1. 背景

前段時間京東公開了面向第二個十二年的戰略規劃，表示京東將全面走向技術化，大力發展人工智能和機器人自動化技術，將過去傳統方式構筑的優勢全面升級。京東Y事業部順勢成立，該事業部將以服務泛零售為核心，著重智能供應能力的打造，核心使命是利用人工智能技術來驅動零售革新。

1.1 京東的供應鏈

京東一直致力于通過互聯網電商建立需求側與供給側的精準、高效匹配，供應鏈管理是零售聯調中的核心能力，是零售平臺能力的關鍵體現，也是供應商與京東緊密合作的紐帶，更是未來京東智能化商業體布局中的核心環節。

目前京東在全國范圍內的運營256個大型倉庫，按功能可劃分為RDC、FDC、大件中心倉、大件衛星倉、圖書倉和城市倉等等。RDC（Regional Distribution Center）即區域分發中心，可理解為一級倉庫，向供貨商采購的商品會優先送往這里，一般設置在中心城市，覆蓋范圍大。FDC（Forward Distribution Center）即區域運轉中心，可理解為二級倉庫，覆蓋一些中、小型城市及邊遠地區，通常會根據需求將商品從RDC調配過來。

結合人工智能、大數據等技術，京東首先從供貨商那里合理采購定量的商品到RDC，再根據實際需求調配到FDC，然后運往離客戶最近的配送站，最后快遞員將商品帶到客戶手中。這只是京東供應鏈體系中一個普通的場景，但正因為有這樣的體系，使得京東對用戶的響應速度大大提高，用戶體驗大大提升。   

1.2 京東供應鏈優化

用戶體驗提升的同時也伴隨著大量資金的投入和成本的提高，成本必須得到控制，整個體系才能發揮出最大的價值，于是對供應鏈的優化就顯得至關重要了。

京東自打建立供應連體系的那一天起，就不斷地進行改進和優化，并且努力深入到供應鏈的每一個環節。優化其實是一門運籌學問題，需考慮在各種決策目標之間如何平衡以達到最大收益，在這個過程中需要考慮很多問題，把這些考慮清楚，問題就容易解決了。舉幾個簡單的例子：

• 商品補貨：考慮在什么時間，給哪個RDC采購什么商品，采購量是多少？
• 商品調撥：考慮在什么時間，給哪個FDC調配什么商品，調配量是多少？
• 倉儲運營：在大促來臨之際，倉庫和配送站要增配多少人手、多少輛貨車？

雖然看上去這些問題都很容易回答，但仔細想想卻又很難給出答案，原因就在于想要做到精確不是那么容易的事情，就拿補貨來說，補的太多會增加庫存成本，補的太少會增加缺貨成本，只有合理的補貨量才能做到成本最低。   

1.3 預測技術在京東供應鏈的作用

借助機器學習、大數據等相關技術，京東在很多供應鏈優化問題上都已經實現系統化，由系統自動給出優化建議，并與生產系統相連接，實現全流程自動化。在這里有一項技術起著至關重要的低層支撐作用--預測技術。據粗略估算，1%的預測準確度的提升可以節約數倍的運營成本。

怎樣理解預測在供應鏈優化中的作用呢?拿商品補貨舉例，一家公司為了保證庫房不缺貨，可能會頻繁的從供貨商那里補充大量商品，這樣做雖然不會缺貨，但可能會造成更多賣不出去的商品積壓在倉庫中，從而使商品的周轉率降低，庫存成本增加。反之，這家公司有可能為了追求零庫存而補很少的商品，但這就可能出現嚴重的缺貨問題，從而使現貨率降低，嚴重影響用戶體驗，缺貨成本增加。于是問題就來了，要補多少商品才合適，什么時間補貨，這就需要權衡考慮了，最終目的是要使庫存成本和缺貨成本達到一個平衡。

考慮一下極端情況，等庫存降到零時再去補貨，這時供貨商接到補貨通知后將貨物運往倉庫。但是這么做有個問題，因為運送過程需要時間，這段時間庫房就缺貨了。那怎么辦呢?就是利用預測技術。利用預測我們可以計算出未來商品在途的這段時間里銷量大概是多少，然后我們讓倉庫保證這個量，低于這個量就給供貨商下達補貨通知，于是問題得以解決?？偠灾?，預測技術在這里發揮了重要的作用，成為關鍵的一個環。   

2. 京東預測系統   

2.1 預測系統介紹

預測系統在整個供應鏈體系中處在最底層并且起到一個支撐的作用，支持上層的多個決策優化系統，而這些決策優化系統利用精準的預測數據結合運籌學技術得出最優的決策，并將結果提供給更上層的業務執行系統或是業務方直接使用。

目前，預測系統主要支持三大業務：銷量預測、單量預測和GMV預測。其中銷量預測主要支持商品補貨、商品調撥；單量預測主要支持倉庫、站點的運營管理；GMV預測主要支持銷售部門計劃的定制。

銷量預測按照不同維度又可以分為RDC采購預測、FDC調撥預測、城市倉調撥預測、大建倉補貨預測、全球購銷量預測和圖書促銷預測等；單量預測又可分為庫房單量預測、配送中心單量預測和配送站單量預測等（在這里“單量”并非指用戶所下訂單的量，而是將訂單拆單后流轉到倉庫中的單量。例如一個用戶的訂單中包括3件物品，其中兩個大件品和一個小件品，在京東的供應鏈環節中可能會將其中兩個大件品組成一個單投放到大件倉中，而將那個小件單獨一個單投放到小件倉中，單量指的是拆單后的量）；GMV預測支持到商品粒度。   

2.2 預測系統架構

整體架構從上至下依次是：數據源輸入層、基礎數據加工層、核心業務層、數據輸出層和下游系統。首先從外部數據源獲取我們所需的業務數據，然后對基礎數據進行加工清洗，再通過時間序列、機器學習等人工智能技術對數據進行處理分析，最后計算出預測結果并通過多種途徑推送給下游系統使用。

• 數據源輸入層：京東數據倉庫中存儲著我們需要的大部分業務數據，例如訂單信息、商品信息、庫存信息等等。而對于促銷計劃數據則大部分來自于采銷人員通過Web系統錄入的信息。除此之外還有一小部分數據通過文本形式直接上傳到HDFS中。
• 基礎數據加工層：在這一層主要通過Hive對基礎數據進行一些加工清洗，去掉不需要的字段，過濾不需要的維度并清洗有問題的數據。
• 核心業務層：這層是系統的的核心部分，橫向看又可分為三層：特征構建、預測算法和預測結果加工。縱向看是由多條業務線組成，彼此之間不發生任何交集。
  • 特征構建：將之前清洗過的基礎數據通過近一步的處理轉化成標準格式的特征數據，提供給后續算法模型使用。
  • 核心算法：利用時間序列分析、機器學習等人工智能技術進行銷量、單量的預測，是預測系統中最為核心的部分。
  • 預測結果加工：預測結果可能在格式和一些特殊性要求上不能滿足下游系統，所以還需要根據實際情況對其進行加工處理，比如增加標準差、促銷標識等額外信息。
• 預測結果輸出層：將最終預測結果同步回京東數據倉庫、MySql、HBase或制作成JSF接口供其他系統遠程調用。
• 下游系統：包括下游任務流程、下游Web系統和其他系統。

未完待續......