互聯網時代，如何利用數據和算法優化商品供應端與銷售端的協同能力，從而降低成本保持競爭優勢，是電商供應鏈管理核心問題之一。

1 背景

互聯網時代，如何利用數據和算法優化商品供應端與銷售端的協同能力，從而降低成本保持競爭優勢，是電商供應鏈管理核心問題之一。

• 嚴選模式相比于普通品牌電商的商品種類更多；

• 相比于平臺電商和平臺自營多了商品生產過程，因此補貨周期要長1-4個月不等；

• 嚴選的銷售渠道比較全，有自建App、各家平臺店鋪、抖快直播、以及線下店等。

以上三個特點，使得嚴選做好采銷協同具有更大的挑戰性和重要性。

圖1 嚴選模式與其他電商模式比較2 什么是采銷協同

品牌商的商業目的是在商品銷售過程中，平衡庫轉和缺貨，盡可能降低庫存積壓、商品缺貨等帶來的各種成本，從而保障銷售額的同時最大化利潤。采銷協同是實踐中平衡庫轉和缺貨非常有效的方法，“采”對應供應端的補貨鏈路，“銷”對應渠道端的銷售鏈路，兩條鏈路并行推進互相協同配合。最理想的狀態是，供應端補貨的商品量與實際銷售的商品量相當，這樣既沒有庫存成本，也沒有缺貨損失，銷售額和利潤同時趨向最大化。不然，補貨量大于銷售量，會增加庫存成本；反之則商品缺貨，會造成銷售損失。

圖2 嚴選采銷協同鏈路

3 采銷協同的三個階段

3.1 事前

第一個階段是事前做預測，主要任務是制定活動計劃和需求計劃。

• 做活動計劃：首先渠道需要制定初版活動計劃，接著粗粒度的計劃輸入預測模塊得到銷售數據，再根據利潤率計算得到毛利預估，根據毛利空間再調整活動計劃。如此迭代，直到能滿足渠道的GMV和毛利目標需求。

• 做需求計劃：首先依賴上一步的活動計劃，根據歷史數據細化顆粒度，拆分到單個SPU甚至SKU，接著輸入預測模塊得到每個SKU的銷量數據，最后根據銷量預測數據制定需求計劃。

3.2 事中

第二個階段是事中依策略，計劃永遠趕不上變化，活動執行變數是非常大的，因此銷量預測永遠做不準，預測結果應該是一個銷量的概率分布。補貨策略應該對應業務目標，比如大促期盡量不缺貨，或者平時要減少庫存積壓，又或者把庫存成本、缺貨成本、運輸成本整體降到最低等。所以在計算什么時候補貨、補多少這個問題的時候，可以看成基于銷量概率分布、MOQ、LT、安全庫存等業務約束的一個目標優化問題，根據當下的業務目標來制定策略，而非按照一套統一的公式。

3.3 事后

第三個階段是事后可微調，一般銷售都有自然波動或不可控因素的影響，部分商品會有積壓庫存和缺貨的趨勢出現，此時在銷售端需要做對應的處理。由于是趨勢剛出現，系統可通過活動選品、流量調控兩個模塊對流量進行微調。而等到庫存積壓真正發生時，只能通過清倉等特殊運營手段進行干預了。

 

圖3 采銷協同的三個階段

4 嚴選模式的采銷協同面對的困難

嚴選模式的采銷協同相比其他類型電商存在很多困難，對應三個階段總結如下：

1. 預測難點

• SKU種類多數量大：品類覆蓋寵物，美食，個護，居家等八個生活相關類目，包含了季節品、快消品、時令品、常青品、長尾品等多種類型商品；需要預測的SKU數約16萬，其中自營SKU約2.2萬。

• 生產周期長：由于商品生產周期一般在1-6個月，因此必須預測180天左右的銷量，時間越長預測越難。

• 商品銷售歷史短：大約50%的商品銷售不足一年，20%的商品銷售不足半年，根據沒有完整跑完一年的歷史數據，預測準確率很難提升較高水平。

2. 補貨難點

• 保庫轉和降缺貨率之間難平衡：兩個指標很難同時做好，往往是蹺蹺板效應，補多補少需要根據當下具體業務需求來決定。

• 活動計劃和需求計劃分開制定：活動計劃由運營團隊制定，而需求計劃由供應鏈計劃團隊制定，兩邊在執行時考慮因素自然會有差異，因此底層以來的預測模塊最好是同一個。

3. 銷售調整難點

• 長期的活動計劃無法做到SKU粒度，目前SKU顆粒度的活動配置參數只能做到提前1-2周確定。

• 銷售渠道多，線上有嚴選App、淘系店鋪、京東店鋪、抖音快手直播等，線下有商場旗艦店、園區小店、和線下大客戶等。

• 臨時的外部環境因素影響多，如疫情、茅臺、特殊事件影響等。

5 破局的方法

解決三個階段難點所采用的主要算法技術，分別對應的是銷量預測、補貨模型、和流量調控。

5.1 銷量預測

商品的銷量主要跟曝光量和轉化率相關，因此銷量預測模型采用的主要特征包括潛在用戶、觸達率、轉化率、和特定外部等相關因素，更具體的描述見下圖4。

圖4 銷量預測模型特征

預測模型經過了多個版本的迭代，主要可以分為時間序列模型、基于XGBoost或GBDT的樹模型、和基于深度學習的DeepTCN概率分布模型。對于波動性、趨勢性比較穩定的商品，時間序列模型ARIMA或其優化變種可以解決。但是線上銷售，往往影響因素非常多且復雜，一般趨勢沒那么穩定，因此樹模型可以充分利用各種特征，對歷史數據進行訓練，發揮很好的作用。深度模型的優勢是特征工程簡單，且天然可以輸出銷量的概率分布。根據我們的經驗，樹模型的準確率較高，且可解釋性相對較好，因此實操中大部分情況使用的還是樹模型。

圖5 銷量預測模型演進

5.2 補貨模型

補貨模型解決的問題，包括是否需要補貨，以及補貨量多少。模型優化迭代如圖6所示，也經歷了三個主要版本。

1. 基于安全庫存的補貨：根據需求的波動性及安全系數設置安全庫存，并基于安全庫存設置觸發補貨點，當庫存量低于觸發補貨點時進行補貨。再根據公式計算需求量S，減去當前庫存量I得到補貨量。

2. 基于單SKU期望成本最小化補貨：定義單個sku的過采和欠采成本，基于過采量和欠采量的約束下，最小化每個sku的期望總采購成本。第一個約束是和欠采相關的，可以表示缺貨量不超過某個值等。第二個約束是和過采相關的，可以表示最大補貨量（或者庫轉）不超過某個值。過采成本和欠采成本，是包含具體子項成本的，如過采成本子項里會包含：運費成本，倉租成本，資金持有成本，商品貶值成本。

3. 基于成本和多SKU共享MOQ約束補貨：在滿足多個sku共享生產線MOQ（或其他補貨約束下），最小化多個sku的期望總采購成本。

圖6 補貨模型演進

5.3 流量調控

流量調控系統綜合了預測算法、自動控制和運籌優化等算法能力，系統本身可滿足多場景多目標的需求，如打爆品、推新品、提毛利等，提前清庫存只是流量調控系統的一個應用場景。在這個場景下，首先根據銷量預測和策略得到有風險且要加權的商品，接著計算系統接入模塊的曝光流量預估，再選擇轉化效率預估較低的流量進行導流。并進行實時監控和自動控制，當導流效率下降則停止，一般提前清庫存場景的轉化效率下降會比較快，所以只能做到微調。

圖7 流量調控系統和應用場景

調控模型優化迭代的過程見圖8：

1.根據WaveNet流量預測，通過PID自動控制算法精準給到需求流量。

2.在第一種方法基礎上，基于最小化pv價值減少和ctr降低的約束下，給到足夠的曝光。

3.在第二種方法的基礎上，選擇特定低效商品坑位，根據加權商品競價替換，最大化收益的模型。

圖8 流量調控模型演進

 

6 總結

最后總結幾個容易踩坑需要關注的地方：

1. 沉淀模型，銷量預測需要結合算法模型與專家經驗，算法模型的優勢是穩定、準確、效率高，專家經驗能提供外部因素、突發情況的輸入。

2. 共用模型，活動計劃和需求計劃在制定時應該基于同一套底層的預測邏輯，盡可能對齊兩邊的預測數據。

3. 準確率陷阱，業務目標最終是降低成本，中間指標是庫轉天數和缺貨率，而銷量預測的結果應該是一個銷量的概率分布，應該基于業務目標和策略約束，計算補貨目標的最優解。但是大家往往會過度追求預測的準確率，當準確率提升到一定程度后會遇到瓶頸，投入產出比其實不劃算。

4. 流量調控，預測和計劃做得再好，實操總有變數和波動，因此事后的微調也很重要。