5.4 智慧供應鏈
前言
在面對天貓雙11當天1207億商品交易額（GMV）和6.57億物流訂單時，供應鏈作為電子商務企業運作的支柱，是如何有效地組織、協調和優化這個復雜且動態變化的供需網絡，從而可以高效地支持2016年貓全球購物狂歡節呢？
1. 傳統電子商務企業供應鏈
在2015年前，天貓供應鏈關注的重點是借助天貓電子商務交易平台，實現供應鏈交易過程的全程電子化。在這個階段，天貓利用其供應鏈將上下游的企業和客戶等進行全面的協同和交易撮合，對平台相關的信息流、資金流和物流進行監控和管理。在這種傳統的電子商務供應鏈的支持下，天貓完成了多次雙11，重點打造了其交易系統、庫存系統、商品系統和會員系統等一系列傳統電子商務支柱系統。並通過一次又一次的雙11極大地提升了這些系統的穩定性和可靠性，在這些系統的支持下天貓供應鏈具備了處理頻繁變化需求和復雜業務形態的動態供應鏈雛形，也具備了信息化、數字化、集成化、可視化和自動化等技術特征，但仍然屬於傳統電子商務供應鏈，在供應鏈的控制和管理的智能化水平上還存在着較大的提升空間。
2. 天貓智能供應鏈
在2015年后，天貓雙11業務的復雜性和規模日益增加，對其供應鏈管理的效率和智能化水平也提出了新的要求。2015年天貓雙11全球狂歡節涉及了超過1.6萬個國際品牌，其中33%的總買家向國際品牌或商家購物，買家及賣家來自全球232個國家及地區。2016年參與雙11狂歡的國家和地區共計235個，百萬店鋪線下和線上打通，真正實現了全球狂歡，在背后依賴的正是天貓智能供應鏈。
在這段時間，阿里巴巴天貓技術團隊開始在多個垂直行業的供應鏈領域進行深耕細致，並引入了運籌優化、機器學習、自然語言處理和圖像識別等算法，升級了天貓供應鏈的控制和管理能力。目前天貓供應鏈已具備了需求預測、供應鏈優化、供應鏈仿真、智能選品和定價等一系列智能服務。
2.1 需求預測
天貓作為擁有數億活躍用戶的生態系統服務商，及時掌握顧客的需求變化，對顧客需求做出快速而准確的預測是天貓供應鏈建設的基礎。需求預測是整個市場需求波動的晴雨表，也是供應鏈運作的源頭，需求預測的准確度和靈敏性直接影響到電商的庫存策略，物流安排、對顧客訂單的交付率准時率、以及個性化推薦策略等。
天貓供應鏈平台的需求預測包括兩個部分，分別為商品需求預測和用戶偏好需求預測。商品需求預測是指商品在時間和空間兩個維度上的需求預測，關注不同區域不同時間顆粒度上對SKU的需求預測，它與采購策略、庫存策略和物流策略緊密相關，其使用場景側重在商品采購批量的確定、庫存在空間和時間維度的分配、物流資源的訂購和安排等環節。高質量的商品需求預測有助於減少商品缺貨給商家和平台帶來的巨大損失、有助於減少閑置庫存產生的資金和人力浪費、更有助於提前准備和安排物流資源以提高物流服務水平。用戶偏好需求預測是指對平台上每個消費者個人購買偏好的預測，主要是基於用戶在天貓和淘寶等平台上的購買、點擊、搜索、收藏和評價等行為信息，預測消費者在當前階段對商品類目、價格帶和規格等關鍵屬性偏好的需求預測，其用途主要是進行商品個性化推薦和展示。
對於商品需求預測，當前天貓供應鏈平台包括常規需求預測、新品需求預測和包含雙11期間的活動商品需求預測。當前的預測算法考慮了歷史成交、活動數據、節假日和大促日信息、以及商品特性等數據，系統對數千維特征進行構建，並將特征切分為交易、流量、活動、類目和屬性等特征集合，建立了多層級的預測模型，在模型中融合了梯度漸近樹算法、隨機森林算法、以及支持向量機等數十種機器學習算法。需求預測主體算法可以支持商品與算法進行自適應匹配，根據不同的商品信息在每個決策時空內進行商品與不同的融合模型進行快速匹配，以進行更高精度的預測。同時通過預測數據和真實數據的監控和反饋，算法能夠持續地優化預測模型，並基於商品需求的預測質量持續調整模型參數和模型融合方案。
用戶偏好需求預測是基於阿里體系內沉淀的大數據，通過深度學習和機器學習等算法，構建了用戶畫像、商品畫像、類目畫像和品牌畫像等，並建立了用戶類目偏好預測模型、用戶品牌偏好預測模型、用戶商品偏好預測模型、商品間關聯預測模型、以及類目關聯等數十種預測模型。這些模型在天貓和淘寶平台上眾多的購物場景下為用戶提供了個性化的商品推薦。在2016天貓雙11期間，天貓多個業務的推薦版塊就是采用了這種用戶偏好需求預測的算法和模型，為用戶提供更精准的個性化購物體驗。
2.2 供應鏈優化
傳統電商的供應鏈專注於將其上下游的企業和客戶等進行協同和交易撮合，對平台相關的信息流、資金流和物流進行監控和管理，但在供應鏈管理的智能化和精細化等方面還存在不足，導致了其供應鏈運作效率和成本控制方面存在着較大的提升空間。
天貓供應鏈平台以運籌優化算法和人工智能算法作為驅動，針對供應鏈運作中的補貨、庫間調撥、以及健康庫存等關鍵業務環節進行了優化。同時針對天貓平台在日常和雙11期間的業務特點，考慮了不同商品在各區域和時段的需求預測和波動情況、商品的區域營銷策略、物流設施的空間拓撲結構、商品庫存的歷史在架和周轉狀況等因素，構建了相關業務的數學模型，建立了自動補貨、自動調撥和健康庫存等優化管理模塊，以優化庫存資源分配、提高商品在各區域的周轉率和在架率。以雙11前進行的集貨倉全國調撥為例，自動調撥算法在綜合考慮各區域需求預測的前提下進行了有限庫存的全國調撥和庫存分配，平衡各區域的供給和需求，優化雙11期間總體庫存周轉和在架率。
在營銷端，天貓供應鏈平台也采用了運籌學優化算法，針對商品參與活動的計划和調度問題進行了優化。在綜合考慮了類目分配、活動折扣、歷史銷量、以及庫存等業務信息和規則后，建立了混合整數規划的數學模型，應用了分支定界等優化算法高效解決了該問題。在2016天貓雙11期間，天貓部分活動版塊就是采用了該數學模型和優化算法對商品在雙11期間不同活動時間段進行優化調度，以提供消費者更好的購物體驗。
2.3 供應鏈仿真
由於電商企業的供應鏈是一個高度動態，高度變化的復雜系統，其中任何一個環節的行為在很大的概率上依賴於其他環節的表現，僅僅通過解析方法和相關模型還不足以全面地分析和描述電商企業的真實供應鏈。供應鏈仿真技術是分析和優化這個復雜系統的重要工具，它不用搭建全景的實體模型，只用實體模型的一部分成本來模擬真實系統，通過建立虛擬模型以測試針對真實供應鏈系統的各種想法和假設條件，因而可以節省資金和時間投入，更重要的是供應鏈仿真技術極大地降低了電商企業的決策風險。
天貓智能供應鏈平台融入了針對電商供應鏈業務的仿真技術，支持對不同業務線多個業務場景進行仿真分析，將其供應鏈作為一個整體系統來進行研究和分析。通過模擬每個區域的客戶下單、采購補貨、預約入庫、調撥入庫、以及訂單送達等多個業務環節，在不同決策場景下對這些環節進行一體化的仿真分析，以確定采購補貨和倉間調撥等業務決策的合理性。同時天貓供應鏈仿真技術與平台上的優化技術緊密結合在一起，一方面通過仿真技術對運籌學獲取的供應鏈運作優化結果予以驗證，另一方面，供應鏈仿真得出的仿真結果可以作為運籌優化的初始解或中間解，進而輔助優化模塊更有效地逼近供應鏈運作決策的最優解。為有效地應對本次雙11，天貓部分自營業務和類自營業務需要調整其補貨和調撥業務的關鍵邏輯和參數，就是通過了天貓供應鏈仿真技術予以支持和驗證，在降低決策成本的前提下提高了供應鏈業務決策的准確性。
2.4 智能選品和定價
品類分析和挖掘是平台和商家生存的關鍵，也是任何一家做電商的平台需要具備的能力。天貓智能供應鏈平台采用了深度學習、文本挖掘、圖像處理、以及自然語言處理等技術，提供了智能化選品、商品聚類和智能定價的服務能力。
對於新品的選擇，供應鏈平台通過深度學習算法，對不同渠道商品的相關文本和圖片進行分析和挖掘，建立了商品本體庫、商品特征庫、以及相關的商品比對模型，為自營和類自營店鋪提供了智能化的新品挖掘方案，進而豐富平台和店鋪商品線的深度和寬度。 對於既有商品的聚類和汰換，供應鏈平台將淘系中積累的大數據與天貓業務沉淀下的行業專業知識進行了融合，並通過機器學習算法和自然語言處理算法建立了季節性預測模型、潛力預測模型、復購周期預測模型和輿情分析模型，進而對不同行業的商品進行聚類和汰換。此外，基於不同行業下商品比對模型和商品聚類，供應鏈平台應用了機器學習算法和運籌學方法建立了不同商品聚類下的商品價格模型以指導商品定價。這些模型一方面支持了店鋪日常的品類規划業務，另一方面也為雙11大促進行了選品支持。
總結
電子商務平台的優勢之一是在於能夠隨時隨地、持續大量地收集數據，為電商業務提供及時和可視化的供應鏈數據，這些高價值的數據為電商企業供應鏈的智能化提供了土壤。天貓智能供應鏈平台依托大數據和雲計算，覆蓋了零售平台從選品、采購、補貨、調撥、定價和營銷等各個供應鏈環節，通過運籌學、機器學習、深度學習、文本和圖像識別等算法和技術，從整體上優化了供應鏈運作的效率和成本，通過對跨領域數據和算法的融合，產生了乘法效應，為各業務提供了全供應鏈的智能解決方案，最大化了其供應鏈的商業價值。