圖片來(lái)源于網(wǎng)絡(luò)

目前，在需求計(jì)劃這部分，集團(tuán)性企業(yè)往往銷(xiāo)售渠道復(fù)雜、產(chǎn)品類(lèi)型多，終端的能力水平不一樣，同時(shí)缺少工具層面和組織層面的支撐，預(yù)測(cè)管理沒(méi)有延伸到前端，通常由總部兜底式管理，往往導(dǎo)致積壓與缺貨長(zhǎng)期并存的現(xiàn)象。
    基于細(xì)分的產(chǎn)品市場(chǎng)策略，進(jìn)行需求和承諾是非常關(guān)鍵的，以執(zhí)行細(xì)分政策和盈利的客戶(hù)服務(wù)戰(zhàn)略。承諾分配是保留庫(kù)存或能力的過(guò)程，需要建立資源分配的優(yōu)先級(jí)，借助完整的分配和訂單承諾，建立供應(yīng)鏈各鏈條嚴(yán)肅的層層承諾和雙向約束機(jī)制，企業(yè)可以實(shí)現(xiàn)很多的供應(yīng)鏈細(xì)分的運(yùn)營(yíng)目標(biāo)。
    供應(yīng)鏈信息要對(duì)前端透明，減少溝通層次提供溝通效率，高效精準(zhǔn)的提前指導(dǎo)分公司業(yè)務(wù)運(yùn)作，比如和商家的業(yè)務(wù)協(xié)同、市場(chǎng)活動(dòng)安排等。

智能補(bǔ)貨的邏輯是基于供應(yīng)鏈庫(kù)存管理理論的安全庫(kù)存理論開(kāi)展的

因?yàn)橹悄苎a(bǔ)貨與上下游系統(tǒng)的關(guān)聯(lián)，所以很多時(shí)候我們看到的采購(gòu)單被下多了或者下少了，或者沒(méi)有按時(shí)下達(dá)，沒(méi)有按期望拆單等，實(shí)際是受多個(gè)可能性影響。如果能把問(wèn)題具象化，也就能找到具象的根本問(wèn)題在哪里，并找到應(yīng)對(duì)方案解決。
    系統(tǒng)自動(dòng)化越高，相當(dāng)于決策越靠前，這就要求使用者要對(duì)設(shè)置的參數(shù)和邏輯有足夠了解，智能補(bǔ)貨的邏輯是基于供應(yīng)鏈庫(kù)存管理理論的安全庫(kù)存理論開(kāi)展的。在使用前需要先了解系統(tǒng)邏輯，并進(jìn)行一段時(shí)間的參數(shù)設(shè)置結(jié)果驗(yàn)證和觀察。
    全渠道商品數(shù)據(jù)的打通有利于庫(kù)存預(yù)測(cè)系統(tǒng)對(duì)商品的零售需求預(yù)測(cè)，需求預(yù)測(cè)生成需求報(bào)表并提供自動(dòng)補(bǔ)貨決策（預(yù)決策），此時(shí)補(bǔ)貨員通過(guò)核查核實(shí)訂單并對(duì)訂單作出相應(yīng)調(diào)整。訂單完成后形成“訂單聚合與電子數(shù)據(jù)交換”。
    數(shù)據(jù)傳輸至供應(yīng)商平臺(tái)，供應(yīng)商通過(guò)確認(rèn)、修改、調(diào)整訂單，提供商品供給，此時(shí)數(shù)據(jù)再傳輸至補(bǔ)貨員實(shí)現(xiàn)訂單確認(rèn)。補(bǔ)貨員對(duì)訂單確認(rèn)后系統(tǒng)對(duì)承運(yùn)商進(jìn)行“DC時(shí)間預(yù)約”。售貨員收貨后訂單完成。
    由此流程可實(shí)現(xiàn)以下部分核心補(bǔ)貨功能：
    常規(guī)補(bǔ)貨：常規(guī)商品通過(guò)DMS基礎(chǔ)陳列以及目標(biāo)庫(kù)存進(jìn)行自動(dòng)補(bǔ)貨。永續(xù)補(bǔ)貨：短保質(zhì)期商品持續(xù)按固定補(bǔ)貨量補(bǔ)貨。預(yù)測(cè)補(bǔ)貨：促銷(xiāo)檔期商品在促銷(xiāo)期內(nèi)根據(jù)銷(xiāo)量預(yù)測(cè)進(jìn)行動(dòng)態(tài)補(bǔ)貨。促銷(xiāo)計(jì)劃補(bǔ)貨：根據(jù)促銷(xiāo)檔期銷(xiāo)售計(jì)劃，計(jì)劃量的一部分到店鋪，剩余量在DC和供應(yīng)商處提前蓄水。
    需求預(yù)測(cè)策略的實(shí)現(xiàn)邏輯——某超市構(gòu)建并驗(yàn)證的回歸模型

以下是某超市構(gòu)建并驗(yàn)證的回歸模型，數(shù)據(jù)源自數(shù)字化設(shè)備及系統(tǒng)產(chǎn)生的歷史數(shù)據(jù)，通過(guò)數(shù)據(jù)統(tǒng)計(jì)數(shù)值、參數(shù)、統(tǒng)計(jì)概率——代入回歸模型，數(shù)學(xué)計(jì)算法形成商品需求預(yù)測(cè)值。并根據(jù)歷史經(jīng)驗(yàn)予以對(duì)應(yīng)決策。眾多諸如“回歸模型預(yù)測(cè)”可以嵌入SAAS產(chǎn)品中更為快速直觀利用，也可以是服務(wù)商BI產(chǎn)品，同樣也可以自研算法可塑性更高，但三者目標(biāo)一致——提升零售效率。
    以下為回歸模型具體算法步驟，以下內(nèi)容源自國(guó)外文獻(xiàn) Highly Scalable Blog 翻譯自張夏天。
    零售商為客戶(hù)提供一組產(chǎn)品。對(duì)給定產(chǎn)品的需求依賴(lài)于許多因素，包括產(chǎn)品本身的特性如價(jià)格或品牌，同類(lèi)產(chǎn)品競(jìng)爭(zhēng)對(duì)手的價(jià)格， 促銷(xiāo)活動(dòng)，甚至是天氣。該問(wèn)題的目標(biāo)是整合這些因素來(lái)構(gòu)建需求模型并且允許進(jìn)行假設(shè)分析以預(yù)測(cè)對(duì)價(jià)格變化的響應(yīng)，品類(lèi)的擴(kuò)充和減少，計(jì)算最佳庫(kù)存水平，并分配貨架空間單位。體現(xiàn)為以下三方面：
    價(jià)格優(yōu)化，促銷(xiāo)活動(dòng)計(jì)劃， 以及定向折扣。
    品類(lèi)管理和計(jì)劃。
    庫(kù)存水平優(yōu)化。
    需求預(yù)測(cè)模型通常應(yīng)用在市場(chǎng)營(yíng)銷(xiāo)活動(dòng)設(shè)計(jì)中，因?yàn)檫@些模型能夠解釋需求回歸量的影響。例如，一個(gè)需求預(yù)測(cè)模型可以揭示某一產(chǎn)品的價(jià)格敏感性(當(dāng)價(jià)格變化時(shí)需求有多少變化)與包裝大小和和銷(xiāo)售區(qū)域的人口特性緊密相關(guān)，這就暗示了可以在不同的商店使用不同的價(jià)格并對(duì)不同包裝的產(chǎn)品設(shè)定不同的單位毛利率。
    需求預(yù)測(cè)可以被認(rèn)為是一個(gè)相對(duì)簡(jiǎn)單的數(shù)據(jù)挖掘問(wèn)題，只需要建立一個(gè)回歸模型并用歷史數(shù)據(jù)進(jìn)行評(píng)估。然而，設(shè)計(jì)回歸模型則不是那么簡(jiǎn)單的事情，因?yàn)樾枨笫艿胶芏嘤兄鴱?fù)雜依賴(lài)關(guān)系的因素的影響。
    基于文獻(xiàn) [KOK07] 為 Albert Heijn（一家荷蘭的連鎖超市）構(gòu)建并驗(yàn)證的回歸模型。這一模型基于早期的營(yíng)銷(xiāo)研究如 [BG92]，以及時(shí)尚零售商如 RueLaLa[JH14] 和 Zara[CA12] 的實(shí)踐，這些實(shí)踐中應(yīng)用了相似的模型。
    然而，重要的是要理解不同的優(yōu)化問(wèn)題需要不同的需求預(yù)測(cè)模型并且?guī)缀醪豢赡軜?gòu)建通用的需求模型來(lái)整合各種不同的需求影響因子。
    我們從以下對(duì)一給定產(chǎn)品的需求模型開(kāi)始：
    此處：
    V 是在給定時(shí)間窗口內(nèi)顧客到訪商店的數(shù)量，例如一天。
    Pr(purchase | visit) 是客戶(hù)在逛商店期間購(gòu)買(mǎi)任意商品的概率。
    Pr(j | purchase) 是當(dāng)客戶(hù)發(fā)生購(gòu)買(mǎi)時(shí)在所有可選項(xiàng)中選擇產(chǎn)品的概率。
    E{Q | j；purchase} 是當(dāng)客戶(hù)選擇了產(chǎn)品并購(gòu)買(mǎi)時(shí)購(gòu)買(mǎi)數(shù)量(單位數(shù)量)的數(shù)學(xué)期望。
    公式（3.1）中的所有因素都可以用店鋪的歷史交易數(shù)據(jù)來(lái)估計(jì)。需求通常與日期（周幾、節(jié)假日等）和店鋪（大小、鄰近區(qū)域的人口統(tǒng)計(jì)情況等等）相關(guān)，所以我們引入下標(biāo) t 和 h 來(lái)分別表示日期和店鋪，而估計(jì)的需求就是這些參數(shù)的函數(shù)。
    另外，商店屬性，如大小、位置和平均消費(fèi)者的收入可以納入模型作為回歸。根據(jù) [KOK07]，商店訪客的數(shù)量可以建模如下：

此處 Tt 是天氣溫度，Wt 是天氣舒適度指數(shù)(濕度、陰晴等)，Bti 和 Eti 分別是表示一天是星期幾和公共假期的 0/1 啞變量，H 是公共假期的天數(shù)，而 α 是回歸系數(shù)。
    購(gòu)買(mǎi)事件是一個(gè)二值變量（購(gòu)買(mǎi)/沒(méi)有購(gòu)買(mǎi)），所以我們可以用一個(gè)標(biāo)準(zhǔn)的建模方法 - 將購(gòu)買(mǎi)概率用一個(gè) Sigmoid 函數(shù)來(lái)表達(dá)并從數(shù)據(jù)估計(jì)指數(shù)參數(shù)：

則 x 的回歸模是：
    此處 Ajht 是啞變量，產(chǎn)品 j 在促銷(xiāo)時(shí)值為 1 否則為 0，Nh 是所有產(chǎn)品的數(shù)量，而 β4 對(duì)應(yīng)的是促銷(xiāo)產(chǎn)品占整體銷(xiāo)售產(chǎn)品中的百分比。
    Pr(j | purchase) 的估計(jì)則更為棘手一些�？蛻�(hù)選擇建模在本質(zhì)上是計(jì)量經(jīng)濟(jì)問(wèn)題，是一個(gè)特別的經(jīng)濟(jì)學(xué)研究分支——選擇建模理論。選擇建模理論證明了多項(xiàng) logit 模型（MNL）是有效的方法來(lái)對(duì)多個(gè)選項(xiàng)中選擇的概率進(jìn)行建模。

此處會(huì) i 迭代遍歷所有產(chǎn)品，yj 是一個(gè)參數(shù)變量。類(lèi)似于購(gòu)買(mǎi)事件的概率，我們對(duì)參數(shù) yj 建立了一個(gè)回歸模型：

此處系數(shù) Γn+1 和 數(shù) Γn+2 由所有產(chǎn)品共享，Rjht 和 R 分別是單個(gè)產(chǎn)品的價(jià)格和產(chǎn)品的平均價(jià)格，而 Ajht 和 A 是促銷(xiāo)啞變量和平均促銷(xiāo)率，如上面對(duì)購(gòu)買(mǎi)可能性回歸模型描述的那樣。
     最后，單位產(chǎn)品的平均銷(xiāo)售數(shù)量可以建模如下：

通過(guò)將上述模型代入根表達(dá)式（3.1），可以得到完全特別的需求預(yù)測(cè)模型。這一模型可以根據(jù)零售商的業(yè)務(wù)用例來(lái)調(diào)整，這些跳幀個(gè)可以通過(guò)增加更多的解釋性變量如營(yíng)銷(xiāo)事件來(lái)完成。