最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

智能补货系统和库存预测的实现逻辑

[复制链接]
发表于 2020-11-26 21:24:54 | 显示全部楼层 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
无论是线上还是线下场景,无论是餐饮还是零售,打造供应链壁垒成为了首要目标,而智能盘点、补货正是其中的核心。由此,以最优化的供应链库存来满足客户的需求是一个企业业务核心之一,如何降低渠道库存;如何消除牛鞭效应;如何降低库存成本、存储成本和店间调拨成本;如何得到精确集成的需求信息;如何加强预测准确性;如何减少缺货和积压产品折价风险;这都将成为一个公司区别于其他竞争对手的关键要素。
智能补货对新阶段零售的重要性
盘点与补货这一环节其实起到了连接上游(仓储、物流)和下游(门店、货架)的“桥梁作用”。门店销售模型预测、库存预测、采购预测,如基于历史销量、日期、节日、商品、促销、仓库、销售终端等多种特征,以SKU为颗粒度进行未来销量预测。打造“数据获取-数据分析-模型搭建-数据预测-智能决策-新数据融入”完整数据闭环,提高销量预测、订货和出货计划的精准性,减少了人工决策带来的偏见,平衡了商品产量与市场需求。

库存浪费是零售企业尤其是食品为主类的零售企业的普遍面临的问题,除了在末端销售环节产生大量临期过期商品,在层层的供应链采购和物流环节同样会浪费很多商品。智能补货的发展为稳定精准的预测提供了可能。企业可以利用AI、BI等数据技术技术,在大量数据中发现和模拟时间序列的内在模式,从而实现对未来销量的预测,为智能补货打下基础。
传统进销存ERP补货的问题
传统库存管理是指对物料的进、出、存的业务管理,是各节点企业独立管理自有库存,从企业自身利益最大化的角度寻求降低库存、减少缺货、降低需求不确定的风险。
传统库存管理保有一定量的自有库存能降低缺货、需求不确定性等风险,一定程度减少对外部交易商的依赖,但会出现库存成本上升、牛鞭效应、上下游企业利益对抗、合作与沟通困难等问题。
由于传统的库存管理,仓库之间都是单独管理的,很难做到实时库存数据共享。在这种模式影响下,企业对库存内部的管理变得更加困难,一般企业用户为了不影响销售,通常会选择采购大量的产品增加库存。但是这种办法数据无法共享,最终可能会导致库存积压,无用库存占用企业流动资金。月末促销,清仓甩卖等促销手段都是这种传统库存模式产生的结果。这种情况往往会让企业盈利亏损,还会占用企业更大的人力去实施这些事情。
补货并不像它字面意思所呈现的那么简单,背后还包含了对门店销售情况的精准把握和预测。门店的销售情况不是一成不变的,而是受到天气、促销等众多因素影响。补货过多会造成库存积压,补货太少则会导致机会损失。店长每天都要分析判断哪些SKU需要补货,每个SKU各补多少,应该在什么时间点补。假如一个门店只有几款SKU,凭借经验做出判断的确不难。但现实中,一家便利店的SKU往往多达数百上千,人力分析不仅效率低下还容易出错。尤其是保质期短的生鲜商品,即时性要求非常高,常常需根据上午的销售情况及时调整下午的补货策略。人力补货带来的效率瓶颈显而易见。
而数字化、智能化补货就是如何利用人工智能技术帮助便利店制定补货策略,提高门店的整体运营效率。
一方面要减少库存投资,另一方面还要保证零售货架和配送中心 (DC)存有适当商品,这常常使得零售商和批发分销商倍感压力。供应链的多层次联合补货将借助IT系统通过精确、集成的需求可视化来支持管理和优化决策。
补货方法/步骤与解决方案概述
1、通过联合多层次联合补货,各公司都能够提高库存管理水平,进而提高销售额和优化服务水平。

2、通过同步掌握供需来全面洞察整个供应链,可制定出在多级制造、分销和供应商网络中均可行的计划,可优化短期订单下达和库存构建的补货实施工作,可实现流程的集成和完美的执行,从而最大程度地减少缺货和超额成本情况的出现。

3、通过补货系统的使用,有针对性的解决目前供应和销售渠道内的库存问题,提高现金周转率并降低库存成本,改进企业服务和渠道资源利用率。

4、补货系统可以作为物流信息和产品需求决策系统,为营运经理提供产品需求预测的平台,公司将从原有的“自上而下”的粗略预测向“自下而上”的精确预测转变。
智能补货系统解决方案的几个基本流程
销售运营业务流程 (S&OP) 结合,提供组织计划和决策依据

真正的经济价值是由改进的内部协作来提供。与销售运营业务流程(SOP)结合,可以在企业销售计划、运营成本、经济订单、最优库存和供需平衡的综合考量下达到以需求驱动的价值链管理,不断优化补货链条各个环节,降低库存水平,降低运输成本,优化采购计划并且不断提高对客户的服务水平。
模拟企业零售分销的组织和物流结构,支持多级补货结构

支持灵活的供应链层级结构;对不同层级的补货需求可以灵活配置;对不同品项针对不同的地域和补货结构可以设定不同的补货周期、补货类型(叫货、配货、直配、分货)、最高最低库存等等;支持定义不同节点之间的物流信息,便于实时掌握到货状态,优化交易和物流成本。
需求驱动补货模型

需求驱动补货模型包括:独具特点DSR(需求信号数据站场),多维度分析销售库存,洞察销售库存趋势;灵活的参数设定,充分考虑历史记录、产品生命周期、S&OP、行业地域特等特征;结合全球多家领先的零售组织经验,建立了完善的补货模型, 应对灵活的分销结构和业务需求;可对不同业务项目(例如:新品推广、促销品、季节商品、代销…)建立有针对性的补货运算,同时跟踪项目的执行。
完善灵活的补货单和采购订单管理

根据补货引擎生成的自动配货建议之后,会生成不同层级之间一系列的补货需求,再按规则汇聚到系统的采购单管理;支持灵活的区域采购和总部统一采购(两阶段补货);补货单和采购订单自动生成,节省大量人力;补货单支持一定的工作流审批,授权用户按业务要求进行补货审批,确保降低业务风险。
智能补货的兴起与未来
现代的企业在补货时,为了摆脱大批量SKU无法精细化人工合理采货,和手工补货人效低的问题,往往依靠智能化的库房管理软件,将补货逻辑和期望的关键点放入系统,利用大数据和算法来实现系统出单自动补货,这种依靠算法和系统自动生成补货单,而不再人工制作补货单的补货方式就叫做智能补货。
基于变化的销量预测,综合考虑备货周期和供应商送货时长,计算海量SKU的补货建议,使各个配送中心保持合理的库存水平,提高现货,降低周转。在自动化生成补货建议的同时,系统做了进一步的创新和突破,可以根据分类,供应商,品牌等各种维度设置自动下单周期,从而实现一站式全自动创建采购单。该系统后台的大数据算法模型也在不断升级,在节省人效的同时,辅助人工更好的调整库存结构。
使用场景多种多样:SKU多,需要精细化管理补货,需要分品类、品牌、供应商等进行差异备货和跟进等。
智能补货技术的前提——数据收集
数据驱动决策的第一步是采集数据,在货架上植入传感器或者用摄像头拍照都可以采集数据。最初的补货做法是用打印机采集零售小票,但打印机采集的信息不够直观,需要多次清洗才能使用。每个便利店的小票格式各不相同,需要先把数据格式标准化,然后进行清洗和Named-entity recognition(NER),最后通过匹配数据库内部的商品数据库,对每个商品进行维度扩充并打上标签。
这种数据采集方式的另一个缺陷在于,它需要从头开始一点一滴积累数据,无法对零售商后台数据库的数据进行充分利用。因此超盟数据开始尝试直接接入零售商的数据库。
除了零售商后台的海量销售数据,数据包括,天气、地理位置、促销活动等上百个维度的数据,用于训练自动补货模型。
智能补货及库存预测
对于连锁零售业态来说,各大连锁实体店面在都会在每时每刻向供应链管理后台传输库存数据以用于补货。如果此时需要补充的货品在平台上已售罄,这不仅会损失平台的成交额(GMV),也造成了店内的货品供应不足,导致店铺的收入降低。另一方面,如果为了最大化保障供应率,而将一大批货品囤积在集中仓中进行售卖,则有可能导致某些货品长时间卖不出去,增加了库存周转时间和滞销率,降低了供应的效率。

因此,供应链补货的目标是通过供应方式(供应时间,供应数量,供应周期等)的决策达到仓库中需求和供给的平衡,使得仓库中货品的库存既可以最大化满足用户的需求,也能将库存周转时间控制在一定范围之内,保证供应的效率。(因此在很多行业中,供应链补货又叫做“库存平衡”。)
库存模型
无论是传统零售还是新零售,货品都会经历从生产制造到分销、再到消费整个周转过程。分销中的每个环节都需要维持一定货品库存来应对需求的不确定性。因此,不论是小的零售业态分销商或者连锁集中配送仓都需要解决以下三个问题并作出正确的决策:
1. 未来某段时间的需求是多少?
2. 需要为未来的需求准备多少货?
3. 每天的库存水位是多少?
无论作出何种决策,这三个问题都可以用“进-销-存”模型来描述。
安全库存模型及现实限制
上面的库存理论讲到补货的决策目标是在满足需求的情况下,最小化供应成本。作为模型的一种简化,我们先忽略成本因素,仅考虑如何决策才能满足用户的需求。
显而易见,如果不考虑成本,最佳的供应方式就是“用户买多少就进多少货”。但现实中进货总是发生在用户购买之前的,即“先进货,再售卖”。因此决定当前进多少货就变成了对未来的需求量预测。
安全库存模型仅考虑了为满足需求而求解得到的补货量最小值,但现实情况比该模型复杂得多。首先需要指出当补货订单下发后,货品不会马上入仓进行销售。在这期间供应商需要及时作出响应,并进行生产备货。在供应商发货后,货品还需要通过物流到达目的仓库,在这期间也会产生时间的延迟。基于上述限制条件,我们可以基于安全库存模型进一步改进补货模型。首先我们应该定义一个优化的目标,比如“最小化整体库存周转天数”整数线性规划(ILP):一个简单的补货模型。
不管是传统零售还是新零售,需求预测永远都是一个意义重大且极具挑战性的问题。一方面,如果能准确预测出未来的需求,那么它将作为最可靠的依据,帮助公司精准决策;另一方面,未来的需求受到很多不确定因素(比如用户教育、市场推广、营销计划甚至天气等因素)的影响,导致准确的需求预测就像窥探“天机”一样困难。
对此,系统服务商会将这些因素集成进入其开发的智能补货系统,以窥探“天机”
数字化仓储预测
传统零售在线下渠道的数字化上投入的资源不多,导致许多需求预测全靠从业人员的“专家经验”。这种纯粹凭个人经验和感觉的预测方式使得供应链库存经常高企,同时又有很多爆品的缺货发生。新零售带来的渠道数字化变革使得所有的预测和决策都“有数可循”,从根本上解决了“人治”带来的诸多困难和不确定性,使得完全通过数据驱动的需求预测和智能补货成为可能。
在机器学习的范畴,需求预测是一个典型的“回归”(Regression)问题。算法可以通过历史数据,以真实销量作为数据样本,不断调整模型参数,自动的学习到预测的最优解。我们需求预测的总体方法也是以机器学习模型作为主线的不断迭代。
因此要让新零售的补货系统根据当前库存状况智能地生成补货策略,除了要通过库存模型对现实的情况进行抽象,简化为整数规划模型之外,我们还需要对未来的需求分布进行精准的预测并作为库存模型的重要输入。
比如经销商或门店通常会设置一个安全库存值以及触发补货的条件,在以往这相当依赖于人工经验。而由于市场受季节、天气、节日、促销等复杂因素影响,人工主导无法做到精准预测,安全库存值定的太高可能会带来较高的成本,安全库存值设得太低则容易缺货、影响消费者体验。
在不同的时间不同的情况下,安全库存的临界点也会不同,最终实现科学的需求预测及智能补货。通过大数据及智能算法,使得平均缺货率下降了10~15%,库存下降10%。无论是消费者体验还是物流成本都得到了很好的优化。
有了大数据及算法的能力积累,可以帮助到越来越多的品牌商进行科学合理的供应链规划,平衡产能,减少库存,缩短平均运输距离。这才是真正的全渠道全供应链物流解决方案。
并不是所有数据都从智能补货来输出或者决定,在整个补货建议输出的过程中,还有其他系统的关键数据输入。补货系统计算时输入数据除了来自系统本身的参数设置,如备货参数、下单周期、箱规等,基础数据属性来源于主数据。主数据是指基础性数据,如是否上下柜,是否售完即止,是大件属性还是小件属性,是否开通了平行仓库存,是否是赠品等。这些属性会在补货系统先进行判断,来看是否该补货,走那种补货逻辑。
以“售完即止”为例,如果是售完即止的商品,智能补货当抓取到该SKU属性时默认为不再需要补货。所以一个商品是否正确的设置售完即止,是否按时设置了售完即止,都会直接影响补货系统是否能出单。如果是真的售完即止,没有进行主数据勾选,就会有补货系统仍然出单最后产生滞销或者厂家无货的风险。
除了主数据,补货系统的预测数据来源于销量预测系统,基础库存信息来源于ERP系统,并可以进行手动实时更新。供应商绑定关系来源于VCS系统维护的SKU与默认供应商对应关系,或者单独在补货系统接口功能维护只用于补货的供应商信息。Band分级数据来源于公用的整体band分级底表,只是选择了其中一个固定口径做输出。
因为智能补货与上下游系统的关联,所以很多时候我们看到的采购单被下多了或者下少了,或者没有按时下达,没有按期望拆单等,实际是受多个可能性影响。如果能把问题具象化,也就能找到具象的根本问题在哪里,并找到应对方案解决。
系统自动化越高,相当于决策越靠前,这就要求使用者要对设置的参数和逻辑有足够了解,智能补货的逻辑是基于供应链库存管理理论的安全库存理论开展的。在使用前需要先了解系统逻辑,并进行一段时间的参数设置结果验证和观察。

楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-28 20:31

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表