1. 供应链预测算法及应用 王桐 阿里巴巴-数字供应链事业部 2021年6月

2. Outline： • 预测场景及特性 • 预测算法研发路线及结果 • 预测应用案例

3. 供应链预测场景及特性 供应链不确定性的第一道防火墙！ T-1y T-8w T-4w T-1w T-1d （离线）GMV预测：支持长期经营计划 T-1h T （实时）GMV预测：支持实时前端调控 （离线）商品销量预测：支持补货、调拨决策 （实时）销量预测：支持临时补货 （离线）仓单量预测：支持仓库、配送产能（人力）准备 （实时）单量预测：支持实时产能调控 预测场景细分方式： • 预测标的：GMV、销量、单量、客服呼叫量、云计算请求量等各种不确定的需求 • 提前期：离线（长期（y, m）、中期(w)、短期(d)）、实时(h) • 颗粒度：预测对象颗粒度（店铺、行业、类目；商品、sku、货品；货主、行业）* 时间颗粒度（月、周、日、小时） * 空间颗粒度（全国、大区、省、市、区、街道；仓、门店） • 用途：下游优化算法、决策系统（高准确率、高可用性）、人肉计划（算法白盒化、可解释性、可调整性） GMV预测 销量预测 单量预测 预测标的：GMV 预测标的：销量（需求） 预测标的：交易单/物流单数量 提前期：未来1个月、一年 提前期：未来1~8周 提前期：未来1天，未来1周 颗粒度： 行业*天*全国，行业 *月*全国 颗粒度： 货品*天*仓 颗粒度： 货主*天*仓，行业 *天*仓 用途：支持整体经营计划（KPI制定，营销资源分配，供 用途：支持采购、补货、调拨决策 用途：支持仓库端人力准备 应链资源分配） 评估口径：minmax，加权平均 评估口径：1-MAPE，加权平均 评估口径：达成率 real/fcst

4. 预测算法研发路线 第一代：传统时间序列统计方法 第二代：特征工程+经典机器学习算法 第三代：深度学习算法 （指数平滑、ARIMA、Holt-Winters） （GBDT/XGB/LGB、随机森林、SVR） （CNN，RNN，Attention） 1. 准确性：低 1. 准确性：较高 2. 稳定性：高 2. 稳定性：较低 前景：轻松克服左边的全部技术局限；深度学习在CV、 NLP、搜索&推荐&广告等领域先后取得颠覆性突破 3. 可调整性： 低（后处理） 3. 可调整性： 中（特征工程 + 调超参） 4. 可解释性：高（逻辑易于理解） 4. 可解释性：低（黑盒算法，只能解释输入输出） 5. 执行效率：低（针对单条时序） 5. 执行效率：高（可批量训练/预测） 应用局限：后处理（规则）工作重 应用局限：调超参纯靠体力、算力 ； 特征工程强依赖人工 技术局限：难以拟合脉冲性波动；无法灵活引入海量协变 量（特征）信息；无法描述复杂的交叉影响 判断、业务理解、数据探查、写SQL能力 技术局限：时序特征提取；类别变量的编码；损失函数选 择有限；端到端学习能力有限；训练策略难以定制 1. 准确性：较高 2. 稳定性：很低 3. 可调整性： 高 （特征、超参、模型结构、训练策略） 4. 可解释性：低（黑盒算法，只能解释输入输出） 5. 执行效率：低（模型较重，GPU训练成本较高） 应用局限：炼丹工作重，训练时间长，摸索成本高 技术局限：模型重，数据量要求高；时序针对性低

5. 自研深度学习时序预测算法--Falcon 深度学习时间序列算法目标 1. 准确性：较高 => 高（显著、稳定地高于LGB） 2. 稳定性：低 => 高（达到统计方法的水准） 3. 可调整性： 高 （特征、超参、模型结构、训练策略） 4. 可解释性：低 => 较高（一定的白盒化能力） 5. 执行效率：低 => 高（严格控制模型规模） Falcon是什么 算法： • 多block叠加的残差链接主干网络，类似n-beats （右图）结构，实现时序成份分解 • 丰富的block库捕捉时序的各种成份（趋势、周期/季节、脉冲、节假日、其他数值特征），个性化按需 组装 • 参数规模：数千；训练时间：几小时 框架： • 一套相对通用的算法框架，方便算法研发&验证&沉淀（时序对齐、采样，类别变量embedding，多种训 练策略） Oreshkin et al. 2020

6. 自研深度学习时序预测算法--Falcon • • M4和M5数据集预测指标排名前1% 2021 AI Earth 创新挑战赛第4名 世界最具影响力的预测竞赛，全球5000+支队 • 气候时序预测大赛：全球2849支队伍 2021 IEEE 电力负荷预测第5名 • 电力负荷预测大赛：有法国电力公司、 伍参赛M5 参赛，覆盖全球近400所高校、96家 广东电网公司等多家专业电力行业企 Falcon纯深度学习算法相关指标达到前1% 企业 业参赛，考察算法对疫情后电力负荷 阿里参赛预测算法较Nature最新论文 随时间连续变化的适应度 （回测） • 成果预报准确率提升约7% 阿里巴巴时序预测联赛（ATFL）-- 167支参赛队

7. 预测算法研发路线 电商供应链场景的难点&挑战 - 营销活动多变，玩法不断推陈出新 - 新品、换代、清滞等人工决策 - 季节性 + 地域差异 - 商品替代性&关联性 - 供给侧影响：censored demand

8. 核心能力：新零售细分场景与解决方案 • 基于细分新零售场景（促销、替代品、季节品、新品）设计算法方案 促销品 针对直播场景，构建直播预测算 法，预测by仓销量、单量、GMV， 准确率60+%，支持直播供应链计 划产品 替代品 根据消费者点击行为序列，构建 商品替代关系embedding 季节品 通过算法拆解趋势、活动影响， 提取季节性指数 插入Falcon算法，预测准确率 （MAPE）提升4% 通过data augmentation（淘系 类目）获取更稳定的季节性信息

9. 2018/11/11 2018/11/12 2018/11/13 2018/11/14 应用案例1：大促爆品预包下沉 业务痛点： • • 促前：单量低需要少，人力闲置 促后：单量过高，需要大量临时人力，成本飚高，发货时效慢 业务效果： • 人员成本降低XXX万人日，总成本节省超X千万

10. 应用案例2：直播预测