数字化转型，本质是通过对应用数据水平的提升，让企业能够基于数据进行远期战略、中期战术与短期操作的决策。这需要企业管理理念以及决策方式的转变。BI凭借交互式的可视化分析技术，能够帮助决策者更灵活、更多样地分析业务，已经被反复证明是转型过程中不可或缺的一部分。

观远数据作为AI+BI的一站式智能分析平台及服务提供商，时常会接收到这样一类问题：观远数据在需求预测上如何结合AI+BI？在项目落地的过程中又有哪些注意事项？本文将会围绕这两个问题，结合供应链场景下最常见的需求预测落地案例进行对应解答。

需求预测如何结合AI+BI？

观远数据在供应链AI+BI的解决方案上，更多关注在供应链的下游，即：从生产工厂-消费者的各层级各类商品需求预测与相关衍生配补调。因此，回答这个问题之前先需要梳理传统需求预测的主要痛点，集中表现为：

1、系统数据整合难

企业内部供应链上下游涉及的业务部门与业务系统众多，更不要说外部各零售商不同的系统，手工数据与多样的商品售卖渠道，这些信息都对需求预测有重要的意义。但海量数据的整合就有不小的难度，常见的包括：同样的商品在不同系统内编码不一，且存在商品自然替换关系，即随着时间的变化对应编码也会产生变化，一系列琐碎的问题让基础的数据对接处处受限。

2、各级需求预测难

随着业务扩张与客户个性化需求提高，不少企业当前已经“不敢不促销”，传统的需求预测逐渐难以应对当前市场的多变性。从前至后各层级在预测过程中的信息差使得需求的误差被不断放大，即所谓的“牛鞭效应”，需求可能满足了，但对库存与生产带来巨大压力，直接影响着公司的固定资本、库存周转率等重要财务指标。

另外，企业内的需求计划预测工作更多停留在专家经验判断，经验难以结构化沉淀，人工预测费时费力也是导致该痛点的原因之一。

3、预测价值验证难

即使迈过了前两个难点，但当项目发起部门通过数据发现了问题，并试图改造以优化整体流程时，由于上下游环节众多，针对症结点的改造往往阻力重重，如何将需求预测的准确度（即：FA）与各部门关心的业务价值联系在一起，拉齐上下游的共识也存在不小的难度。

4、预测结果交互难

我们提及更希望让预测辅助人工决策。伴随着项目落地，如何让业务第一时间看到模型结果并纠偏，或输入新的业务信息给到模型以应对新的商业挑战，这之间的交互设计，或者说如何让业务用起来，让AI的产出成为日常工作的一部分，是保持项目后续活力的关键因素。

针对以上痛点，观远数据的供应链AI+BI解决方案做了如下设计：

观远数据供应链AI+BI产品矩阵

观远数据需求预测AI+BI实践案例

我们以一个例子来说明对应的解决方案：某头部快消品供应商，有着完善的供应链流程与成熟的内部协作体系，但随着商业环境的变化也出现了人工预测不够准确，库存水平偏高的问题，观远数据解决方案步骤如下：

1、多渠道数据整合与建模，提高预测准确度

通过观远数据Galaxy Prep快速对接并处理数据，搭配简易的拖拉拽操作，规范的数仓建模方法论与工作流调度，能够最大程度加速数据整合与清洗，解决上述系统数据整合难的痛点。

观远数据团队通过自身积累的行业知识以及深度业务调研，将业务经验转化为模型特征，融入节假日、促销活动等关键因子，基于时间序列、树模型、深度学习，强化学习在Universe Lab进行模型融合。通过“数据对接-数据清洗-特征构建-模型回测-模型上线”的五步走标准动作，选取最匹配的混合模型。搭配Galaxy Viz快速多样呈现预测结果，解决上述各级需求预测难的痛点。

在与该客户合作的过程中，两年内逐步上线27个子品类，覆盖该企业整体销量的70%。自动化的预测大大降低了原先人工预测前繁琐的数据处理时间，使需求预测工作效率提高3倍。除此之外，得益于对专家经验的特征固化与混合模型，周度预测准确度相较于原先人工提升10%+，业务部门对此非常认可。

2、预测结合业务，价值验证助力项目落地

在有了更为准确的预测后，观远数据团队通过试验设计、仿真模拟、AB test等方式量化评估预测准确度带来的业务价值，将预测带来的益处扩展到供应链上下游，推动项目落地，解决上述预测价值验证难的痛点。

在价值验证层面，结合之前的落地经验，我们会把预测带来的价值分解为仓储与物流价值：

• 仓储成本减少及衍生

过高的库存一直是供应链的难题，观远数据通过库存仿真的方式，在不降低服务水平的前提下下调安全库存，从而减少仓储成本并提高库存周率。经测算，每提升1%的FA约能带来相对1.2%的平均在库天数降低。

预测准确度与库存水位示意图

基于库存仿真所得的关联和规律，观远数据通过控制变量的方式进行行为控制，经过一段时间的测算，可在对应时间段内服务水平达标的情况下，带来10%的平均在库天数降低。

同时更精准的预测使得区域仓的需求波动降低，中央仓对应的需求波动因而逐步减少，上游工厂能够更好的组织生产，极大的减少了供应链上下游的“牛鞭效应”。

• 物流成本减少

临时性的需求与库存分配不均导致的额外跨仓物流也是供应链难题。在项目落地过程中，我们通过核算预测准确度与额外跨仓物流的关系发现：更准的预测能减少临时性需求带来的跨仓发运，经测算，每提升1%的FA约带来相对1.6%的跨仓率降低。

预测准确度与额外跨仓物流占比示意图

通过对比传统人工预测与AI预测，经过全年的测算，由预测准确性的提升带来的相对跨仓率降低大约为12%。

3、交互产品迭代，人机交互工作模式的形成

Galaxy Viz能将复杂的模型转化为业务可理解的内容，帮助一线人员更好的理解模型的输出与考量。

Galaxy Viz 指标追踪看板DEMO示例，非客户真实数据

在项目落地的过程中，业务人员对于模型结果的挑战与修改是不可避免的，观远数据团队通过FVA实验设计，结合Galaxy Viz让业务更直观地了解到修改结果对于模型的损益。

Galaxy Viz FVA监控看板DEMO示例，非客户真实数据

同时基于业务使用场景优化了交互工具Atlas，在不影响整体操作的前提下收集业务信息，定期复盘反馈业务修改原因，对业务集中问题修正模型，保持模型的生命力，去黑盒的展示与简易的交互在提高用户粘性上起到了关键作用，解决上述预测结果交互难的痛点。

Atlas预测助手DEMO示例，非客户真实数据

AI落地的注意点

借此总结一下供应链场景下AI项目落地中的一些体会：

1、清晰统一的数据

一份好的数据胜过几周的模型调优，规范干净的数据能够支撑从BI到AI。统一的平台是最优选，一方面是全面的业务数据沉淀能够最大程度给模型提供信息，另一方面也可以避免重复开发。

2、明确的业务场景

相较于BI的百宝箱，AI更像是多部门协同的后端流程优化，一个明确的业务痛点对项目落地有重要意义，伴随而来的还有如何评估效果，对应的业务流程改造，这些都需要相关部门的大力配合，才能真正从量变引起质变。优秀的AI落地项目，企业通常会配备对应的绩效提升部门，以持续精进。

3、充分紧密的沟通

在观远数据AI项目落地的理念中，除了算法技术层面，我们同时强调业务交互，AI项目在落地的过程中，可能会伴随交互产品的落地，找到真正的user story mapping，让业务用起来的产品才具备持续的生命力。

4、投入耐心与时间

无论是基于BI还是AI，发现问题与改进问题都不是一朝一夕的，因此通过数据带来的指标变化不会是立刻发生的。指标的变化需要一些时间，甚至在一次次的调优中可能会察觉不出变化，但回过头对比项目前后会发现着实有不小的进步。不断迭代不仅仅对于模型，对于供应链本身也具有重要的意义。