智能補貨平臺系統，幫助企業實現使用AI算法進行自動預測的重要工具。本文作者從背景價值、業務場景、產品定位和產品設計幾個方面，對此作出了分析，一起來看一下吧。

一、背景價值

零售商和品牌商的供應鏈運作中，都需要基于對銷量的預測，來指導倉庫和門店的周期性補貨，以滿足客戶或消費者的訂單和購買需求。

行業內普遍存在的痛點：預測方法簡單，預測準確率低，預測能力提升困難；補貨依賴人員經驗，無固定方法，人員流動導致業績波動，庫存冗余和缺貨問題頻繁出現。

基于機器學習的的算法能力，可以幫助企業實現使用AI算法進行自動預測，并實現智能補貨推薦。

二、業務場景

供應鏈數智化預測補貨系統使用場景：在商品在各個地點（包括不限于倉庫/門店/工廠），需要定期進行補貨，才能保證消費者到店處于有貨狀態，同時需要避免庫存過多導致的過期和折價銷售等浪費。

1. 門店級自動補貨

門店端商品構成簡單地分類包括生鮮品、日常用品等，需要定期進行補貨，才能保證消費者到店處于有貨狀態，同時需要避免庫存過多導致的過期和折價銷售等浪費。

2. 倉庫級自動補貨

倉庫補貨是為了在倉庫的下游需求方（如批發商、零售商、零售門店）發起補貨需求時，有庫存完成交付，因此需要從倉庫的上游（如供應商、上級倉庫）提前進行補貨。

三、產品定位

可實現接口化調用的工具型產品，既可以在獨立場景中使用（如門店補貨、倉庫補貨等），也可以嵌入到客戶的業務流程系統中，同時支持集團內部產品其他模塊的調用，如生產計劃排產系統可以調用預測模塊為需求計劃提供預測輸入等。

四、產品設計

在產品設計重點，會把關鍵的參數設計為可配置項，形成通用模型級的智能支撐產品。

1. 使用流程

2. 自動補貨算法模型

自動補貨模型

標簽數據輸入：

包括內部數據和外部數據

內部數據：通過數據探查和數倉建模，獲取企業內部的自動補貨依賴數據，以應用到銷量預測和補貨模型中，數據包括：

• 促銷活動數據：歷史促銷方案、未來計劃促銷方案
• 價格數據：門店、商品、日期維度的歷史價格、未來計劃價格
• 堆頭數據：門店、商品、日期維度的商品堆頭位置：主通道/側通道/貨架邊排/收銀機等，歷史堆頭信息和未來推頭計劃
• 線上流量計劃數據：流量歷史和流量投入計劃
• 庫存數據：實際準確的商品庫存
• 在途數據：實際已下單未到貨的在途數據
• 補貨參數數據：采購提前期、采購間隔、最小采購量、采購增量、包裝規格、計量單位、商品保質期、商品貨架期等
• 倉庫容量數據：倉庫面積/貨架可容納的商品數量
• 銷售訂單數據：日期、商品、渠道、門店、銷量、單價、銷售額、支付金額等

外部數據：通過三方數據合作和爬蟲技術，獲取天氣歷史和預報的數據、競品及商業的商品銷售趨勢、價格等數據，應用到銷量預測中。

組合模型計算：

通過指數平滑、Xgboost、Prophet等多樣的模型組合，適配不同特點的品類預測。

常規品補貨算法模型：

基于采購周期、采購間隔、最小補貨量、供應波動/預測偏差等計算補貨點和補貨量。

大促補貨算法模型：

基于采購周期、采購間隔、促銷檔期的整體預測來做分波次的補貨。

生鮮補貨算法模型：

基于商品的保質期、采購周期、采購間隔、缺貨損失、滯銷成本等計算出一個期望缺貨損失和滯銷成本總和最小的補貨建議。

建議補貨量輸出：

補貨建議結果：根據系統預測以及補貨公式計算，輸出補貨任務的補貨建議清單，支持全自動或人工修改確認。

3. 智能補貨平臺系統

自動補貨平臺，包括了補貨策略管理、補貨任務管理、補貨建議三個模塊。

補貨策略管理：

支持補貨模型選擇：根據商品類型設置對應的補貨模型，可以選擇最大最小庫存、目標庫存、手工補貨。

支持庫存參數設置：設置補貨模型使用的參數規則，如：最大最小庫存、目標庫存、系統推薦庫存、指定數量、指定天數等。

補貨任務管理：

補貨管理的對象一般由地點和商品構成，因為庫存的進銷存一定是某個具體的商品在某個具體的物理地點上發生的。

每個地點和商品的組合，都需要維護一個或多個補貨來源，并維護相應的補貨周期、補貨提前期、補貨成本等業務參數。地點存在多種類型，如門店、倉庫（包括CDC和RDC）、工廠等都屬于地點。對于不同的地點類型，補貨時所采取不同的補貨模型和補貨參數往往是不相同的。

在零售商的場景中，需要進行門店和倉庫的補貨管理，門店的補貨來源主要是倉庫、供應商，倉庫的補貨來源主要是上級倉庫、供應商。

補貨建議：

根據系統預測以及補貨公式計算，輸出補貨任務的補貨建議清單，可以全自動或人工修改確認。

建議自動結果可以通過接口對接到實際的生產中，完成最終補貨動作。