DTC补货实战：从算法到落地

本文作者：凡飞，从快递到快消，一个平凡的供应链算法深耕者。

“ 我希望衡量我们ai团队价值的，不是创造了多么精深的算法，而是跨越算法到落地间距离的能力。”

近年来随着电商行业从增量市场逐步成长到了存量市场，不少店家的规模已经达到一定水平，营收的增长也开始放缓，这时候对电商渠道的供应链管理就开始被大家所关注到。

供应链就像古代战争的粮草供应，一两场闪电战或许看不到粮草供应的重要性，但只要涉及持久、大型战役，那必是三军未动，粮草先行。

现在的商场也是一样，在企业规模较小，处于高速增长、占领市场的阶段，供应链不一定被关注到；但只要规模达到一定程度，供应链将会像企业的心脏一样，用更少的资金流，为企业的业务运转提供更稳定的商流，成为企业“先为不可胜”的条件之一。

有幸的是，在我们与某个大KA客户合作的过程中，专门就DTC场景的补货做了深入的探索，从经典的安全库存理论出发，到针对性地设计调整，再走向价值预测算，最终到落地，得到了业务指标优化。本文将我们的思考、实践分享出来，与各位看官交流，希望能有更多的收获 :)

1. 算法设计

供应链的话题在国内已经发展有20年之久了，在方法论层面，我们非常推崇刘宝红老师《供应链的三道防线》所沉淀的理论，从预测到补货到采购、从算法到流程到组织架构，都有非常鞭辟入里的见解，我们也得以站在巨人的肩膀上创造价值。

而在补货领域，比较经典且在工业界广泛应用的，还是安全库存理论，较少涉及复杂的运筹学或者强化学习。当我们假定Lead Time恒定时，一般的安全库存计算方式可以表示如下：

其对应的数理逻辑可以由下图解释，假如未来实际发生的销量服从正态分布，那么我们ai模型预测结果往往是对未来的期望，如果我们直接拿预测值来补货，将有50%的概率会造成缺货。

这时候我们就期望在指定的 Service Level 情况下，库存能保证不缺货，实际上就是求其对应置信区间上的值。这是对一天的预测补货来看的，考虑到当天下的补货订单可能要隔几天才能入库，在假设销量是正态分布的情况下，多天安全库存就是上述的公式。

图1：预测值、安全库存、Service Level在统计上的关系

更进一步，工业界在一个决策周期内（如三天补一次货、一周排一次产等），销量一般不会服从正态分布，但只要我们的预测模型选择恰当，往往误差还是可以接近正态分布的，这时候我们也可以用同样的方式计算安全库存。比如某些场景下，周一到周日销量呈现周期性变化，那么我们在模型中加入日期的因素即可。

道理虽然简单，但结合到实际业务会发现，这里的正态分布假设存在很大问题。未来每一天的预测误差服从同一个正态分布，在DTC的场景下很难达成此条件。

1.1 DTC的特殊性

电商业发展到现在，大家几乎都能感受到，每一天似乎都在做活动，每一天好像都可以领优惠券，我们从数据上来看不难发现以下特点：

1. 促销活动频繁。像我们本次合作的客户，光自家的促销平均一个月就促销4次，每次持续3~4天，还不算平台合作类的聚划算、百亿补贴；

促销刺激显著。不论促销多频繁，促销力度如何，相比于非促销日，销量都有一定增长；特殊日期的促销相比平常促销又有显著增长，如38、88、99大促、七夕、年货节等等；而待促销结束后，销量基本就立刻回到了日销水平；

2. 促销存在相似性。不论是周期性的频繁促销，还是特殊节日的促销，从总量、促销期间每日销量占比、不同商品的销量占比等方面都存在相似性，同一个模型的准确率、误差分布表现，也存在一定相似性；

3. 个别促销存在计划性。像双十一、618，或某些头部主播的直播活动，都有强烈的计划导向。品牌方都会与合作方提前有明确的销售计划，这时整个供应链往往以约定的计划值为导向，而非通过历史销量预测的方式；

因为上述的特性，我们本次合作暂不将618和双十一的大促考虑在内。而对于剩下的时段，很自然不会有大一统的预测模型，能使得每天的预测误差服从同一个分布，供安全库存理论来补货。那我们要怎么办呢？

1.2 基于联合误差分布的安全库存计算

基于DTC的特性，我们至少可以对促销和非促销分开建模，当我们的模型选择恰当时，可以保证在单个模型预测的误差中服从正态分布。那么这时候每一天的预测可以通过不同模型拼接起来，每个模型回测历史时也可以得到预测误差，那按照上文安全库存理论的基本思想，只要得到在Lead Time期间各模型误差的联合分布，找到对应Service Level下的安全库存，问题就可以迎刃而解！

需要注意的是，当Lead Time覆盖的促销和非促销天数不同，对应的联合误差分布也不同，例如两天促销一天非促销和一天促销和两天非促销，在相同的Service Level下的安全库存是不一样的。