導讀 本文的主題是供應鏈超級自動化探索與應用，超級自動化指的是從整體視角去考慮供應鏈的各個環(huán)節(jié)來實現(xiàn)供應鏈整體的自動化和最優(yōu)化。為什么要做超級自動化，首先，供應鏈的節(jié)點非常多而復雜，單純靠人的能力很難站在全局的視角決策，但是機器能夠很好地利用機器學習、運籌學等做出自動化智能化的決策；另外，機器也能夠更好地沉淀和復用，解放人的精力去做更重要的事情。

本文圍繞下面三點展開：

1. 京東供應鏈業(yè)務背景介紹

2. 探索與應用

3. 未來展望

分享嘉賓｜張建申 京東 算法科學家

編輯整理｜王麗燕 中國農(nóng)業(yè)大學

出品社區(qū)｜DataFun

01

京東供應鏈業(yè)務背景介紹

1. 目標

京東智能供應鏈堅持以用戶價值為導向，從服務對象來看，分三大塊：一是京東的自營業(yè)務；二是京東的 POP 業(yè)務，是在京東平臺上進行商品售賣的商家；三是產(chǎn)品的saas服務，是把京東的供應鏈解決方案能能力提供給大的 KA（重點客戶）和品牌商，去助力其降本提效。目標是按照更準更穩(wěn)更快的要求，通過優(yōu)化采購效率，降低庫存周轉(zhuǎn)，減少履約成本去更好地服務客戶。

本文主要圍繞在京東自營業(yè)務上探索的一些成果和技術(shù)來展開分享和討論。

2. 京東供應鏈面臨的挑戰(zhàn)

京東自營業(yè)務有近 6 個億的活躍用戶，覆蓋的商品規(guī)模大，全品類共有 1000多萬 sku 數(shù)。不同品類商品有很多差異，比如生鮮，手機 3C 家電等，差異包括倉儲費用、配送要求、在生鮮品類上商品的保質(zhì)期差異等，所以履約網(wǎng)絡上有六大類網(wǎng)絡去匹配不同大類的商品去保證整個供應鏈的流程運轉(zhuǎn)得更好，六大網(wǎng)絡包括中小件網(wǎng)絡、生鮮網(wǎng)絡、圖書網(wǎng)絡等，這六大網(wǎng)絡下有 1400 多個倉庫去支持全國各區(qū)縣貨品的運轉(zhuǎn)，1000 多萬的貨品是由上游供應商提供給我們，最后再送達消費者手中；京東和供應商的合作模式分好幾種：自營模式，廠直模式，F(xiàn)CS 等多種合作方式。

目前零售業(yè)態(tài)也在加快分化，場景非常多，比如同城零售、線下全渠道等多場景，京東的自營業(yè)務也在相應地快速拓展不同場景。

3. 京東供應鏈的技術(shù)

為了更好地支持京東自營業(yè)務正常地運轉(zhuǎn)，我們把供應鏈的環(huán)節(jié)進行劃分，從商品的創(chuàng)意設(shè)計到最終售后，我們的技術(shù)能力主要聚焦在從規(guī)劃到履約這幾個環(huán)節(jié)：

• 第一個環(huán)節(jié)是規(guī)劃，主要是從宏觀上整體上看未來商品的銷售趨勢，哪些品類的增速會比較快，我們需要提前做哪些布局，哪些品類會出現(xiàn)下降趨勢，需要做哪些對應的調(diào)整；倉網(wǎng)規(guī)劃是考慮要把商品放在幾個倉、哪些倉更合理，來做到時效和成本最優(yōu)；
• 第二個環(huán)節(jié)采購，主要是從供應商采購到京東的倉庫，這塊涉及的是補貨能力；
• 第三個庫存環(huán)節(jié)，是這個貨品已經(jīng)在京東倉，在內(nèi)部倉庫怎么流轉(zhuǎn)的問題，涉及到智能調(diào)撥和智能清滯能力；
• 第四個營銷環(huán)節(jié)，我們拿到貨之后是要面對消費者的，我們怎么以最低的價格推送給消費者，在做秒殺或者總價促銷或者其他營銷活動時，怎么把合適的商品曝光給消費者，這是營銷環(huán)節(jié)重點關(guān)注的兩個能力：天天低價和頻道排期能力；
• 最終是履約環(huán)節(jié)，如何把貨送到消費者手里，可以有不同的決策，可以從京東的大倉里直接履約給消費者，也可以借助京東門店能力從門店里以小時級別顆粒度給到消費者，這里面核心的決策邏輯是用戶的訴求和成本。

上述的幾個環(huán)節(jié)更多的是業(yè)務上的能力，這里面包含的核心技術(shù)能力有商品匹配、智能診斷、實時計算、大規(guī)模運籌優(yōu)化和供應鏈仿真。這些能力大部分是通用的能力，比如商品匹配會服務于趨勢洞察、天天低價、頻道排期等；大規(guī)模運籌優(yōu)化能力在上述環(huán)節(jié)里基本上或多或少會涉及到；還有供應鏈仿真，從成本和效果的角度上來看，仿真是很重要的工具和關(guān)鍵的一環(huán)。

4. 供應鏈采購關(guān)鍵業(yè)務

接下來給大家介紹一些詞的概念，下面要說的網(wǎng)絡是指我們要用怎樣的拓撲結(jié)構(gòu)能從供應商發(fā)貨送到消費者手里的拓撲網(wǎng)絡。

圖中所舉的例子是中小件網(wǎng)絡，這個網(wǎng)絡分為兩層，第一層是把供應商的貨采到區(qū)域倉，這一層稱為補貨或者采購，第二層是從一級倉（區(qū)域倉 RDC）發(fā)到二級倉（FDC 和 TDC），這個稱為調(diào)撥；對應的也有逆向的過程：逆配。其中，“清滯”屬于逆配的一種形式，因為很難保證所有商品都能很好地賣掉，肯定會有某些商品補得不夠好，所以就可能逆向配送到大倉或者供應商或者其他方式出清掉。從倉儲成本上來看，有些商品不需要在每個倉都放，這個時候就需要決策到哪些倉需要放什么商品，以上整體布局就是倉網(wǎng)規(guī)劃的能力。

--

02

探索與應用

1. 需求預測自動化

需求管理是整個供應鏈管理中的核心和基石，需求是整個供應鏈的發(fā)端，有了需求，才有供應鏈的供給。需求管理分為兩部分，一是以需求為驅(qū)動的智能預測，二是庫存計劃。在京東的自營體系下，每個品類都有各自的銷售計劃，每年要賣多少銷售額，再到每個月的要達到的銷售額目標，這種是比較粗粒度的計劃；而智能預測是比較細粒度的計劃，比如這個商品在這個區(qū)域在這天能賣多少?？傊瑤齑嬗媱澓椭悄茴A測是需求管理的兩大核心。

直觀感覺智能預測環(huán)節(jié)的自動化容易實現(xiàn)，因為它在供應鏈領(lǐng)域是一個偏純技術(shù)的問題。但是在實際的實踐過程中，也會存在一些問題和挑戰(zhàn)：

• 一是實際落地場景非常復雜，怎么保證每個商品找到最好的預測模型；
• 二是在預測時會遇到信息的不對稱問題，所謂信息不對稱是指實際場景中一些所需要的信息拿不到，比如手機在未來一周能賣多少，我們能拿到手機銷售歷史數(shù)據(jù)和促銷數(shù)據(jù)，但是因為商業(yè)信息的復雜性、保密性和策略上的原因，我們很難獲取到其未來一周的營銷計劃，再者是其計劃信息能不能有效傳遞過來；
• 三是消費者的需求在加速分化，線上、線下、ToB 等業(yè)務的發(fā)展，使得過去解決預測問題的模式變得不再那么實用，所以在預測的自動化環(huán)節(jié)需要解決模型優(yōu)化的問題。

下面針對上述三個問題和挑戰(zhàn)展開：

（1）自動化最佳模型匹配問題

目前京東銷售場域分為 5 大類：線上零售、線下零售、B2S、企業(yè)業(yè)務和 To B，我們之前主要關(guān)注京東的主營業(yè)務線上零售，銷售場域的拓展會讓整個的預測問題變得復雜，我們會發(fā)現(xiàn)有些商品在線上和線下完全是兩套需求模式，比如有些干貨禮品在線上的銷售高峰會發(fā)生在節(jié)假日開始之前，但是線下的零售產(chǎn)品銷售高峰通常會發(fā)生在節(jié)假日期間，這是一個比較典型的差異；具體到其他場域，又會有很大的不同，這就導致了預測問題的挑戰(zhàn)加大。我們還會對商品做分層，把商品分為新品、常規(guī)品、季節(jié)品、間歇品和服飾品。

我們通過三大手段來解決：

• 一是業(yè)務約束，有些問題是由于業(yè)務引起的，模型沒辦法學到的，這時候就需要借助業(yè)務的能力去解決，比如清滯問題，當商品賣不動的時候，銷售會采用促銷手段將商品快速清理出去，這時候會造成商品銷量快速上漲，那這時候預測模型不能跟著銷量增長，因為預測銷量上漲的話那么好不容易貨清完了又被補進來了，所以這時候就通過業(yè)務約束來解決；
• 二是路由模型，有很大的上百種的基礎(chǔ)模型池，通過機器學習的技術(shù)給每個區(qū)域每個銷售場域的商品匹配最佳的模型；
• 三是采用強化學習，它不僅可以考慮預測的偏差，還能將一些關(guān)注的指標比如庫存周轉(zhuǎn)等納入到獎勵函數(shù)中，能更好地保證預測效果和預測穩(wěn)定性。

通過這三種方式我們能得到最佳的匹配模型，然后通過追蹤監(jiān)控從而持續(xù)迭代模型。

（2）信息不對稱問題

第一個例子是營銷信息的不對稱，上述提到因為很多原因?qū)е聽I銷信息很難拿到，而營銷在零售場景中銷量占比是很高的，這部分對庫存管理至關(guān)重要，解決手段是依賴算法能力，通過搭建營銷指標體系，去預測營銷未來發(fā)生的概率，假設(shè)這天會發(fā)生營銷，那么最佳的營銷會是什么，通過預估出的最佳的營銷，去預測哪些商品會成為爆品，通過這種方式去提高商品的預測準確度。

第二個例子是計劃信息的不對稱，業(yè)務那邊給算法提供未來的品類、品牌維度的銷售金額計劃，算法就能通過銷售計劃去推演商品未來的折扣，流量增幅和總銷量，進而得到分層時序預測模型，提升預測模型效果。但是實際中業(yè)務可能不會或者不樂意提供，或者提供得不準確，因此可以通過算法對未來銷售計劃進行預估，來解決信息不對稱問題。不管是營銷信息還是計劃信息的不對稱，都對預測算法有容錯性的要求，預測不可能 100% 準確，在預測有一定偏差的情況下，模型還能夠很好地利用信息去做決策，才能夠?qū)崿F(xiàn)自動化的問題。

（3）算法優(yōu)化問題

由于不同銷售場域上存在的差異，C 端的預測模型很難復制到 B 端，一是 B 端的訂單量會相對小，但是一旦有訂單，銷量會很大，因此 B 端的不穩(wěn)定程度有有別于 C 端；二是 B 端關(guān)注的點不一樣，C 端對于每天的預測準確度的關(guān)注的程度是一樣的，但在 B 端場景上是不一樣的，它對于大單的關(guān)注程度和對日常非大單的關(guān)注程度不一樣；B 端在供應鏈上的難度遠遠大于 C 端，在 B 端上供應鏈的難題解決依賴預測、網(wǎng)絡布局，庫存模式以及和供應商的合作。

我們把 B 端銷售需求的時序分為基線時序和峰值時序，分別采用深度學習的網(wǎng)絡結(jié)構(gòu)去學習，最終輸出 B 端需求的預測；在一定的適用范圍內(nèi)，此方案的預測效果此方案非常有效。

上述就是預測自動化場景上面臨的三個核心問題和解決方案。

2. 采購自動化

預測之后的下一個環(huán)節(jié)是補貨，補貨是庫存計劃環(huán)節(jié)里最難的，一是它會依賴上游的預測，眾所周知上游的預測很難做到 100% 準確，大多數(shù)是不準確的，因此補貨需要解決上游預測帶來的不準確性問題；二是補貨和業(yè)務強耦合，有很多的業(yè)務約束條件，比如不同商品的配送費、供應商產(chǎn)能、保質(zhì)期等許多業(yè)務因素影響。

我們利用運籌優(yōu)化和機器學習算法，構(gòu)建很多補貨模型，如：TIBPA 模型、端到端模型等；也對場景做了下切分：常規(guī)補貨，大促補貨、季節(jié)品備貨等；我們關(guān)注的關(guān)鍵指標有周轉(zhuǎn)、現(xiàn)貨率、補貨的合理性。主要是權(quán)衡考慮成本和銷售之間的關(guān)系。

采購的自動化正向流程涉及到預測和補貨聯(lián)動，就是上游的業(yè)務環(huán)境（比如預測準確度）發(fā)生變化時，補貨策略也應該做相應調(diào)整，這里用到了一個關(guān)鍵技術(shù)：參數(shù)推薦，就是運用整數(shù)規(guī)劃去設(shè)計目標函數(shù)去保證整體的收益率最大，成本最低，去找到合適的補貨參數(shù)。自動化還包括負向流程，針對此次補貨的效果（補貨時機，補貨量合理性），會去分析補貨不好產(chǎn)生的原因，看是供應商的送貨穩(wěn)定性、預測不準還是其他促銷等原因?qū)е?，有這樣一個自動化負向反饋流程。

3. 智能調(diào)撥

智能調(diào)撥是指我們希望能把商品搬運到更靠近用戶的地方，保證更好的用戶體驗和時效，但是因此貨品會更分散，倉儲成本和資金占用成本會對應有所上升。具體業(yè)務模式分為 R-F，R-R，F(xiàn)-R。R-F 是貨品從京東的一級倉到二級倉，其核心目標是保障客單時效，提升用戶體驗；R-R 是京東的全國 8 個一級倉之間的調(diào)撥，目標是全國庫存平衡和缺貨緊急支援；F-R 是二級倉調(diào)到一級倉，目標是考慮區(qū)域的庫存平衡和低效庫存清理。

（1）R-F 涉及到調(diào)撥選品和模型計算。調(diào)撥選品是因為倉儲和庫存成本的原因不會把所有的商品都投放二級倉，所以需要做選品，使客戶體驗達到最優(yōu)同時成本最低；同時還需要考慮產(chǎn)能的穩(wěn)定性，比如從 A 到 B，每天都穩(wěn)定調(diào)用 N 件貨品，相比今天調(diào) 3N 件，明天 0 件，后天 0 件來說，后者的不穩(wěn)定性對物流來說是不友好的，因此需要保證產(chǎn)能的穩(wěn)定性；模型計算一是要保證下游 FDC 的需求充分被滿足，二是要保證 RDC 的貨沒有被調(diào)空。

（2）R-R 需要考慮被調(diào)入倉的需求，成本和履約時效，能否通過調(diào)撥的方式滿足，綜合決策得到最優(yōu)方案。

（3）F-R 包括長庫齡的場景逆配、滯慢銷場景逆配和庫存平衡場景逆配。

4. 清滯自動化

由于前面的預測、補貨、調(diào)撥等決策環(huán)節(jié)都存在很大的不確定性，很難保證最終每個 sku 的決策都是合理的，會存在一些貨品滯留在倉庫里賣不出去的情況。因此就有了清滯自動化，包括 4 個流程：一是識別定義，去識別定義哪些是需要關(guān)注處理的不健康的庫存；二是診斷歸因，診斷不健康庫存產(chǎn)生的原因；三是決策建議；四是執(zhí)行跟蹤。

決策建議部分會把場景分為日常、大促和特殊場景（臨期、季節(jié)品、新品、低產(chǎn)低效、囤貨），解決手段有三種：一是促銷，通過促銷快速處理商品；二是 F2R，就是大區(qū)內(nèi)部調(diào)撥，可能有些商品是局部滯銷，在其他區(qū)域能賣的好，那就要把貨品調(diào)撥到賣得好的區(qū)域去；三是 R2R，類似 F2R，這是在大區(qū)間調(diào)撥的方式。這些解決手段都是基于收益最大化的目標通過運籌優(yōu)化技術(shù)去做決策。

5. 綜合一體化自動化決策

上述講到的預測、補貨、調(diào)撥、清滯四個環(huán)節(jié)，每個環(huán)節(jié)都有各自的決策目標去達到各自模塊局部最優(yōu)，目標不一致，要實現(xiàn)這些鏈路的自動化不能簡單把他們連接起來，這就相當于我們要找局部最優(yōu)解還是全局最優(yōu)解的問題。

采配退促智能一體化需要綜合考慮各個因素得到全局最優(yōu)解，第一種情況是庫存平衡一體化決策，當現(xiàn)狀庫存低于理想庫存，那就可能通過采購或者調(diào)撥的方式去達到理想庫存狀態(tài)；第二種情況是當現(xiàn)狀庫存高于理想庫存，這時候需要清理庫存，那就可能通過逆配到倉庫的方式，或者退給供應商，或者通過促銷手段賣出去。

單個商品來看這個問題比較簡單，但是全國網(wǎng)絡的所有商品來綜合考慮就使得這個問題的復雜度和難度上升，需要持續(xù)去突破這個問題的解決方案。

--

03

未來展望

供應鏈的超級自動化之路分為 4 個層級，一是輔助決策自動化，系統(tǒng)提供選品、采購、倉網(wǎng)等輔助建議，但是人需要進行決策執(zhí)行；二是實現(xiàn)單流程自動化，選品、采購等部分單流程自動化；三是跨流程的自動化，把流程直接串聯(lián)起來，形成多流程的綜合決策；四是最終要實現(xiàn)的超級自動化，保證整體的流程的決策是最優(yōu)的。但是要最終實現(xiàn)超級自動化，不管是解決業(yè)務問題還是技術(shù)問題都還有很多挑戰(zhàn)，還有很長一段路要走。

--

04

問答環(huán)節(jié)

Q1：預測是怎么拆分到 sku 粒度的？

A1：會根據(jù)未來的商品銷售額計劃，去預估商品的折扣，再根據(jù)歷史銷售金額和流量的關(guān)系，得到預計的流量增幅，并且建立銷售額和總銷量之間的關(guān)系，最終用這三個作為輸入去預測銷量，提高模型預測準確性。

Q2：如何做的參數(shù)推薦？

A2：這是一個運籌優(yōu)化問題，實際業(yè)務中會有期望目標，設(shè)定適當?shù)哪繕撕瘮?shù)，然后會有一些業(yè)務上的約束條件，現(xiàn)貨率，周轉(zhuǎn)、產(chǎn)能、排期等，然后去求解這個優(yōu)化問題，得到參數(shù)。

今天的分享就到這里，謝謝大家。

｜分享嘉賓｜

張建申｜京東 算法科學家

張建申，聚焦供應鏈庫存領(lǐng)域算法優(yōu)化與算法體系建設(shè)，打造行業(yè)領(lǐng)先的供應鏈算法技術(shù)。

｜《數(shù)據(jù)智能知識地圖》下載｜

上下滑動????，查看《數(shù)據(jù)智能知識地圖》全景圖，完整版請關(guān)注公眾號“大話數(shù)智”下載

｜DataFun新媒體矩陣｜

｜關(guān)于DataFun｜

專注于大數(shù)據(jù)、人工智能技術(shù)應用的分享與交流。發(fā)起于2017年，在北京、上海、深圳、杭州等城市舉辦超過100+線下和100+線上沙龍、論壇及峰會，已邀請超過2000位專家和學者參與分享。其公眾號 DataFunTalk 累計生產(chǎn)原創(chuàng)文章900+，百萬+閱讀，16萬+精準粉絲。