此次沃爾瑪全球CMO/COO峰會(huì),現(xiàn)場(chǎng)邀請(qǐng)了全球十幾個(gè)國(guó)家近40位CXO參加,閉門探討全球前沿科技在新零售領(lǐng)域的應(yīng)用。觀遠(yuǎn)數(shù)據(jù)算法團(tuán)隊(duì)對(duì)于需求預(yù)測(cè)案例分享,讓各國(guó)企業(yè)重新認(rèn)識(shí)了中國(guó)的新零售大環(huán)境和需求預(yù)測(cè)的落地實(shí)踐。
需求預(yù)測(cè)不能脫離本土文化
生鮮業(yè)務(wù)一直是沃爾瑪?shù)闹攸c(diǎn)項(xiàng)目,已經(jīng)成為沃爾瑪?shù)膹?qiáng)大推動(dòng)引擎。進(jìn)入中國(guó)市場(chǎng)20余年,沃爾瑪一直將數(shù)據(jù)分析和需求預(yù)測(cè)作為其產(chǎn)品備貨、運(yùn)輸、銷售的重要手段。然而,對(duì)于生鮮產(chǎn)品的預(yù)測(cè),除了受天氣、溫度等常規(guī)因素的影響,還有來(lái)自中國(guó)本土市場(chǎng)環(huán)境的綜合挑戰(zhàn)。
區(qū)域消費(fèi)差異
中國(guó)國(guó)土遼闊,每個(gè)地方都有自己特色的飲食和消費(fèi)習(xí)慣,南北方對(duì)于蔬菜水果肉類的喜好都有所不同,所以各個(gè)區(qū)域不同品類生鮮產(chǎn)品預(yù)測(cè)都會(huì)存在很大差異。
采購(gòu)渠道差異
不同于西方的農(nóng)場(chǎng)制生產(chǎn),中國(guó)還存在大量零散的采購(gòu)渠道,因此沃爾瑪在對(duì)中國(guó)市場(chǎng),生鮮產(chǎn)品采購(gòu)數(shù)量預(yù)測(cè)和價(jià)格進(jìn)行統(tǒng)層面也存在很大難度。
中西方文化差異
中國(guó)傳統(tǒng)文化源遠(yuǎn)流長(zhǎng)博大精深,中國(guó)人在不同的節(jié)日和節(jié)氣都會(huì)有特殊的消費(fèi)習(xí)慣和食品喜好,和西方文化存在很大差異,同樣也成為節(jié)假日期間商品備貨的重要參考。
需求預(yù)測(cè)邏輯優(yōu)先
基于中國(guó)特殊的國(guó)情,觀遠(yuǎn)數(shù)據(jù)為沃爾瑪打造了具有本土特色的需求預(yù)測(cè)分析模型。基于對(duì)采購(gòu)供應(yīng)鏈各個(gè)環(huán)節(jié)影響因素綜合分析來(lái)預(yù)判需求量。
而在這整個(gè)鏈路中,供應(yīng)商、門店和消費(fèi)者是三個(gè)重要的組成部分,每一個(gè)模塊都有自己的影響因素。比如供貨商會(huì)考慮種植條件和利潤(rùn);門店在補(bǔ)貨時(shí)會(huì)考慮到貨物的品相、歷史表現(xiàn)、成本、市場(chǎng)競(jìng)爭(zhēng)力以及現(xiàn)有的庫(kù)存狀況;而消費(fèi)者會(huì)考慮到價(jià)格,節(jié)假日的需求,購(gòu)物當(dāng)天的天氣等等。
在PoC階段,觀遠(yuǎn)數(shù)據(jù)把這些因素中能夠提前知曉和可以數(shù)據(jù)化的部分作為預(yù)測(cè)的主要數(shù)據(jù)來(lái)源。
結(jié)合了這些數(shù)據(jù),觀遠(yuǎn)數(shù)據(jù)對(duì)其中三種生鮮產(chǎn)品進(jìn)行了T+4/5/6的銷售預(yù)測(cè),這三種產(chǎn)品是由Omega8結(jié)合實(shí)際商業(yè)場(chǎng)景選擇,覆蓋了銷量不連續(xù)的季節(jié)性品類和價(jià)格變化多以及浪費(fèi)量大的常規(guī)品類,以此來(lái)檢驗(yàn)觀遠(yuǎn)模型的能力。
在整個(gè)PoC過(guò)程中,觀遠(yuǎn)算法團(tuán)隊(duì)選擇了有代表性的門店,并在Omega8的幫助下進(jìn)行了實(shí)地走訪,通過(guò)與門店經(jīng)理進(jìn)行業(yè)務(wù)場(chǎng)景和人工訂貨經(jīng)驗(yàn)的深度交流,了解生鮮售賣過(guò)程中的痛點(diǎn)和特點(diǎn)。在形成基本邏輯之后,將原始數(shù)據(jù)提煉為更適合模型理解的特征,并輸入到模型中進(jìn)行調(diào)優(yōu)。得到模型的輸出后,觀遠(yuǎn)算法團(tuán)隊(duì)還通過(guò)模型效果評(píng)估、誤差分析等各種方式來(lái)不斷改進(jìn)模型,以得到更準(zhǔn)確的結(jié)果。
在試點(diǎn)測(cè)驗(yàn)的第一周內(nèi),由于某測(cè)試品類遭遇了產(chǎn)地的突發(fā)狀況導(dǎo)致供貨不足,使得預(yù)測(cè)結(jié)果偏高,觀遠(yuǎn)數(shù)據(jù)通過(guò)增設(shè)自調(diào)優(yōu)模塊,對(duì)預(yù)測(cè)誤差進(jìn)行監(jiān)控,使得模型可以快速的對(duì)環(huán)境改變作出響應(yīng)和調(diào)整,并很快恢復(fù)到原有的高預(yù)測(cè)水平線上。
通過(guò)60天的PoC探索和建模,觀遠(yuǎn)數(shù)據(jù)對(duì)分布在5個(gè)城市內(nèi)的26家門店進(jìn)行了為期2周的試點(diǎn)測(cè)驗(yàn),針對(duì)單店單天單SKU進(jìn)行銷量預(yù)測(cè)的輸出,最終獲得了比原有模型超預(yù)期的效果呈現(xiàn)。
未來(lái),觀遠(yuǎn)數(shù)據(jù)將堅(jiān)持創(chuàng)新、變革,不斷探索中國(guó)本土的“AI+BI”智能決策方案。