当前库存量I得到补货量。
-
基于单SKU期望成本最小化补货：定义单个sku的过采和欠采成本，基于过采量和欠采量的约束下，最小化每个sku的期望总采购成本。第一个约束是和欠采相关的，可以表示缺货量不超过某个值等。第二个约束是和过采相关的，可以表示最大补货量（或者库转）不超过某个值。过采成本和欠采成本，是包含具体子项成本的，如过采成本子项里会包含：运费成本，仓租成本，资金持有成本，商品贬值成本。
-
基于成本和多SKU共享MOQ约束补货：在满足多个sku共享生产线MOQ（或其他补货约束下），最小化多个sku的期望总采购成本。
图6 补货模型演进
5.3 流量调控
流量调控系统综合了预测算法、自动控制和运筹优化等算法能力，系统本身可满足多场景多目标的需求，如打爆品、推新品、提毛利等，提前清库存只是流量调控系统的一个应用场景。在这个场景下，首先根据销量预测和策略得到有风险且要加权的商品，接着计算系统接入模块的曝光流量预估，再选择转化效率预估较低的流量进行导流。并进行实时监控和自动控制，当导流效率下降则停止，一般提前清库存场景的转化效率下降会比较快，所以只能做到微调。
图7 流量调控系统和应用场景
调控模型优化迭代的过程见图8：
1.根据WaveNet流量预测，通过PID自动控制算法精准给到需求流量。
2.在第一种方法基础上，基于最小化pv价值减少和ctr降低的约束下，给到足够的曝光。
3.在第二种方法的基础上，选择特定低效商品坑位，根据加权商品竞价替换，最大化收益的模型。
图8 流量调控模型演进
6 总结
最后总结几个容易踩坑需要关注的地方：
-
沉淀模型，销量预测需要结合算法模型与专家经验，算法模型的优势是稳定、准确、效率高，专家经验能提供外部因素、突发情况的输入。
-
共用模型，活动计划和需求计划在制定时应该基于同一套底层的预测逻辑，尽可能对齐两边的预测数据。
-
准确率陷阱，业务目标最终是降低成本，中间指标是库转天数和缺货率，而销量预测的结果应该是一个销量的概率分布，应该基于业务目标和策略约束，计算补货目标的最优解。但是大家往往会过度追求预测的准确率，当准确率提升到一定程度后会遇到瓶颈，投入产出比其实不划算。
-
流量调控，预测和计划做得再好，实操总有变数和波动，因此事后的微调也很重要。
