盒馬供應鏈演算法實戰

　　 01 盒馬供應鏈介紹

　　1. 盒馬商業模式

　　盒馬是一個技術創新的公司，更是一個消費驅動的公司，迴歸消費者價值：買的到、買的好、買的方便、買的放心、買的開心。

　　盒馬包含盒馬鮮生、X 會員店、盒馬超雲、盒馬鄰里等多種業務模式，其中最核心的商業模式是線上線下一體化，最快 30 分鐘到家的 O2O（即盒馬鮮生）模式。　　

　　2. 盒馬經營品類介紹

　　盒馬精選全球品質商品，追求極致新鮮；結合品類特點和消費者購物體驗預期，為不同品類選擇最為高效的經營模式。盒馬生鮮的銷售佔比達 60%~70%，是最核心的品類，該品類的特點是使用者預期時效性高，非常適合盒馬鮮生這種將門店開到使用者周邊的業態。　　

　　3. 不同供應鏈模式的物流與庫存成本

　　在考慮使用什麼樣的供應鏈模式前，需要均衡物流成本和庫存成本。相同數量的商品，整件物流成本遠低於包裹物流，冷鏈差異更加明顯（暫時不考慮送貨時效和規模效應）。反之庫存越分散，需求不確定性越大，如果不能準確把握消費者需求，就提前將庫存佈局在門店，會導致很高的缺貨和損耗，即庫存成本高。　　

　　4. 盒馬供應鏈網路

　　為了實現高效供需匹配，多種業務模式需要有配套的供應鏈支撐，盒馬多種業務模式後端融合，儘量共享幹線網路和庫存，大幅提高資源利用率，提高供應鏈效率。

　　 02 供應鏈演算法定位

　　供應鏈演算法本質上是在傳統供應鏈方法上，藉助演算法和資料的力量提高效率。

　　1. 電商行業供應鏈演算法定位

　　電商行業演算法主要分為基礎演算法和業務演算法。

　　基礎演算法包括影像、語音、文字等。電商業務演算法直觀地分為三種，一、從前端（流量，使用者*商品維度）來說，和影片網站和資訊網站區別不大，採用搜尋、廣告、推薦方法；二、從中端（零售，商品維度）來說，包括商品、價格和庫存等預測與決策演算法；三、從後端（物流，訂單維度）來說，包括履約、倉儲、配送等最佳化演算法。廣義的供應鏈演算法包括，中端（零售和商品預測與決策）和後端（物流和訂單最佳化），狹義的供應鏈演算法只包括中端演算法。　　

　　2. 零售商供應鏈演算法優勢

　　“牛鞭效應”是指供應鏈上的一種需求變異放大現象，使資訊流從最終客戶端向原始供應商傳遞時，無法有效地實現資訊共享，使得資訊扭曲而逐漸放大，導致了需求資訊出現越來越大的波動，此資訊扭曲的放大作用在圖形上很像一個甩起來的牛鞭，因此被形象地成為“牛鞭效應”。

　　零售商是最接近消費者的企業，最能夠感知與把握消費者需求，最有能力透過資料和演算法來應對市場波動。　　

　　3. 盒馬供應鏈演算法邏輯

　　零售本質上是人貨場的匹配。在企業日常運營中，首先公司內部會推出銷售計劃與策略，銷售計劃決定供應，供應能力決定庫存，透過庫存和履約能力決定短期銷售上限，從而對銷售進行調控，下一輪的銷售計劃參考以上歷史資訊，實現了完整的商業執行閉環。　　

　　 03 生鮮自動補貨系統

　　1. 盒馬生鮮自動補貨背景

　　高品質的商品是盒馬一貫的追求。為了滿足顧客極致的新鮮體驗，盒馬商品的貨架期非常短，甚至還提供僅滿足每日所需的只售一天的日日鮮系列商品，涵蓋牛奶，蔬菜，肉禽等日常消費品類，成為行業標杆。即時的生鮮服務非常切合消費者需求，但是對供應鏈提出了很高的要求。

　　更短的售賣期，意味著更容易發生缺貨或者損耗，對此，盒馬供應鏈演算法根據生鮮零售的特點，考慮天氣、季節性、節假日、商品替代性、營銷活動，線上線下陳列展示等因素，構建了一系列具有盒馬特色的高精度需求預測模型，透過模擬系統最佳化庫存，實現了高度自動化的訂貨系統，大幅降低人力成本的同時最佳化了庫存指標。

　　2. 盒馬生鮮自動補貨系統演算法模組

　　盒馬生鮮補貨系統包括需求預測、庫存模型、動態調控三個模組。需求預測部分由於資料量比較多，特徵處理複雜，工作量佔比最大；庫存模型主要目的是平衡使用者需求和庫存成本，實現利益最大化；動態調控針對不符合銷售預期的商品，自動生成營銷活動與流量調控，降低庫存水位，最佳化週轉與損耗。　　

　　3. 盒馬生鮮自動補貨系統主要成就

　　在技術深度和創新上，成功將時空異構圖神經網路模型引入到商品銷量預測需中，解決了複雜營銷活動資訊損失過大等問題，使得預測準確率顯著提升。

　　從演算法效果來說，盒馬預測演算法在阿里集團時序預測比賽主要資料集上獲得冠軍和亞軍的好成績，整體準確度高，通用性強。

　　從業務結果來說，生鮮訂貨系統演算法建議採納率穩定在 96% 以上，訂貨人效提升 70%，損耗率降低 30%，缺貨率降低 25%。

　　行業影響力方面，盒馬整合預測、庫存、價格與調控於一體的演算法解決方案，成功入圍 2022 年 Franz Edelman 傑出成就獎總決賽。　　

　　4. 盒馬銷售預測演算法迭代路徑

　　盒馬銷售預測演算法迭代路徑分為簡單模型、機器學習模型、深度時序模型、時空圖網路模型四個階段。簡單模型貼近業務理解，確保覆蓋全量 SKU；機器學習模型比較穩定，異常值較少，但是大量依賴特徵工程，時序擴充套件性差；深度時序模型不依賴特徵工廠，原始時序資訊遺漏少，時序擴充性強；時空圖網路模型考慮商品間的關聯性和跨樣本間的影響等。　　

　　5. 盒馬銷售預測十大難點　　

　　6. 時空異構圖神經網路銷量預測模型框架

　　在預測時，預測的主要資訊是商品銷量，考慮到活動對商品銷量有影響，因此可以將商品和活動建立圖關係；此外，其他對商品銷量有影響的因素也可以納入到圖模型中；對於該模型來說，在每一個時間窗上就構成了一張商品銷量和各種特徵的異構圖。在計算過程中，首先利用 GraphSage、GATNE 等演算法提取每個時間切片上的圖資訊，由此獲取到點的更新資訊，往下傳遞獲取到整個時序的資訊。在實際應用中，圖資訊是輔助資訊，主要的資訊依然是時序資訊；同時，時序模型可以根據不同的場景替換成不同的時序模型。　　

　　7. 基於模擬的庫存模型

　　庫存模型主要分為兩部分，首先是單個 SKU 的庫存量，其次是多個倉庫的彙總量問題。新零售獨有的場景，安全保留量是指當線上和線下共享庫存時，線上的顧客是先下單後拿實物，線下的顧客是先拿實物後下單，這樣會發生線上的顧客先下單的貨物被線下的使用者拿走了的問題，由此導致線上訂單無法履約。因此在這樣的場景中，需要透過控制引數，當庫存小於某個值時，線上就不進行售賣，防止發生無法及時出貨的風險。　　

　　8. 庫存演算法系統架構

　　在進行訂貨量決策時主要分為三步，首先是進行業務目標拆分，根據業務目標和場景差異，確定某個商品是應該側重保缺貨還是保損耗等；第二步是庫存批次推斷，例如我們倉庫中有 10 件商品，其中有 5 件是臨期產品，如果沒有及時訂貨可能會由於臨期產品過期而產生缺貨，因此需要進行庫存批次推斷；第三步最優訂貨量計算，支援各種模型進行訂貨量預估。　　

　　9. 庫存動態調控系統

　　由於生鮮商品保質期較短，雖然銷售預測和庫存模型會最大力度提升模型效能，但是依然存在少量商品訂多或者訂少的情況，尤其是訂多的情況會帶來很大的損耗。因此透過建立庫存動態調控系統，實時監控銷量並更新預測結果，進行庫存預警，透過線上促銷活動，APP 流量傾斜、線下門店折扣調整庫存，儘量避免由於庫存積壓產生的損耗。該系統的難點在於流量和價格的聯合調控，需要實現高頻的流量決策和低頻的價格決策全域性最優。