大数据助力传统供应链降本增效

近年来,供应链管理在企业发展中占据着越来越重要的战略地位,成为企业”第三利润的源泉”。对于很多物流不是核心业务的企业来说,供应链既是主要成本的产生点,又是降低成本的关注点。而采购成本是目前影响企业整个供应链成本的重要因素,其中供应商选择是采购决策的一项重要内容。大多数企业产品的成本结构中,采购成本占其总成本的70%以上,科学合理地选择供应商和分配采购量对企业来说是整个供应链管理中极为重要的一环,选择合适的供应商以及合理决策向各个供应商的订购量对企业成本的控制相当重要。

广义的供应链管理涵盖销售、生产、采购、仓储、物流等价值链环节，复杂多变的内外部经营环境要求企业快速作出供应链的运营决策。览众数据帮助企业导入供应链决策引擎，基于ERP及相关运营数据，用机器学习技术发现、沉淀、动态修正最佳决策经验，让企业以较低的数据门槛迅速获得智慧决策的能力。

杭州览众数据科技有限公司致力于推广人工智能及大数据分析技术，帮助企业从纷繁复杂的影响因素中精准定位各类运营决策的平衡点，以达成长期、动态的全局最优智慧决策。公司自主研发了供应链智能决策引擎套件，基于前沿的机器学习与认知技术，推出销售预测、智能要货、智能采购、智能分类等产品及模块，帮助企业将运营数据资产变现。

项目背景

大数据按照信息处理环节可以分为数据采集、数据清理、数据存储及管理、数据分析、数据显化，以及产业应用等六个环节。分析大数据技术与产业的发展趋势，主要有三个方向：

• 一是提供“硬件+软件+数据”的整体解决方案，它以平台性为特征，提供基础服务。
• 二是掌握丰富大数据资源的互联网公司，这些公司掌握海量用户数据，通过数据挖掘形成产品和服务，如精准营销和个性化广告推介，同时也提供“数据租借”服务，为其他公司提供决策辅助。
• 三是会出现一大批分工细致的第三方大数据公司，凭借某些细分领域的技术优势和专业性，将智能计算变成商业现实。

项目需求

（1）传统的产品销售预测，有些采用信息填报的方式来预测市场的需求量，还有一些采用基础统计的方法，这些方法需要较大的工作量和成本，而对产品销售预测的准确度却不高。

（2）传统的要货由于需求预测不准，以及决策者经验不一，而容易导致要货过多或者不足的情况，进而影响门店的销售额。

（3）传统的采购策略制定方式一方面考虑的影响因素不全面，另一方面受人为的采购经验影响较大，而且市场上存在的采购管理软件往往缺乏采购决策制定功能。

（4）对有固定分段标准的分类方法，传统企业一般采用手工计算的方式，数据量很大时将非常耗时且出错几率高，而且传统的计算方法没有办法做到实时的同步更新。

解决方案

览众数据智能决策引擎云平台软件主要包括销售预测、智能要货、智能采购、智能分类四大产品，可以针对不同行业，提取典型的决策场景进行分析，为企业提供SaaS服务，针对零售业和制造业所提供的数据进行分析，可以打通上下游环节，实现企业数据资本化，企业之间合作最大化。

整个系统包含两个方面的层次关系，一个是软件的画面表现层，体现在网页浏览器中，是用户最终能看到的部分；另一个是逻辑层，包含整个软件的运行时逻辑以及计算、绘图。

接入动态数据的数据流向图

（1）销售预测模型

该系统主要包括数据采集、数据选择、预测建模、模型选择、销售预测结果以及数据恢复六个功能模块。通过获取外部来源数据如经济人口环境数据、天气数据、证券市场数据，及内部来源数据如CRM系统、销售订单系统、库存系统、电商网站系统等数据，运用机器学习技术发现不同类型产品的销售波动与分布模式，动态预测各明细产品在不同区域、不同渠道的销售趋势。

核心技术：

1. 产品智能销售预测方法研究；
2. 依据不同的分类模型，提出不同的预测模型；
3. 销售预测的检验方法研究。

创新点：
1. 构建了包括回归预测模型、多元统计模型、神经网络模型、时间序列模型等在内的一系列模型库，根据不同的数据来源和分段，将这些模型运用于数据分析，并采用贪婪算法达到模型自适应的效果；
2. 自主开发的销量预测模型，不仅考虑销售环节，还结合数据的上下游，同时较传统产品销售估计方法，更多地考虑了天气、季节、节假日等外在客观因素，极大地提升模型的准确度；
3. 开发了一种智能手机软件使用预测方法，对通过移动端得到的消费者消费行为和数据进行分析，提高了预测销售的准确度。
4. 通过销售预测，可以调动销售人员的积极性，促使产品尽早实现销售，以完成使用价值向价值的转变，采用该产品的客户，销售额相比同期普遍增加5%-10%，客户满意度提升5%。

（2）智能要货模型

主要包括基础数据查询、要货单详情、库存分析、产品分析和权限管理五个模块。基于准确的销售预测，以及多种库存优化模型，提供更加科学的要货建议，提高营业情况。

核心技术：
1. 产品智能销售预测方法研究；
2. 库存优化方法研究。

创新点：
1. 以销量预测结果为基准，综合多种库存优化模型，分别构建要货单；
2. 根据产品特点（如产品保质期，到货时间等），确定其优化目标，如库存量最低，客户满意度最高等，选择最优要货单。
3. 降低25%-30%库存水平，最大限度的减少库存积压，降低报废或低价处理带来的损失。销售额增加的前提下，报损降低或不变。

（3）智能采购模型

智能采购模型旨在利用用户上传的可能影响采购优化的因素直接进行数学建模得到采购优化结果。智能采购产品，基于准确的需求预测和多样化的库存优化策略，为企业的采购决策提供理论上的支持和数据支撑。

核心技术：
1. 网站爬虫技术；
2. 原材料安全库存分析技术；
3. 计算机拟合采购最优选择技术研究；
4. 可视化展示技术研究。

创新点：
1. 将网络爬虫技术创新性的运用到商业领域，实时监控原材料的价格波动情况，并实时与原材料的平均采购价格进行对比，作为原材料采购的依据之一；
2. 构建原材料安全库存分析模型，通过对历史数据的挖掘与分析，结合市场的供求关系动态制定原材料的安全库存。
3. 构建智能采购分析模型，通过对各类产品需求进行统计，根据产品BOM分解出各原材料的需求量，并结合原材料现有库存、市场供需情况及供应商的评级情况，动态制定原材料采购决策；
4. 将机器学习方法创新性的运用到商业领域，通过运用Kanban模型和CONWIP模型，对历史采购数据的挖掘与分析，根据实际情况智能调整模型参数进而优化采购模型

（4）智能分类模型

智能分类模块包含四个模块，分别是数据采集、数据分析、结果展示、权限管理。基于RFMTA分类标准，可以直连用户数据库，做到对指标的实时计算。

核心技术：
1. 多维度客户分类方法研究，在传统的RFM3项指标的基础上纳入Top、Counts、Elasticity等维度指标；
2. 将机器学习纳入客户分类算法。

创新点：
1. 改变传统的RFM模型3项指标的不足，创新加入了客户单次最高消费金额（T）、客户购买的SKU总数量（C）、价格敏感度（E）等备选指标，研究新的分类结果以更准确反映客户价值；
2. 运用无监督学习的算法，包括K-means聚类方法、神经网络的聚类方法，这样能够大大降低人为分类所带来的误差；
3. 传统的RFM模型分析结果通常以表格形式展现，本项目研究采用更丰富的可视化图形图像，以更直观的方式，更大程度地方便用户对客户分类模块的使用。

经验总结

在公司供应链智能决策引擎的帮助下，浙江的一鸣食品总体销售额同比增加10%，库存成比例降低30%，客户满意度提升5%。在提高了各门店的收入，精准的满足客户需求，最大限度减少库存积压，降低报废或低价处理的损失，供应链智能决策引擎具有极强的实用性和简单方便的易用性，对供应链的优化起到立竿见影的效果。