如何做好需求预测？观远数据供应链AIBI解决方案的落地案例

　　数字化转型，本质是通过对应用数据水平的提升，让企业能够基于数据进行远期战略、中期战术与短期操作的决策。这需要企业管理理念以及决策方式的转变。BI凭借交互式的可视化分析技术，能够帮助决策者更灵活、更多样地分析业务，已经被反复证明是转型过程中不可或缺的一部分。
　　观远数据作为AIBI的一站式智能分析平台及服务提供商，时常会接收到这样一类问题：观远数据在需求预测上如何结合AIBI？在项目落地的过程中又有哪些注意事项？本文将会围绕这两个问题，结合供应链场景下最常见的需求预测落地案例进行对应解答。需求预测如何结合AIBI？
　　观远数据在供应链AIBI的解决方案上，更多关注在供应链的下游，即：从生产工厂消费者的各层级各类商品需求预测与相关衍生配补调。因此，回答这个问题之前先需要梳理传统需求预测的主要痛点，集中表现为：
　　1、系统数据整合难
　　企业内部供应链上下游涉及的业务部门与业务系统众多，更不要说外部各零售商不同的系统，手工数据与多样的商品售卖渠道，这些信息都对需求预测有重要的意义。但海量数据的整合就有不小的难度，常见的包括：同样的商品在不同系统内编码不一，且存在商品自然替换关系，即随着时间的变化对应编码也会产生变化，一系列琐碎的问题让基础的数据对接处处受限。
　　2、各级需求预测难
　　随着业务扩张与客户个性化需求提高，不少企业当前已经不敢不促销，传统的需求预测逐渐难以应对当前市场的多变性。从前至后各层级在预测过程中的信息差使得需求的误差被不断放大，即所谓的牛鞭效应，需求可能满足了，但对库存与生产带来巨大压力，直接影响着公司的固定资本、库存周转率等重要财务指标。
　　另外，企业内的需求计划预测工作更多停留在专家经验判断，经验难以结构化沉淀，人工预测费时费力也是导致该痛点的原因之一。
　　3、预测价值验证难
　　即使迈过了前两个难点，但当项目发起部门通过数据发现了问题，并试图改造以优化整体流程时，由于上下游环节众多，针对症结点的改造往往阻力重重，如何将需求预测的准确度（即：FA）与各部门关心的业务价值联系在一起，拉齐上下游的共识也存在不小的难度。
　　4、预测结果交互难
　　我们提及更希望让预测辅助人工决策。伴随着项目落地，如何让业务第一时间看到模型结果并纠偏，或输入新的业务信息给到模型以应对新的商业挑战，这之间的交互设计，或者说如何让业务用起来，让AI的产出成为日常工作的一部分，是保持项目后续活力的关键因素。
　　针对以上痛点，观远数据的供应链AIBI解决方案做了如下设计：
　　观远数据供应链AIBI产品矩阵观远数据需求预测AIBI实践案例
　　我们以一个例子来说明对应的解决方案：某头部快消品供应商，有着完善的供应链流程与成熟的内部协作体系，但随着商业环境的变化也出现了人工预测不够准确，库存水平偏高的问题，观远数据解决方案步骤如下：
　　1、多渠道数据整合与建模，提高预测准确度
　　通过观远数据GalaxyPrep快速对接并处理数据，搭配简易的拖拉拽操作，规范的数仓建模方法论与工作流调度，能够最大程度加速数据整合与清洗，解决上述系统数据整合难的痛点。
　　观远数据团队通过自身积累的行业知识以及深度业务调研，将业务经验转化为模型特征，融入节假日、促销活动等关键因子，基于时间序列、树模型、深度学习，强化学习在UniverseLab进行模型融合。通过数据对接数据清洗特征构建模型回测模型上线的五步走标准动作，选取最匹配的混合模型。搭配GalaxyViz快速多样呈现预测结果，解决上述各级需求预测难的痛点。
　　在与该客户合作的过程中，两年内逐步上线27个子品类，覆盖该企业整体销量的70。自动化的预测大大降低了原先人工预测前繁琐的数据处理时间，使需求预测工作效率提高3倍。除此之外，得益于对专家经验的特征固化与混合模型，周度预测准确度相较于原先人工提升10，业务部门对此非常认可。
　　2、预测结合业务，价值验证助力项目落地
　　在有了更为准确的预测后，观远数据团队通过试验设计、仿真模拟、ABtest等方式量化评估预测准确度带来的业务价值，将预测带来的益处扩展到供应链上下游，推动项目落地，解决上述预测价值验证难的痛点。
　　在价值验证层面，结合之前的落地经验，我们会把预测带来的价值分解为仓储与物流价值：
　　仓储成本减少及衍生
　　过高的库存一直是供应链的难题，观远数据通过库存仿真的方式，在不降低服务水平的前提下下调安全库存，从而减少仓储成本并提高库存周率。经测算，每提升1的FA约能带来相对1。2的平均在库天数降低。
　　预测准确度与库存水位示意图
　　基于库存仿真所得的关联和规律，观远数据通过控制变量的方式进行行为控制，经过一段时间的测算，可在对应时间段内服务水平达标的情况下，带来10的平均在库天数降低。
　　同时更精准的预测使得区域仓的需求波动降低，中央仓对应的需求波动因而逐步减少，上游工厂能够更好的组织生产，极大的减少了供应链上下游的牛鞭效应。
　　物流成本减少
　　临时性的需求与库存分配不均导致的额外跨仓物流也是供应链难题。在项目落地过程中，我们通过核算预测准确度与额外跨仓物流的关系发现：更准的预测能减少临时性需求带来的跨仓发运，经测算，每提升1的FA约带来相对1。6的跨仓率降低。
　　预测准确度与额外跨仓物流占比示意图
　　通过对比传统人工预测与AI预测，经过全年的测算，由预测准确性的提升带来的相对跨仓率降低大约为12。
　　3、交互产品迭代，人机交互工作模式的形成
　　GalaxyViz能将复杂的模型转化为业务可理解的内容，帮助一线人员更好的理解模型的输出与考量。
　　GalaxyViz指标追踪看板DEMO示例，非客户真实数据
　　在项目落地的过程中，业务人员对于模型结果的挑战与修改是不可避免的，观远数据团队通过FVA实验设计，结合GalaxyViz让业务更直观地了解到修改结果对于模型的损益。
　　GalaxyVizFVA监控看板DEMO示例，非客户真实数据
　　同时基于业务使用场景优化了交互工具Atlas，在不影响整体操作的前提下收集业务信息，定期复盘反馈业务修改原因，对业务集中问题修正模型，保持模型的生命力，去黑盒的展示与简易的交互在提高用户粘性上起到了关键作用，解决上述预测结果交互难的痛点。
　　Atlas预测助手DEMO示例，非客户真实数据AI落地的注意点
　　借此总结一下供应链场景下AI项目落地中的一些体会：
　　1、清晰统一的数据
　　一份好的数据胜过几周的模型调优，规范干净的数据能够支撑从BI到AI。统一的平台是最优选，一方面是全面的业务数据沉淀能够最大程度给模型提供信息，另一方面也可以避免重复开发。
　　2、明确的业务场景
　　相较于BI的百宝箱，AI更像是多部门协同的后端流程优化，一个明确的业务痛点对项目落地有重要意义，伴随而来的还有如何评估效果，对应的业务流程改造，这些都需要相关部门的大力配合，才能真正从量变引起质变。优秀的AI落地项目，企业通常会配备对应的绩效提升部门，以持续精进。
　　3、充分紧密的沟通
　　在观远数据AI项目落地的理念中，除了算法技术层面，我们同时强调业务交互，AI项目在落地的过程中，可能会伴随交互产品的落地，找到真正的userstorymapping，让业务用起来的产品才具备持续的生命力。
　　4、投入耐心与时间
　　无论是基于BI还是AI，发现问题与改进问题都不是一朝一夕的，因此通过数据带来的指标变化不会是立刻发生的。指标的变化需要一些时间，甚至在一次次的调优中可能会察觉不出变化，但回过头对比项目前后会发现着实有不小的进步。不断迭代不仅仅对于模型，对于供应链本身也具有重要的意义。