智能补货系统的设计思路

零售业和制造业，离不开供应链。搞供应链，离不开库存计划。简单来说，就是要回答好两个问题：什么时候进货？进货量是多少？下一个进货订单，从生产到运输和入库，需要一定的时间，短则数天，长则数月。

所以，需要提前进货。其中提前期依赖生产的耗时，进货量依赖未来的需求量。可以尝试预测需求，但是测不准。货进多了，资金周转慢，库存成本高；货进少了，卖得少，赚得少。总之，库存量把握不好就容易亏本。

所以说，做库存计划很难。

本文分享一些大规模商品补货的实践经验，主要思路是用数学模型和软件系统，目标是解决效率和成本问题。

业务背景

先介绍一下业务背景。假设我们是一家零售公司，有自营品牌，也有代销商品；有线上业务，也有线下业务；有传统打法，也有互联网玩法。

销售品类

有丰富的销售品类，涵盖生活的方方面面，比如居家用品、服装配饰、美食酒水、个护清洁、数码家电、运动旅行等等。

这意味着不同的商品，有不同的销售规律（比如季节性）、不同的采购周期、不同的供应商、以及不同的限制条件。

销售渠道

有多样化的销售渠道，例如：

• 官方线上渠道：APP、小程序、网页
• 第三方线上渠道：京东、淘宝、拼多多等
• 官方线下门店
• 合作线下门店

不同的渠道，用户群不同，因而主卖的商品也不同，导致渠道的销售规律也不同。渠道之间的销售存在互补，也存在竞争。渠道之间可以共享库存，也可以隔离库存。

库存类型

商品分为自营品牌和代销品牌。库存类型主要有自营仓库和外部仓库。综合来看，主要有以下几种类型：

• 自营品入自营仓
• 自营品入外部仓库
• 代销品入自营仓
• 代销品入外部仓库
• 线下店库存（可直接销售）

从仓促角度来看，商品类型还可以分为食品和百货，因为食品存储要求高，需要用单独的仓库。

自营仓库和外部仓库有多个，不同仓库大小不同，存放的商品也不完全相同。这意味着哪怕是同一款商品，它在不同仓库的仓储成本，是存在差异的。

此外，仓库的耗材也需要补充，比如纸箱、塑料袋、共挤膜袋、气垫等。

促销玩法

电商玩法虽然复杂，但万变不离“价格营销”。而营销活动会带来剧烈的销售波动，因此特别容易造成极端的库存状态，比如要么压仓，要么售罄。

下面这些促销，不过是冰山一角。

• 电商大促：618、双11、双12等
• 中国的节日：春节、元宵节、中秋节、国庆等
• 国外的节日：父亲节、母亲节、圣诞节、情人节等
• 营销事件：开学季、读书日、年货节、开门红等
• 日常玩法：加价购、限时购、直播、买赠、满赠、满减等

真正让人头疼的是，很难提前知道参加活动的商品。这种不确定性给库存计划带来巨大的挑战。

成本结构

库存管理做得好不好，常用的衡量指标是库存周转天数和缺货率。前者代表成本，库存周转天数越小，意味着资金周转越快；后者代表收益，缺货率越低，销售损失越小。

这两个指标容易计算，但不见得适用于所有场景。例如，它不能回答如何在库存周转天数和缺货率之间做取舍。当我们需要做大规模的商品补货时，这样的指标就显得很粗糙。

事实上，库存管理的最终目标是最小化成本。建立适合的补货模型，可以得到（或者逼近）最优解。

应该根据业务情况，去梳理各项成本。我们可以把成本分成如下几类：

• 固定成本：仓储、人力、设备等费用
• 采购成本：采购管理、物流运输、入库等费用
• 履约成本：订单捡货、打包、配送等费用
• 资金成本：借贷利息、融资成本、机会成本等
• 持有成本：持有商品的成本，例如遗失、损坏、变质、过期等
• 销售损失：销售亏损、缺货损失等

不同商品的成本不同、销售利润不同，因此最优的库存水位也不同。当成本或利润发生变化时，补货模型计算出新的最优解，从而适应变化。

以上是关于业务的介绍。用一句话总结，业务很复杂。在这样的背景下，我们应该如何制定补货计划？

问题描述

为了设计满足业务要求的补货系统，接下来需要把问题进一步明确。主要从目标、功能、约束三个维度来看。

目标

业务目标是最小化成本（含销售损失）。成本项可以是所有与库存相关的成本，也可以是几项最关键的成本，还可以用库存周转天数和缺货率等间接指标来近似地表示。

成本梳理是一项复杂而且长期的工作。应该做到什么程度，取决于业务现状以及数据基建能力。从这个角度来看，补货系统要能适应业务目标的变化。

功能

补货系统应该具备如下能力：

• 多渠道补货：可根据销售渠道、仓库、供应商等多个维度进行补货
• 批量化：自动生成十万（甚至百万）商品的补货计划
• 效果可见：事前可评估补货计划，事后可复盘业务结果
• 可干预：人工可以对补货计划进行调整
• 风险可控：计算结果稳定可靠

总结一下，就是做到三点：可扩展、可解释和可控制。换句话说，系统功能要灵活，人要搞得明白结果，还要好用又可靠。

约束

在下补货单时，还要考虑业务上的约束。下面是一些常见的因素：

• 最小起订量：一个订单的采购量不得低于最小采购量。

• 提前期：从下订单到入库所耗费的总时长，其中包括可能涉及生产、运输等一系列中间环节。

• 最小采购频次：因为某些业务原因，使得采购行为不能太频繁，例如要求最多一周采购一次。

• 箱规：采购量一般是以件为单位，但运输时一般是以箱为单位。

值得注意的是，不同商品（不同供应商或不同的入库仓），对应的约束条件可能是不同的，所以补货系统需要能处理差异化的约束。

以上就是要解决的补货问题，其中还有很多细节待补充，但不影响我们去思考解决方案。因为实际业务会不断变化，细节变多，越变越复杂。

算法架构

我们看到，这个补货问题很复杂，梳理清楚都不容易。那么如何解决它？

下面分享一下我的思路。

用一句话描述，就是化繁为简。细节太多不好设计；太简单又解决不了问题。难点在于如何把握这个度。

第一，抓重点。

先搭框架，后处理细节，重点是把补货计划做好。要做补货计划，重点是做好需求预测，另外就是把预测结果转化成补货量。

于是我们得到两个核心模块：预测和决策。如果能把这两个问题解决好，库存成本就不是问题，剩下的就只有工程和体验问题。

此外，要做好预测，特征工程很重要，可以再单独拆出一个“特征”模块。

第二，完善框架。

前面说，补货系统的计算结果要可靠，还要能评估效果。我们引入仿真、监控和分析模块：

• 仿真：用来验证预测模型和补货模型的效果，离线验证效果和可靠性。
• 监控：自动检测各模块的数据异常，发现异常报警或者中止流程，防止造成资金损失。
• 分析：事前解释补货原因，事后分析补货效果。

第三，补充细节。

根据前面的分析，我们得到下图所示的算法架构。

架构图只是对技术模块的一个高度抽象，它不足以指导开发实施。接下来还要细化每个模块，具体来说，就是要定义各模块的接口。下文以预测模型和决策模型为例，来说明如何细化各模块。

第四，落地实施。

这一步不多说，大多是标准流程，比如验证思路、工程化、交互设计、评审、开发、测试等。

预测模型

设计模块与设计系统，其思路是类似的。先明确预测问题，例如，输出一个商品、一段时间（历史或未来）的总销量（或者销量的分位数）。

考虑如下因素：

• 支持概率分布，即输出分位数 $\alpha$ 对应的销量值 $x$，满足 $P(X\leq x) = \alpha$，其中 $X$ 代表销量的随机变量。

• 支持俺渠道预测，其中渠道可以是销售渠道，也可以是仓库或者线下店。

• 支持不同版本的预测。

我们得到下面的接口定义。

输入

输出

这样一来，我们要实现一个预测模型，只需要满足上述输入和输出即可。在实际中，不同商品（不同渠道）销售规律不同，建议实现多种预测模型，比如规则模型、时间序列模型、统计模型、神经网络模型等。

决策模型

决策模型的功能是计算补货量，它是预测模型的下游，因为预测结果是它的输入之一。此外，它还要考虑业务约束。不同商品可能由不同的决策模型来处理。

例如，要实现如下补货功能：

• 支持多种最小起订量的度量，例如按SKU件数、按SPU件数、按重量等。
• 支持多供应商，例如同一商品有多个供应商。
• 支持分批次到货。
• 支持俺仓库补货。

决策模型的接口定义如下。

输入

值得注意的是，不同决策模型的输入参数可能有差异。因此，在定义输入参数时，我们把差异化的参数一律放在 Constraints 中，从而保证决策模型的灵活性。

输出

要实现决策模型，主要工作是定义符合业务情况的优化目标和约束条件，然后用数学语言进行表达。前文提到要最小化各项成本以及销售损失，就是通过求解这样的数学模型来实现。

已经介绍完预测和决策模块的设计思路，其余模块的设计思路是相似的，我们不赘述。剩下的就是去工程化，以及迭代各个模型，我们不展开讨论。

总结

本文介绍了智能补货系统的设计思路：先了解业务背景，然后提炼问题，进而抽象出功能模块，再把各模块具象化，最后是实现这个系统。希望这些经验能帮大家去解决业务中遇到的类似问题。

这个智能补货计划系统，相比传统的人工计划，有如下优势：

1、效率非常高。系统可以自动分析和处理数据，自动决策，可应用于大规模的商品（原材料）补货。

2、结果稳定可靠。预测模型和算法模型可以演进，从而让业务经验沉淀下来。

3、目标导向。业务目标、成本结构以及销售利润变化时，系统计算出的补货量会随之变化。从这个角度来看，模型正确的前提下，补货策略能保证最优。

4、试错成本低。系统的仿真能力可以让业务模拟不同的补货策略和销售策略，并得出分析结论，甚至可以为上游业务提供决策依据。