B端产品架构设计：基于深度强化学习的供应链智能补货系统模型

智能补货平台系统，帮助企业实现使用AI算法进行自动预测的重要工具。本文作者从背景价值、业务场景、产品定位和产品设计几个方面，对此作出了分析，一起来看一下吧。

一、背景价值

零售商和品牌商的供应链运作中，都需要基于对销量的预测，来指导仓库和门店的周期性补货，以满足客户或消费者的订单和购买需求。

行业内普遍存在的痛点：预测方法简单，预测准确率低，预测能力提升困难；补货依赖人员经验，无固定方法，人员流动导致业绩波动，库存冗余和缺货问题频繁出现。

基于机器学习的的算法能力，可以帮助企业实现使用AI算法进行自动预测，并实现智能补货推荐。

二、业务场景

供应链数智化预测补货系统使用场景：在商品在各个地点（包括不限于仓库/门店/工厂），需要定期进行补货，才能保证消费者到店处于有货状态，同时需要避免库存过多导致的过期和折价销售等浪费。

1. 门店级自动补货

门店端商品构成简单地分类包括生鲜品、日常用品等，需要定期进行补货，才能保证消费者到店处于有货状态，同时需要避免库存过多导致的过期和折价销售等浪费。

2. 仓库级自动补货

仓库补货是为了在仓库的下游需求方（如批发商、零售商、零售门店）发起补货需求时，有库存完成交付，因此需要从仓库的上游（如供应商、上级仓库）提前进行补货。

三、产品定位

可实现接口化调用的工具型产品，既可以在独立场景中使用（如门店补货、仓库补货等），也可以嵌入到客户的业务流程系统中，同时支持集团内部产品其他模块的调用，如生产计划排产系统可以调用预测模块为需求计划提供预测输入等。

四、产品设计

在产品设计重点，会把关键的参数设计为可配置项，形成通用模型级的智能支撑产品。

1. 使用流程

2. 自动补货算法模型

自动补货模型

标签数据输入：

包括内部数据和外部数据

内部数据：通过数据探查和数仓建模，获取企业内部的自动补货依赖数据，以应用到销量预测和补货模型中，数据包括：

• 促销活动数据：历史促销方案、未来计划促销方案
• 价格数据：门店、商品、日期维度的历史价格、未来计划价格
• 堆头数据：门店、商品、日期维度的商品堆头位置：主通道/侧通道/货架边排/收银机等，历史堆头信息和未来推头计划
• 线上流量计划数据：流量历史和流量投入计划
• 库存数据：实际准确的商品库存
• 在途数据：实际已下单未到货的在途数据
• 补货参数数据：采购提前期、采购间隔、最小采购量、采购增量、包装规格、计量单位、商品保质期、商品货架期等
• 仓库容量数据：仓库面积/货架可容纳的商品数量
• 销售订单数据：日期、商品、渠道、门店、销量、单价、销售额、支付金额等

外部数据：通过三方数据合作和爬虫技术，获取天气历史和预报的数据、竞品及商业的商品销售趋势、价格等数据，应用到销量预测中。

组合模型计算：

通过指数平滑、Xgboost、Prophet等多样的模型组合，适配不同特点的品类预测。

常规品补货算法模型：

基于采购周期、采购间隔、最小补货量、供应波动/预测偏差等计算补货点和补货量。

大促补货算法模型：

基于采购周期、采购间隔、促销档期的整体预测来做分波次的补货。

生鲜补货算法模型：

基于商品的保质期、采购周期、采购间隔、缺货损失、滞销成本等计算出一个期望缺货损失和滞销成本总和最小的补货建议。

建议补货量输出：

补货建议结果：根据系统预测以及补货公式计算，输出补货任务的补货建议清单，支持全自动或人工修改确认。

3. 智能补货平台系统

自动补货平台，包括了补货策略管理、补货任务管理、补货建议三个模块。

补货策略管理：

支持补货模型选择：根据商品类型设置对应的补货模型，可以选择最大最小库存、目标库存、手工补货。

支持库存参数设置：设置补货模型使用的参数规则，如：最大最小库存、目标库存、系统推荐库存、指定数量、指定天数等。

补货任务管理：

补货管理的对象一般由地点和商品构成，因为库存的进销存一定是某个具体的商品在某个具体的物理地点上发生的。

每个地点和商品的组合，都需要维护一个或多个补货来源，并维护相应的补货周期、补货提前期、补货成本等业务参数。地点存在多种类型，如门店、仓库（包括CDC和RDC）、工厂等都属于地点。对于不同的地点类型，补货时所采取不同的补货模型和补货参数往往是不相同的。

在零售商的场景中，需要进行门店和仓库的补货管理，门店的补货来源主要是仓库、供应商，仓库的补货来源主要是上级仓库、供应商。

补货建议：

根据系统预测以及补货公式计算，输出补货任务的补货建议清单，可以全自动或人工修改确认。

建议自动结果可以通过接口对接到实际的生产中，完成最终补货动作。