供应链需求预测 供应链需求预测的方法包括

供应链需求预测理论篇

上一篇文章写到了安全库存的理论算法，安全库存的存在可以视为对现实的一种妥协，因为对未来的需求预测不准确，因为供应链不可靠，因为回货周期太长，而被迫设置安全库存，以一定比例额外库存的持有成本来对冲潜在的销售损失，如果上述几点能够提升，则安全库存就能相应的下降。

供应链需求预测 供应链需求预测的方法包括

所以接下来总结一下供应链中的需求预测，需求预测并不等于销售预测，它是在销售预测的基础上结合实际经营情况得出的综合预估，决定在什么时间(When)采买多少数量(Quantity)，我先从销售预测说起，而提到销售预测就必须先明确预测框架。

它至少应该覆盖以下几个角度: 预测的目标, 预测的精度, 预测的对象, 预测的时间段, 预测的数据需求。

预测的目标 : 预测是为了解决什么问题? 是为了制定全年采购还是OTB，还是日常运营或者其它什么目的?

此文的预测目标是让回货决策更加精准，在合适的时间采买合适的数量。

预测的精度 : 销售的变化有复杂的多方面原因的影响，我们基本不可能建立一个完美的模型将所有因子考虑在内，预测的本质就是不靠谱的，但是只要其结果能稳定地比人工预测来的准确，目标也就达到了。所以要先通过历史的回货订单数据复盘，来分析一下人工预测的准确率，以此为基准来衡量机器预测的效能。

接下来明确准确率如何计算，可以引入几个回归指标: MAD / RMSE / MAPE

计算示例:

下图是根据甜甜圈从周一到周五的预测销售与实际销售数据计算出来的三个指标

MAD = 54/5 = 10.8

RMSE = sqrt(126.8) = 11.3

MAPE = 104%/5 = 21%

预测的对象 : 预测的对象可以是大盘销售，区域销售，品类销售，单品销售，也可以是区域维度，品类纬度，时间维度在各种粒度上的组合。

这里界定的对象是大盘头部单品销售，即针对销量的头部商品进行预测，前十分一的畅销sku宽度已经能贡献一半的销售，而长尾商品日均销过低，预测误过大且价值也不大。后还要考虑商品的交付周期(Lead Time)和生命周期(Life Cycle)，我选择的是生命周期较长的交付周期一个月左右的百货类商品。

一般来说，预测粒度聚合度越高则结果越靠谱，预测品类销售比预测单品销售靠谱，预测区域销售比预测单店销售靠谱，预测一周销售比预测一天销售靠谱。细的力度是单店单品单日的预测，这基本就是属于占卜算卦的范畴了。

预测的时间段 : 预测有短期，中期，长期，短期多不超过一年。针对供应链需求的预测可以选取不同商品的交付周期作为预测时间段，暂定我要预测的是单个商品未来一个月的销售。下图是时间段和目的之间的完整对应关系:

预测的数据需求 : 要求商品有一年的销售数据且覆盖一百个以上的门店。

销售预测不是一个纯技术的算法问题，好的预测模型需要对业务逻辑有清晰深刻的洞察，这好比我们在求解一个多元函数，理解业务能帮助我们找到函数到底有哪些输入项，而算法的选择只是帮我们更快更准的解出这个方程，如果连input都没搞清楚，算法再精妙也得不出正确的output。

思考这个问题的时候可以先用一批商品销售数据(可比店范围内)生成趋势图进行观察，猜测可能的原因:

Case 1: 下图商品的销售在春节后呈现比较稳定的脉冲波形在矩形内震荡，周期性很规律，高点都是周末两日的销售。供应链的锯齿波节奏和波长也相对节奏稳定，表现不错，需求预测也相对容易。

Case 2: 下图的商品在八月中上旬的销售明显出现一段低洼，因为总仓库存从七月中开始缺货，水位触底后未能及时反弹，铺店数，门店库存，销售均快速下滑。另外六月一号出现一个spike, 因为玩具品类在儿童节(同时也是周六)表现会特别突出，可以是平日周六的两倍以上。

Case 3: 这个商品在六月进入了生命周期尾声，估计已经被打上了淘汰标签，可能有新款棉签作为替代，后一次回货入仓在五月底，因为回货数量很高，因此销售则从八月才开始延后下滑。

总结一下主要的归因如下:

外因

a. 行业趋势的变化或者商品流行度的变化

b. 节日的周期性波动，包括公众期和周末

c. 季节性因素

内因

d. 缺货导致的影响，可能是补货单导致的总仓缺货，也可能是配发逻辑导致的门店缺货

e. 经营规模的变化例如开店和闭店

f. 商品生命周期，商品进入淘汰期不再回货或者有新的主推替代款(不过预淘汰款其实也不用预测销量了)

g. 经营策略的变化，品类占比和宽度的规划发生变更

h. 促销活动引发的销量变化

i. 营销推广带来的客流变化或者单品热度变化

以上这些因素对单品销量影响对于预测来说应该比算法的选型还要重要的多，需决定哪些归因是我们能够自动化融入模型的。

接下来了解一下目前实际运营过程中对于回货数量的判断逻辑

1. 对销售的预测基本就是拿商品过去[28天日均销]作为参考再加上人工决断

这样的估算方式对于销售预测来说，需要考虑未来的某个时间段内有多少个周末，有没有节日，有没有促销活动，过去销售趋势是在上升还是下滑(虽然两者的日均销可能一样)，依靠人工判断精度极难保证。

2. 下单时机的计算公式是[返单生产周期+保有天数+内部流程 - 当前库存的周转天数]

库存周转天数是否准确取决于对未来一段时间需求预估的进度。

3. 决策的频次是一周一次，每周检查一下所有商品的销售与库存变化决定是否要补货

如果系统自动化计算完全可以将每周一次缩减到每天一次

4. 下单深度是在[下单天数预测日均销铺货店数]与[小起订量]两者间取大值。

店铺的单品销量异明显，如果仅以铺货门店的数量来推导下单数量就比较粗犷了。可以初步细分一下，针对品类和店群维度计算出一个店群品类销售指数作为权重在来推算需求总量。

1. 引入日系数

可以根据完整自然年的销售数据测算出每天在全年的销售占比，这应该能覆盖公众期和周末带来的销售波动影响。如果销售数据拆到品类，也能覆盖季节性影响。

商品在一个自然年中的销量走势由随机波动+周期性波动+增长趋势拟合而成，我们可以把周期性因子提取出来生成日系数，这是一个时间序列的分解(Decomition)过程。对于单品销售预测这个场景来说，日系数要拆到小类目上，比如针对牙刷就要提取口腔清洁品类的日系数。

2. 在训练集中找到异常缺货时段，修复数据将缺货损失的销售还原

采用有效日均销进行修复减少铺店和单店库存不足小陈列量的销售损失。

3. 剔除离群点，明显异常的单日数据要消除

异常数据有可能是团购大单带来的销量暴增，可能是区域性断网影响收银之类带来的销售下滑。

4. 引入店群品类销售指数

简单的用铺店数乘以日均销只关注了门店的数量却忽略了每个门店对于某商品销量的巨大异，可以针对单品所属的品类来计算历史销售数据中每个门店的品类销售指数，以此进行店群划分，计算每个店群的单品日均销，但是未来要铺货的门店和历史有此单品销售的门店是不一样的，所以铺货的目标门店可以再次用品类销售指数分群，每个店群内的门店数乘以店群单品日均销，再累加起来得出全局的预估销量。

5. 打通全年的营销日历和促销日历，前提是营销和促销至少有三个月的提前量，根据活动等级可以人为设一个权重参数。

6. 打通渠道的开店与闭店，以新开店预估的销售目标和老店的实际销售数据来计算销售占比权重。

以上1/2/3/4比较容易实施，5/6依赖于成熟的运营体系，能前瞻的制定好较为的季度促销日历/营销日历和季度的开闭店，且实现这些数据的系统化和一体化。

References:

Introduction to Demand Planning & Forecasting

Extracting Seasonality and Trend from Data: Decomition Using R

供应链管理的主要职能包括

供应链管理的主要职能包括物流规划与协调、供应商管理、库存管理和需求预测。物流规划与协调涉及物流网络设计、运输安排和货物，以确保物资流动的高效性和准时性。供应商管理涵盖供应商选择、评估和协商，以建立稳定和可靠的供应网络。库存管理旨在确保合理的库存水平，同时小化库存成本和风险。需求预测是通过市场调研和数据分析，预测和规划产品需求，以便及时满足客户需求并避免库存过剩或短缺。

人工智能可以如何提高供应链的竞争力？

人工智能可以通过以下几个方面提高供应链的竞争力：

预测需求：人工智能可以通过数据分析和机器学习技术，预测客户的需求，并及时调整供应链的产能和库存。这样可以避免产能过剩或短缺，提高供应链的响应速度和客户满意度。

优化运输和仓储：人工智能可以通过数据分析和优化算法，对运输和仓储进行优化。例如，可以通过智能调度来减少运输时间和成本，或者通过优化仓储布局来提高货物处理效率和减少空间浪费等。

降低成本：人工智能可以通过优化供应链的各个环节，降低成本。例如，可以通过优化采购流程来降低采购成本，或者通过优化物流流程来降低物流成本等。

优化生产：人工智能可以通过数据分析和机器学习技术，优化生产，减少生产周期和生产成本。例如，可以通过智能排产来优化生产，减少生产线停机时间，提高生产效率和质量。

智能风险管理：人工智能可以通过数据分析和风险评估技术，智能化地管理供应链风险。例如，可以通过预测和识别潜在的供应链风险，及时采取措施来减轻风险，提高供应链的可靠性和稳定性。

总之，人工智能可以帮助企业优化供应链，提高供应链的效率、降低成本、提高可靠性，从而提高竞争力。

人工智能可以通过提高效率、降低成本、提高质量和提高客户满意度等方式提高供应链的竞争力。

什么是供应链上的供需双方在共享市场需求与预测信息的基础上协同制定供应

在供应链上，供需双方在共享市场需求与预测信息的基础上协同制定供应，是指为了更好地应对市场变化，提高供应的灵活性和效率，供应链上的各方（如供应商、制造商、分销商等）通过共享市场需求和预测信息，共同制定供应，以实现供需平衡和高效运营。

在这种协同制定供应的方式下，供需双方可以充分利用各自的专业知识和资源，进行合作和创新。双方可以通过信息共享和协同规划等方式，提高供应的准确性和及时性，降低库存水平和供应风险，同时也可以提高生产效率和质量，降低成本，终实现供应链整体效率的提升和长期稳定的发展。

供应链需求预测的价值体现在哪些地方?请举例说明

供应链需求预测的价值主要体现在以下几个方面：

优化库存管理：供应链需求预测可以帮助企业更加地掌握市场需求变化，有效避免因过多或不足的库存而导致资金紧张、浪费等问题。

提高生产效率：通过对需求进行预测，企业可以及时调整生产，合理安排生产资源，提高产品交付率和生产效率。

改善客户满意度：供应链需求预测可以帮助企业更好地满足客户的需求，提高水平和满意度。

增强市场竞争力：通过对需求进行预测，企业可以更好地把握市场机会，加强自身在市场上的竞争力。

具体来说，比如一个手机制造商可以利用历史销售数据、市场研究数据和行业趋势分析，实现对未来某一时间段内各种型号手机的需求量预测。在此基础上，他们可以制定相应的生产，合理安排原材料采购、生产流程和物流配送等环节，以适应市场需求的变化，并依此提高公司效益和客户满意度。

请点击输入描述

请点击输入描述

基于供应链大数据的需求预测属于哪一类问题

大数据应用技术领域问题。

供应链大数据的需求预测是所有供应链的基础。供应链中推动流程都是根据对顾客需求的预测来进行的,然而,拉动流程都是根据对市场需求的响应来进行的。本题属于大数据应用技术领域，具体地涉及一种基于大数据的供应链需求预测与智能决策方法。

供应链大数据可以帮助企业实现哪些智能化应用？

供应链大数据可以帮助企业实现以下智能化应用：

预测需求：通过分析历史销售数据和市场趋势，预测未来的产品需求，并进行相应的生产和库存管理。

优化物流：基于大数据分析结果，调整物流路线、运输方式和仓储布局等，以提高物流效率和降低成本。

质量控制：通过供应链中各个环节的质量数据，及时发现问题并采取措施，从而有效控制品质风险。

成本节约：通过对供应商、物流、库存等各个方面的数据进行分析，找到成本的瓶颈，进而优化供应链，实现成本的降低和效益的提升。

可追溯性：通过对供应链中的所有环节进行数据记录和管理，实现产品的可追溯性，确保产品质量和安全。

风险管理：利用大数据技术对供应链中的风险进行预测和识别，及时发现潜在风险，采取相应措施，防范风险。

供应链大数据可以帮助企业实现智能采购、智能库存、智能运输、智能销售等各种智能化应用。

在供应链中如何做到协同预测,举例说明？

协同预测是指在供应链中，各个环节之间通过信息共享和协作，共同预测市场需求和产品销售情况，以便更好地进行生产和库存管理。以下是在供应链中如何做到协同预测的几个步骤：

举例说明，比如一家电子产品制造商，其供应链包括原材料供应商、生产厂家、物流配送商和销售渠道等。在协同预测方面，可以通过建立信息共享平台，将市场需求、销售情况、库存情况等信息进行整合和共享。各个环节根据协同预测，进行数据分析和预测，比如销售渠道可以根据销售数据预测市场需求，生产厂家可以根据市场需求预测生产，物流配送商可以根据生产预测物流配送需求。各个环节根据预测结果，进行协同调整，比如生产厂家可以根据市场需求调整生产，物流配送商可以根据生产调整物流配送。通过不断优化协同预测和预测方法，可以提高协同预测的准确性和效率，实现供应链的协同运作。

建立信息共享平台：建立供应链信息共享平台，将各个环节的信息进行整合和共享，包括市场需求、销售情况、库存情况等。

制定协同预测：在信息共享平台的基础上，制定协同预测，明确各个环节的预测任务和时间。

进行数据分析和预测：各个环节根据协同预测，进行数据分析和预测，包括市场需求、销售情况、库存情况等。

进行协同调整：各个环节根据预测结果，进行协同调整，包括生产、库存管理、物流配送等。

不断优化协同预测：根据实际情况，不断优化协同预测和预测方法，提高协同预测的准确性和效率。