玩转供应链智能预测，看这一本就够了！

  大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。

  今天给大家带来的文章是玩转供应链智能预测，希望能对学习供应链智能预测的同学们有所帮助。

1. 前言

  我们常说“预测是供应链优化的基础”，这对“天作之合”是如何形成的呢？

  提到供应链，我们可能首先想到的名词是“计划”“协同”“决策”等。

  在现代的供应链管理中，这些流程机制的实现，都有赖于对于供应链的精准预测——在掌握“现有信息”的基础上，对未来的事情进行“测算”，提前预知供应链各环节（规划、生产、库存、运输），更好地应对前端市场和后端生产侧带来的不确定性。

  预测过程通常会根据所用信息和方法分为两种。

  传统的供应链预测，一般是依靠定性的方法，依赖于专家的感知和经验，以及对历史情况的人工判断。

  例如，有的公司直接对于历史数据进行简单转换、拆解，得出未来的预测值；另一些公司利用市场研究报告对特定人群、细分市场进行调研，得到对于未来的期望值。

  这样的预测方法比较费时费力，结果也不可量化评估。

  在现代供应链中，当历史数据充分且可以将其中的模式延续到未来时，那么我们会优先采用定量的方法。企业的生产或业务系统会积累大量的实时或离线数据，对于数据加工及结果输出的效率要求很高，此时算法的作用就会凸显。

  近年来，随着算力、数据的不断完善，AI算法在供应链预测上被越来越多地使用——使用大规模数据以及数据科学理论，更加“定量”地把握供应链的未来动向。

  供应链预测没有一种放之四海而皆准的方法，无论选择哪种方法，都不可能100%准确，但无疑预测算法的引入大大地减少了信息的偏移和风险，可以做出更可靠的预测。

  供应链预测在企业中的成功案例也屡见不鲜，简单举两个例子：

• 某企业甲曾面临着严重的商品库存成本过高、仓库协同及调拨困难等问题，其根源在于缺少对于前端需求的认知，缺乏准确可靠的预测数据。预测算法在改善其供应链管理能力的作用是，通过对历史订单、仓储信息的分析，对于仓储各环节的商品建立预测模型，提前预知各商品未来1-2个月的需求量。供应链管理部门可以根据这些信息提前将货物放在距离实际需求最近的仓库中，而对于不确定性较大的商品则提供足够的安全库存，保证商品的高效履约。更重要的是，整个过程的成本相较有了之前显著降低，用更少的成本换来了更充足的货物履约能力——这一切的背后都有着AI预测算法的深度加持。

• 某企业乙有着完整的供应链链路，从采购、分销到补调、配送，“全链路”的业务形态使得管理难度呈指数增长，这其中的问题包括过高的管理成本，也包括完整链路的协同困难。预测技术在这种场景下有着很多用武之地，对于各单点环节，预测技术可以帮助其完成运营计划的指定，无论是在采购量的精准预测，还是对于履约环节的运输、分拣环节包裹量的预测，都可以帮助各单个环节提前安排人员、设备，或更加科学地制定预期目标。更重要的是，这些预测值在各环节之间进行横向校准，保证数据的“统一性”，使得各环节不再各自为战，而是有着统一的预测数据底座，利用预测数据驱动前台业务协同。

  如果你对供应链行业感兴趣，也有意向走进预测领域，那么你可能需要从以下几个方面积累能力和经验：

1. 数据思维。

  无论是选模型、看业务，都依赖于对于数据本身的了解，透过数据洞察问题，比如数据形态如何，可预测性如何，是否存在一定的周期性或季节性特点，数据底层加工是否可靠，是否需要其他维度的数据辅助，如何获取这些数据等等。

  总之，如果没有数据驱动思维，除了拍脑袋，啥也做不了。我曾问过北大光华管理学院的一个统计学家，到底什么样的数据是不可预测的。他说：什么数据都可以做预测，但是预测的精度及是否有意义就是另一回事了。

  事实也的确如此，给了两天的销量数据让我预测第三天，能做吗？能做，但是结果你信吗？你一定不敢信，这是没有意义的预测。

  所以，数据驱动思维决定了我们看待数据的角度，对于数据质量的洞察决定了最终的预测是否有效。

2. 建模能力。

  建立一个可靠的预测模型需要算法工程师多个层次的能力。

  首先，你需要掌握基本的统计学模型常识和常用方法，并知晓其背后的计算原理、应用场景、基本参数。

  而后，你需要懂得如何利用现有的数据，让数据在模型中既“能表达”，也要对数据表达的信息有所取舍，让模型发挥最恰当的作用。

  更重要的，完成模型搭建不代表建模已经结束了，我们还需要持续纠偏，预测在某种程度上其实是一个持续跟踪与纠偏的过程，比如跟踪预测方向的偏离，预测幅度的偏离，预测变化的偏离。

  在发现偏差后，首先要分析偏差原因，是市场有了变化还是内部执行出现问题，比如，发现一款产品出货量突然下滑，我们可能通过分析发现，是一家竞品同款产品突然在搞促销，我们找到了偏差的真正原因，才能够有的放矢地进行后续操作；其次找到原因后，要采取相应的措施，比如拔高或降低预测，修正我们的预测模型，比如认定为特殊个案或者可以承受而暂不采取措等等；最后，我们要跟踪采取措施后的结果，再回到第一步，进行纠偏循环，不断地记录、分析与预防。

3. 行业认知。

  供应链行业与完全线上化场景不同，其中的预测算法一般并非是单一目标去极致追求准确率，而是要帮助到实际的业务表现。

  在这个行业下的算法工程师不仅要看数据、看模型，更要将视野放宽到业务层面。

  事实上，供应链预测算法的设计往往是根据具体业务目标取舍后的结果，供应链的预测工程师需要更多地关心下面几个问题：

• 你的业务方或客户的KPI是什么？

• 他们将预测结果用于何处？

• 什么业务指标最能影响预测的表现？

• 他们对准确度、效率的敏感度如何？

  这都决定了预测算法如何设计——使用传统算法保证效率再快速迭代，抑或是融合库存策略信息从而帮助库存决策优化，这些设计思路都是来源于实际的预测使用场景。

  供应链行业的预测并不一味追求模型的“高大上”，而是要让算法有温度，能切实贴近业务，帮助完成行业的具体痛点问题。

4. 创新思维。

  作为算法工程师，持续迭代并在这个过程中不断创新的意识是十分关键的。

  具体在预测领域，创新并不一定是从理论层面重新推导一个全新的模型，而是使用创新方式解决实际发生的预测问题。

这其实包含两个层级：

• 第一，需要持续关注当前算法中存在的问题，预测算法有着“No free lunch”的特点，任何一个策略都有其假设和处理边界；

• 第二，针对当前算法无法处理的问题，在模型结构、数据处理、特征融合中进行创新。

2. 书籍推荐《智能供应链预测算法理论与实践》

  接下来要给大家推荐的这本书，是作者深耕供应链预测领域十年的心血之作——《智能供应链预测算法理论与实践》，

  这本书几乎包含了供应链预测所需要的所有技术内容，

  提供了预测算法相关的从入门到精通的保姆级教程，

  从基础模型篇到进阶模型篇，再到行业实践篇，一步步带你夯实数理基础，跟进前沿算法策略，并深入供应链行业的建模案例。

2.1 本书特色

  本书内容涵盖了供应链预测领域的算法理论模型和行业实践知识。

  首先从商品需求预测案例入手，以简明易懂的方式介绍了预测的基本流程。

  随后详细介绍了业界常用的基础预测模型和复杂预测模型，包括传统的时间序列模型、统计学习模型、机器学习和深度学习模型。

  最后通过实战案例详细介绍了不同算法模型的适用场景，以及如何有效地融合不同类型的算法来应对不同行业的预测需求。

  通过阅读本书，在知识方面，您可以：

• 系统构建需求预测的知识体系；

• 深入理解预测算法的基本原理；

• 完整学习预测模型的应用知识。

  通过阅读本书，在实践方面，您可以：

• 快速实现需求预测的基础代码；

• 熟练掌握预测问题的解决思路；

• 全面汲取预测算法的行业经验。

2.2 本书目录

**开　　篇**

**第1章　从一个SKU的需求预测开始 2**

1.1　智能供应链与需求预测 2

1.2　一个SKU的销量预测 3

1.2.1　数据预处理 4

1.2.2　探索性分析与特征工程 15

1.2.3　预测实践 23

1.2.4　总结 32

1.3　智能供应链全景概览 33

1.3.1　企业供应链智能决策六阶理论 33

1.3.2　智能供应链算法全景 34

**基础模型篇**

**第2章　时间序列模型 36**

2.1　指数平滑模型 36

2.1.1　简单移动平均 36

2.1.2　加权移动平均 36

2.1.3　简单指数平滑 37

2.1.4　指数平滑拓展模型 39

2.1.5　知识拓展 40

2.2　ARIMA 41

2.2.1　模型相关基础概念 41

2.2.2　差分自回归移动平均模型 47

2.2.3　条件异方差模型 52

2.3　Croston模型及其变体 53

**第3章　线性回归模型 56**

3.1　简单线性回归模型 56

3.1.1　基本概念介绍 56

3.1.2　最优参数求解 58

3.1.3　线性回归拟合优度 58

3.1.4　线性回归基本假定 60

3.2　正则化相关的回归 63

3.2.1　正则化 64

3.2.2　套索（Lasso）回归 64

3.2.3　岭（Ridge）回归 65

3.2.4　弹性网络（ElasticNet）回归 66

3.3　分位数回归 66

**第4章　机器学习模型 69**

4.1　决策树模型 70

4.1.1　模型介绍 70

4.1.2　特征选择 71

4.1.3　决策树剪枝 72

4.1.4　构建决策树 73

4.2　Logistic回归模型 75

4.2.1　模型介绍 75

4.2.2　Logistic回归模型原理 76

4.3　XGBoost相关模型 77

4.3.1　AdaBoost模型 78

4.3.2　GBDT模型 81

4.3.3　XGBoost模型 83

4.4　LightGBM模型 87

4.4.1　模型介绍 87

4.4.2　模型原理 88

4.5　随机森林 89

4.5.1　模型介绍 89

4.5.2　模型原理 90

**第5章　神经网络模型 91**

5.1　神经网络基础 91

5.1.1　感知机与S型神经元 91

5.1.2　神经网络框架 93

5.1.3　神经网络训练的基本概念 94

5.2　深度神经网络 94

5.2.1　模型结构 95

5.2.2　模型训练 98

5.2.3　模型优化 102

5.3　循环神经网络 110

5.3.1　循环神经网络基础知识 110

5.3.2　LSTM 111

5.3.3　GRU 114

5.4　神经网络扩展 115

5.4.1　CNN 115

5.4.2　其他扩展 116

**进阶模型篇**

**第6章　高阶统计模型 118**

6.1　Theta模型 118

6.1.1　Theta线与Theta分解 119

6.1.2　分解时间序列预测方法 120

6.1.3　Theta模型的预测流程 121

6.2　TBATS模型 122

6.2.1　Box-Cox变换 122

6.2.2　ARMA误差建模 123

6.2.3　BATS模型 123

6.2.4　TBATS模型建模思路 124

6.3　Bootstrap和Bagging 125

6.3.1　时间序列数据的Bootstrap方法 126

6.3.2　时间序列模型的Bagging预测方法 128

6.4　Prophet模型 129

6.4.1　趋势项 129

6.4.2　季节项 131

6.4.3　节假日及事件项 131

6.4.4　模型训练 132

**第7章　深度学习模型 134**

7.1　CNN类深度网络 134

7.1.1　1D-CNN 134

7.1.2　WaveNet 135

7.2　RNN类深度网络 137

7.2.1　ESN 137

7.2.2　TPA-LSTM 139

7.2.3　DeepAR模型 141

7.2.4　LSTNet模型 143

7.2.5　ES-RNN模型 145

7.3　Transformer模型 149

7.3.1　位置编码 150

7.3.2　编码器结构 151

7.3.3　注意力机制 151

7.3.4　层归一化与前馈神经网络 154

7.3.5　解码器结构 155

7.3.6　输出结构 155

7.4　N-beats模型 156

7.5　Neural-Prophet模型 157

7.6　Informer模型 158

7.6.1　编码层 159

7.6.2　Prob-Sparse Self-attention 159

7.6.3　Self-attention Distilling 160

7.6.4　输出结构 160

**第8章　集成模型 162**

8.1　基础策略 162

8.2　WEOS 165

8.2.1　时间序列分类 167

8.2.2　确定模型池 168

8.2.3　滚动回测 169

8.2.4　模型选择与权重确定 169

8.2.5　最终预测 171

8.3　FFORMA模型 171

8.3.1　模型框架 171

8.3.2　算法细节 173

**第9章　其他模型策略 177**

9.1　间断性需求预测 177

9.1.1　什么是间断性需求 177

9.1.2　间断性需求预测方法 178

9.2　不确定预测 180

9.3　迁移学习预测 183

**行业实践篇**

**第10章　制造业 188**

10.1　备件需求预测 188

10.1.1　数据特征 189

10.1.2　预测思路 191

10.1.3　实践案例 193

10.2　产品需求预测 196

10.2.1　数据特征 197

10.2.2　预测思路 200

10.2.3　实践案例 201

10.3　预测性维护 203

10.3.1　数据特征 204

10.3.2　预测思路 205

**第11章　电商零售 206**

11.1　常规预测 207

11.1.1　数据处理 207

11.1.2　预测思路 208

11.1.3　实践案例 209

11.2　促销预测 211

11.2.1　数据特征 212

11.2.2　预测思路 212

11.2.3　实践案例 213

11.3　新品预测 216

11.3.1　数据收集与分析 217

11.3.2　预测思路 218

**第12章　线下零售 221**

12.1　大型商超 221

12.1.1　行业背景 221

12.1.2　数据特征 222

12.1.3　预测思路 223

12.1.4　实践案例 224

12.2　服装行业 228

12.2.1　行业背景 228

12.2.2　数据特征 230

12.2.3　预测思路 231

12.3　家具行业 233

12.3.1　行业背景 233

12.3.2　数据特征 235

12.3.3　预测思路 236

**第13章　物流行业 239**

13.1　物流网络 239

13.1.1　行业背景 239

13.1.2　预测思路 240

13.1.3　预测案例 241

13.2　最后一公里 244

13.2.1　背景 244

13.2.2　数据特征 245

13.2.3　预测模型 247

13.2.4　实践案例 248

**结语**

**第14章　算法工程师的日常 252**

14.1　算法工程师的一天 252

14.1.1　代码编写 252

14.1.2　需求沟通 253

14.1.3　事务性工作 254

14.1.4　阅读论文/代码 254

14.2　从我想当算法工程师开始 255

14.2.1　我需要具备什么能力 255

14.2.2　进阶和突破瓶颈的思路 256

14.3　供应链预测算法的未来 257

供应链算法学习全景图

  授人以鱼，不如授人以渔，一书在手，助你预测无忧，扶上快马，送你广阔一程。

↑限时五折优惠↑

3. 粉丝福利

  🎁本次送书1~3本【取决于阅读量，阅读量越多，送的越多】👈
  ⌛️活动时间：截止到2024-1月19号
  ✳️参与方式：关注博主+三连（点赞、收藏、评论）

4. 自主购买

  小伙伴也可以访问链接进行自主购买哦~

  直达京东购买链接🔗：购买地址《智能供应链预测算法理论与实践》