圖片來源于網(wǎng)絡(luò)

目前，在需求計劃這部分，集團性企業(yè)往往銷售渠道復(fù)雜、產(chǎn)品類型多，終端的能力水平不一樣，同時缺少工具層面和組織層面的支撐，預(yù)測管理沒有延伸到前端，通常由總部兜底式管理，往往導(dǎo)致積壓與缺貨長期并存的現(xiàn)象。
    基于細(xì)分的產(chǎn)品市場策略，進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服務(wù)戰(zhàn)略。承諾分配是保留庫存或能力的過程，需要建立資源分配的優(yōu)先級，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制，企業(yè)可以實現(xiàn)很多的供應(yīng)鏈細(xì)分的運營目標(biāo)。
    供應(yīng)鏈信息要對前端透明，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)運作，比如和商家的業(yè)務(wù)協(xié)同、市場活動安排等。

智能補貨的邏輯是基于供應(yīng)鏈庫存管理理論的安全庫存理論開展的

因為智能補貨與上下游系統(tǒng)的關(guān)聯(lián)，所以很多時候我們看到的采購單被下多了或者下少了，或者沒有按時下達，沒有按期望拆單等，實際是受多個可能性影響。如果能把問題具象化，也就能找到具象的根本問題在哪里，并找到應(yīng)對方案解決。
    系統(tǒng)自動化越高，相當(dāng)于決策越靠前，這就要求使用者要對設(shè)置的參數(shù)和邏輯有足夠了解，智能補貨的邏輯是基于供應(yīng)鏈庫存管理理論的安全庫存理論開展的。在使用前需要先了解系統(tǒng)邏輯，并進行一段時間的參數(shù)設(shè)置結(jié)果驗證和觀察。
    全渠道商品數(shù)據(jù)的打通有利于庫存預(yù)測系統(tǒng)對商品的零售需求預(yù)測，需求預(yù)測生成需求報表并提供自動補貨決策（預(yù)決策），此時補貨員通過核查核實訂單并對訂單作出相應(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，供應(yīng)商通過確認(rèn)、修改、調(diào)整訂單，提供商品供給，此時數(shù)據(jù)再傳輸至補貨員實現(xiàn)訂單確認(rèn)。補貨員對訂單確認(rèn)后系統(tǒng)對承運商進行“DC時間預(yù)約”。售貨員收貨后訂單完成。
    由此流程可實現(xiàn)以下部分核心補貨功能：
    常規(guī)補貨：常規(guī)商品通過DMS基礎(chǔ)陳列以及目標(biāo)庫存進行自動補貨。永續(xù)補貨：短保質(zhì)期商品持續(xù)按固定補貨量補貨。預(yù)測補貨：促銷檔期商品在促銷期內(nèi)根據(jù)銷量預(yù)測進行動態(tài)補貨。促銷計劃補貨：根據(jù)促銷檔期銷售計劃，計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)測策略的實現(xiàn)邏輯——某超市構(gòu)建并驗證的回歸模型

以下是某超市構(gòu)建并驗證的回歸模型，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)，通過數(shù)據(jù)統(tǒng)計數(shù)值、參數(shù)、統(tǒng)計概率——代入回歸模型，數(shù)學(xué)計算法形成商品需求預(yù)測值。并根據(jù)歷史經(jīng)驗予以對應(yīng)決策。眾多諸如“回歸模型預(yù)測”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)容源自國外文獻 Highly Scalable Blog 翻譯自張夏天。
    零售商為客戶提供一組產(chǎn)品。對給定產(chǎn)品的需求依賴于許多因素，包括產(chǎn)品本身的特性如價格或品牌，同類產(chǎn)品競爭對手的價格， 促銷活動，甚至是天氣。該問題的目標(biāo)是整合這些因素來構(gòu)建需求模型并且允許進行假設(shè)分析以預(yù)測對價格變化的響應(yīng)，品類的擴充和減少，計算最佳庫存水平，并分配貨架空間單位。體現(xiàn)為以下三方面：
    價格優(yōu)化，促銷活動計劃， 以及定向折扣。
    品類管理和計劃。
    庫存水平優(yōu)化。
    需求預(yù)測模型通常應(yīng)用在市場營銷活動設(shè)計中，因為這些模型能夠解釋需求回歸量的影響。例如，一個需求預(yù)測模型可以揭示某一產(chǎn)品的價格敏感性(當(dāng)價格變化時需求有多少變化)與包裝大小和和銷售區(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格并對不同包裝的產(chǎn)品設(shè)定不同的單位毛利率。
    需求預(yù)測可以被認(rèn)為是一個相對簡單的數(shù)據(jù)挖掘問題，只需要建立一個回歸模型并用歷史數(shù)據(jù)進行評估。然而，設(shè)計回歸模型則不是那么簡單的事情，因為需求受到很多有著復(fù)雜依賴關(guān)系的因素的影響。
    基于文獻 [KOK07] 為 Albert Heijn（一家荷蘭的連鎖超市）構(gòu)建并驗證的回歸模型。這一模型基于早期的營銷研究如 [BG92]，以及時尚零售商如 RueLaLa[JH14] 和 Zara[CA12] 的實踐，這些實踐中應(yīng)用了相似的模型。
    然而，重要的是要理解不同的優(yōu)化問題需要不同的需求預(yù)測模型并且?guī)缀醪豢赡軜?gòu)建通用的需求模型來整合各種不同的需求影響因子。
    我們從以下對一給定產(chǎn)品的需求模型開始：
    此處：
    V 是在給定時間窗口內(nèi)顧客到訪商店的數(shù)量，例如一天。
    Pr(purchase | visit) 是客戶在逛商店期間購買任意商品的概率。
    Pr(j | purchase) 是當(dāng)客戶發(fā)生購買時在所有可選項中選擇產(chǎn)品的概率。
    E{Q | j；purchase} 是當(dāng)客戶選擇了產(chǎn)品并購買時購買數(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)來估計。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)計情況等等）相關(guān)，所以我們引入下標(biāo) t 和 h 來分別表示日期和店鋪，而估計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)。
    購買事件是一個二值變量（購買/沒有購買），所以我們可以用一個標(biāo)準(zhǔn)的建模方法 - 將購買概率用一個 Sigmoid 函數(shù)來表達并從數(shù)據(jù)估計指數(shù)參數(shù)：

則 x 的回歸模是：
    此處 Ajht 是啞變量，產(chǎn)品 j 在促銷時值為 1 否則為 0，Nh 是所有產(chǎn)品的數(shù)量，而 β4 對應(yīng)的是促銷產(chǎn)品占整體銷售產(chǎn)品中的百分比。
    Pr(j | purchase) 的估計則更為棘手一些�？蛻暨x擇建模在本質(zhì)上是計量經(jīng)濟問題，是一個特別的經(jīng)濟學(xué)研究分支——選擇建模理論。選擇建模理論證明了多項 logit 模型（MNL）是有效的方法來對多個選項中選擇的概率進行建模。

此處會 i 迭代遍歷所有產(chǎn)品，yj 是一個參數(shù)變量。類似于購買事件的概率，我們對參數(shù) yj 建立了一個回歸模型：

此處系數(shù) Γn+1 和 數(shù) Γn+2 由所有產(chǎn)品共享，Rjht 和 R 分別是單個產(chǎn)品的價格和產(chǎn)品的平均價格，而 Ajht 和 A 是促銷啞變量和平均促銷率，如上面對購買可能性回歸模型描述的那樣。
     最后，單位產(chǎn)品的平均銷售數(shù)量可以建模如下：

通過將上述模型代入根表達式（3.1），可以得到完全特別的需求預(yù)測模型。這一模型可以根據(jù)零售商的業(yè)務(wù)用例來調(diào)整，這些跳幀個可以通過增加更多的解釋性變量如營銷事件來完成。