AI驱动京东端到端补货技术建设

1. AI驱动京东端到端补货技术智能供应链Y 戚永志

2. 目录 CONTENT 01 京东智能供应链 03 02 AI 与 OR 双驱动的端到端补货建设未来展望

3. 京东供应链概况活跃用户 5.52亿全品类自营商品 900+万运动户外食品饮料母婴生鲜鞋靴日用百货女装家电男装电脑数码手机图书医药个人护理家纺汽车用品美妆珠宝首饰各类合作商家 20万+ 1300仓库覆盖100%的区县周转30.1天 93%自营订单24小时内达体验自营厂直 POP FBP FCS VMI 上海效率成本

4. 京东智能供应链能力概览 C 端用户创意设计 C2M 研发品类组织流程制造定价 C2 M 价格规则交易配送仓储智能库存系统指标售后仓网履约 M 品牌商

5. 京东供应链技术预测平台为各种决策和规划优化平台为应用场景仿真平台评估预测优化的效果提供优化决策方案并评估模型的优劣提供输入和决策依据优化平台预测平台仿真平台销量预测流量预测财务预测组合优化路径规划网络优化过程仿真行为仿真路径仿真促销预测季节预测趋势预测动态规划布局优化库存优化网络仿真供应链仿真库存仿真 GMV预测行业预测 …… 派单优化线性优化 …… 营销仿真策略仿真 ……

6. 库存管理库存管理是供应链管理中的最重要的部分，库存管理流程由预测、计划、决策、执行和监控构成，京东始终围绕着周转天数，现货率，满足率这几个业务指标，来驱动着整个体系的不断优化和运转，实现利润导向的现货与周转平衡合理化，助力降本增效，提升客户体验。预测计划决策执行智能智能补货补货智能调拨 p 财务计划 p 销售计需求预测划 p 运营计划采购智能智能清滞清滞周转内配现货优化库存布局，加快周转提高现货率，提升销售机会退货报废监控优化库存核心指标满足率提升本地满足率，增强用户体验

7. 预测网络布局价格策略智能调拨智能补货销售利润自动采购单千万行节约成本数亿元财务预测价格自动调拨单90% 自动采购金额千亿元感知与优化单量预测销量预测智能预测平台大数据机器学习业务信息影响因子预测模型动态趋势数据加工

8. 关键技术 01 时序模型 02 机器学习模型场景：趋势建模、周期性建模、季节性建模(四季，开学季，四六级考试) 场景：综合预测因素(促销、节假日)和历史销量建模(长期有销量，稳定性产品）算法：Holt winters、ARIMAX、ETS、Prophet 等算法：LightGMB、DeepAR、Xgboost、TFT、Deep State Space Model等 03 新品模型&长尾模型 04 路由模型场景：长尾品，新品，不动销，销售样本点少场景：自动时序预测算法：长尾品模型、新品模型、WMA、Croston等算法：meta model，base models

9. 算法框架

10. 影响补货决策的主要因素目标库存目标库存目标库存目标库存单位：天理想情况下，只有周转库存库存 NRT NRT NRT 周转库存 NRT VLT 为应对供需波动，增加安全库存为应对各特殊场景（如大促备货），增加策略库存安全库存策略库存 0 NRT 周转构成：影响因子： NRT 周转库存 R(到货周期) NRT 安全库存 VLT VLTSD 需求波动策略库存 CR

11. 端到端补货

12. 端到端监督学习框架

13. 补货算法框架 – 端到端模式销量预测补货建议 • VLT预测为输入，输出日维度的销量预测（OUT2）。历史销量 VLT预测商品属性历史VLT • VLT预测采用全连接的神经网络。 • 补货建议基于销量预测和VLT预测结果，通过神经网络进行决策。综合决策销量预测 Multi-Quantile RNN (MQRNN) 以多时序数据作下单周期初始库存

14. 可解释性预测拉通算法与业务的共识加强对数据的洞察力拓展业务使用场景智能补货可解释模型、特征及事件关系关键技术节假日周期波动品类及商品生命周期需求变化促销活动品类规划竞对或替代品影响营销策划

15. 采配一体化决策依据不同周转优化 R2F 正向决策依据不同，重复调拨周转优化，成本优化决策依据不同销售损失弥补采购区域内库存分布不均销售损失弥补，周转优化 F2R 逆向全国库存分布不均销售损失弥补，周转优化 R2R 跨区决策依据不同，重复调拨周转优化，成本优化问题价值

16. 超级自动化 3、补货全部系统化 2、深度托管自动设参，自动出单，按商品分层，部分需人工辅助，建立了一套自动化标准流程，指标全面优化基于深度学习的端到端补货模型，实现补货全面自动化，无需人工干涉，且周转现货双重优化 4、全领域的自动化运营探索营销、销售、供应链流程的端到端运营，通过数据算法智能决策、自动执行，目前正在品类进行试点销售 1、订单自动化人设置库存参数，基于人工规则自动出单营销供应链

17. 非常感谢您的观看