一、盒马供应链简介1、盒马商业模式盒马是一家科技创新型公司，也是一家消费驱动型公司，回归消费者价值：能买什么，买什么好，方便到买，买的放心，买的开心。盒马包括盒马鲜生、X会员店、盒马超云、盒马邻里等多种商业模式。核心商业模式是线上线下一体化的O2O（盒马鲜生）模式，最快30分钟到家。2、盒马旗下业务品类介绍盒马甄选全球优质产品，追求极致新鲜；结合品类特征和消费者购物体验期望，为不同品类选择最高效的商业模式。盒马鲜生的销售额占比60%到70%，是核心品类。该品类的特点是用户期待时效性高，非常适合围绕用户开店的盒马生鲜。3、不同供应链模式的物流和库存成本在考虑采用何种供应链模式之前，需要平衡物流成本和库存成本。同样数量的货物，整体物流成本远低于小包物流，冷链差异更为明显（暂不考虑配送时效和规模效应）。相反，库存越分散，需求的不确定性就越大。如果不能准确把握消费者需求，提前在店内安排库存，就会导致高缺货、高损耗，即高库存成本。4、盒马供应链网络要实现高效的供需匹配，需要配套供应链支持各种商业模式。盒马在后端整合多种商业模式，尽可能共享干线网络和库存，大大提高资源利用率，增加供给。连锁效率。2.供应链算法定位供应链算法本质上是在传统供应链方法的基础上，利用算法和数据的力量来提高效率。一、电商行业供应链算法定位电商行业算法主要分为基础算法和业务算法。基础算法包括图像、语音、文本等，电商业务算法直观分为三种。第一，从前端（流量、用户*产品维度）来说，和视频网站、资讯网站没有太大区别，采用搜索、广告、推荐的方式；第二，从中端（零售、商品维度），包括商品、价格、库存等预测和决策算法；3、从后端（物流、订单维度）角度，包括履约、仓储、配送等优化算法。广义的供应链算法包括中端（零售和商品预测和决策）和后端（物流和订单优化），狭义的供应链算法只包括中端算法。2.零售商供应链算法的优势“牛鞭效应”是指供应链中存在一种需求变化和放大的现象，导致信息流从最终客户传递到最终客户时，无法有效共享信息，扭曲信息。原始供应商逐渐放大，导致需求信息波动越来越大。这种信息失真的放大效应在图形上非常类似于鞭打的牛鞭，因此被形象地称为“牛鞭效应”。零售商是最贴近消费者、最能感知和把握消费者需求、最能通过数据和算法应对市场波动的企业。3、盒马供应链算法逻辑零售本质上是人与货的匹配。在企业的日常运作中，首先，公司会在内部推出销售计划和策略。销售计划决定供应，供应能力决定库存，短期限销由库存和履约能力决定，从而控制销售。下一轮的销售计划就是参考以上的历史信息，实现一个完整的商业运作闭环。三、生鲜自动补货系统1、盒马生鲜自动补货背景高品质的产品是盒马一贯的追求。为了给顾客带来极致的新鲜体验，盒马鲜生的产品保质期非常短，甚至提供了一系列只满足日常需求且只卖一天的生鲜产品，涵盖牛奶、蔬菜、肉类和禽类等日用消费品，成为行业标杆。即食生鲜服务非常适合消费者的需求，但对供应链提出了很高的要求。销售期越短，意味着缺货或亏损的可能性越大。对此，盒马供应链算法基于生鲜零售的特点，综合考虑天气、季节、节假日、商品替代、营销活动、线上线下展示等因素，构建了一系列高具有盒马特色的精准需求预测模型，通过模拟系统优化库存，实现高度自动化的订货系统，大幅降低人力成本，优化库存指标。2、盒马鲜生自动补货系统算法模块盒马鲜生自动补货系统包括三个模块：需求预测、库存模型和动态控制。由于数据量大，特征处理复杂，需求预测部分工作量最大；库存模型的主要目的是平衡用户需求和库存成本以实现利润最大化；动态控制自动为不符合销售预期的产品生成营销活动和流量控制，降低库存水平，优化周转和损失。3、盒马生鲜自动补货系统主要是在技术深度和创新上实现的。成功地将时空异构图神经网络模型引入到商品销售的预测需求中，解决了复杂营销活动中信息丢失过多的问题，使预测精度显着提高。在算法效果方面，盒马预测算法在阿里集团时间序列预测大赛主数据集上获得冠亚军，整体准确率高，通用性强。业务成果方面，生鲜订餐系统算法推荐采纳率稳定在96%以上，订餐效率提升70%，丢单率降低30%，出单率-库存率降低25%。在行业影响力方面，盒马集预测、库存、价格、监管为一体的算法解决方案成功入围2022年弗兰茨·爱德曼杰出成就奖总决赛。4.盒马销量预测算法的迭代路径盒马销量预测算法的迭代路径分为简单模型、机器学习模型、深度时间序列模型、时空图网络模型四个阶段。模型简单，贴近业务理解，确保SKU全覆盖；机器学习模型相对稳定，异常值少，但严重依赖特征工程，时间序列扩展性差；深度时序模型不依赖特征工厂，原始时序信息遗漏少，时序可扩展性强；时空图网络模型考虑了商品之间的相关性和交叉样本的影响。5.盒马销量预测Top10难点6.时空异构图的神经网络销量预测模型框架预测时，预测的主要信息是产品销量。考虑到活动对产品销售有影响，可以建立产品与活动关系图；此外，其他对商品销售有影响的因素也可以纳入图形模型；对于该模型，在每个时间窗口上形成商品销售和各种特征的异构图。在计算过程中，首先使用GraphSage、GATNE等算法提取每个时间片上的图信息，从而得到该点的更新信息，并将该信息向下传递得到整个时间序列。在实际应用中，图信息是辅助信息，主要信息仍然是时序信息；同时，时序模型可以根据不同的场景更换不同的时序模型。7、基于模拟的库存模型库存模型主要分为两部分，第一是单个SKU的库存，第二是多个仓库的合计数量。在新零售特有的场景下，安全储备是指线上线下库存共享时，线上客户先下单后取货，线下客户先取货后下单，会造成线上客户先下单的商品被线下用户拿走，导致线上订单无法完成的问题。因此，在这种场景下，需要对参数进行控制。当库存低于一定值时，将不会进行线上销售，以防止无法及时发货的风险。8、库存算法系统架构在进行订货量决策时主要分为三个步骤。一是业务目标拆分，根据业务目标和场景差异，确定某商品是重点保缺货还是保亏；第二。第一步是推断库存批次。比如我们仓库里有10个产品，其中5个是短期产品。如未及时下单，可能会因短期产品过期而缺货。因此，需要推断库存批次；三步最优订货量计算，支持多种订货量预估模型。9.库存动态控制系统由于生鲜产品保质期短，虽然销售预测和库存模型会最大限度发挥模型的性能，但仍然存在少量产品超订或欠订的情况，尤其是过度订购的情况会带来很大的危害。大损失。因此，通过建立动态库存管控系统，实时监控销售和更新预测结果，库存预警，通过线上促销活动调整库存，APP流量倾斜，线下门店打折等方式，尽量避免因库存积压造成的损失。该系统的难点在于流量和价格的联合调控，需要实现高频流量决策和低频价格决策的全局优化。4.问答环节Q1：预测评估标准是什么？A1：行业通常采用加权MAPE，即准确率=1-（商品池总误差/实际总销量）*100%。误差是加权的。比如某个产品的实际销量很大，那么产生的误差也很大，对全局误差的贡献很大，符合业务认知。Q2：时空异构方格纸的链接是什么？A2：我主要是参考了这篇论文关于时空同构图的思路，结合自己的场景使用异构图。HuangY,BiHK,LiZ,等。STGAT:Modelingspatial-temporalinteractionsforhumantrajectoryprediction[C]//IEEE计算机视觉国际会议论文集。2019:6272-6281.Q3:简易款用的是哪一个？会不会作为其他车型的标杆来增值？A3：用什么简单的模型不是关键，主要是能覆盖所有SKU，作为自下而上的策略来使用。常见的有简单移动平均法、上周同期法等。
