SAS：使用机器学习和需求感知改进短期预测白皮书（12页）.pdf

1、标标白皮书使用机器学习和需求感知，改进短期预测作者：Kedar Prabhudesai、Varunraj Valsaraj、Dan Woo、Jinxin Yi、Roger Baldridgeii目录简介.1使用机器学习的需求感知实际应用.2按周进行滚动式预测.3按周预测分解为按日预测.4结果.5结论.9联系信息.9简介消费品包装产品公司(CPG)占据着一些世界上最大的产业，这些公司为客户提供包括食品、酒水和其他日用产品等常用物品。CPG 公司提供的产品大部分保质期较短，且旨在于快速使用，因此，为了满足客户的需求，公司需要定期对商店货架进行补货。从货源点到消费点的过程中，为了妥善管理原材料及成品

2、的运输和存储，从而实现及时补货，高效的供应链管理极为重要。零售商和 CPG 公司供应链管理的关键部分，便是准确预测短期客户需求，从而保证客户能在短期内获得他们需要的产品。执行短期（一到八周）预测对于了解并预测与促销、大型活动、天气状况、自然灾害以及消费者需求模式的意外转变（异常情况）等相关的客户需求十分重要。短期需求感知能够帮助零售商和 CPG 公司预测并适应这些不断变化的客户需求模式。零售商和 CPG 在进行需求预测时，往往使用传统的时间序列预测技术，这种技术能够对与趋势或季节性相关的模式进行建模。这些模型能够发现这两类历史需求模式，并估算未来的需求。除了历史需求数据之外，CPG 公司还会使

3、用像销售点(POS)信息、公司未来未结订单、促销活动等能够共同构成需求信号的其他数据。SAS 已为一些零售商和 CPG 公司提供了需求预测引擎。这些公司能够充分利用相同的工具集（基于 SAS 分析），通过包含额外的需求信号数据，从而使用机器学习技术对传统的时间序列预测技术进行优化，最终提高短期预测能力。使用需求感知的关键优势包含以下几个方面：通过提高感知能力，推动供应链以更灵活的方式响应并满足客户及客户的需求，从而提高销售收入。使用优选运输公司，改善运输规划；通过减少重复部署以及减少库存持有成本，从而降低执行成本。提高客户服务水平和产品的货架有货率，确保客户能够找到他们想要和需要的产品。通过提

4、高补货效率、减少缺货情况，提高收入/利润。SAS 目前正在申请一项机器学习(ML)方法的专利，该方法能够创建一到八周（按周或按日）的需求预测。这种新方法结合了机器学习和传统的时间序列预测模型，帮助 CPG 公司通过将历史供应信号（发货量）数据和销售点数据（需求信号）相结合，进行更好的按周和按日预测。12使用机器学习的需求感知实际应用通过与全球大型的 CPG 公司合作，我们获得了七年的订单发货历史记录，从而按日归纳为三元组：产品(Prod)、发货位置(ShipLoc)以及客户位置(CustLoc)，如图 1 所示。发货位置相当于 CPG 配送中心(DC)，而零售客户位置即为客户 DC。因此，订单

5、历史相当于从 ShipLoc 发往 CustLoc 的每日产品发货量。我们同时还获得了两组数据集最低(Prod ShipLoc CustLoc)层级的未来未结订单。在我们的预测高级分析模型中，发货订单历史和未来未结订单是主要输入。我们还获得了某个特定 CPG 零售客户的销售点(POS)数据和库存数据，即(Prod ShipLoc CustLoc=customer)，数据历史不到一年。图1.所提供数据的图形表示。数据有三个主要层级：产品(Prod)、发货位置(ShipLoc)即 CPG 配送中心(DC)、客户位置(CustLoc)即客户交货位置。除了订单历史、未来未结订单和 POS 数据之外，客

6、户还通过使用其当前的预测程序和技术，提供了按周估算预测。得到了两种预测估算值。一种使用基于 SAS 的标准程序生成（称为“FC-基础型”）；专家对 FC-基础型进行了调整，以进一步优化现有预测结果，从而生成了另一种预测（称为“FC-基础型+专家型”）。两种预测估算值均在(Prod)和(Prod ShipLoc)层级上提供。该项目的主要目标为通过比较 FC-基础型和 FC-基础型+专家型在(Prod)和(Prod ShipLoc)层级的预测，从而生成较佳的预测估算值。请注意：用于比较的预测仅按周提供。这家 CPG 公司未提供用于对比的按日预测。3按周进行滚动式预测我们针对不同的预测开始日期，按周