亞馬遜云科技客戶案例-某調味品生產商銷量預測

痛點與挑戰

作為調味品的生產廠商,該公司對接處于不同生命周期階段的各類經銷商,銷售場景復雜,銷售模式多樣。隨著業務的飛速發展,供應鏈相關流程上的生產計劃、銷售計劃、物流計劃等均需要及時且精準地被滿足。
為了合理安排生產計劃,該公司需要借助一定的手段來預測在未來一段時間內每周到經銷商的銷量。傳統的預測方法存在以下兩大挑戰:
1) 由于經銷商周銷量數據稀疏度較高,手工難以找到普遍規律,傳統手工預測方法準確率非常不可觀,亟待提升。
2) 隨著業務量的增加,傳統手工預測成本指數級增長,已無法有效應對多經銷商、多SKU、多產品類型及不斷變化的外部環境因素的銷售場景,需要部署自動化預測工具來解決這一難題,實現未來幾周到經銷商銷量的自動預測。
如果不及時升級預測策略和方式,供應鏈上的各類計劃將無法及時應對,最直接的影響是很容易造成庫存積壓或缺貨的情況,造成企業的資源浪費、各項成本增加。
目標:實現到該公司經銷商銷量預測的準確率提升及預測模型的自動化實現。

 

解決方案

該調味品公司數據存儲在AWS S3存儲桶內,使用亞馬遜云科技模型構建組件SageMaker讀取存儲桶內的每日銷售數據,結合業務對數據進行處理獲取建模需要的各個字段,在SageMaker中嘗試構建回歸模型建立各個影響因素和銷量之間的關系,進而根據模型預測未來的銷量,將模型部署到AWS Endpoint,實現持續預測和生產監控。
解決方案具體步驟如下:
1. 數據讀?。鹤x取AWS S3存儲桶中的銷量數據到AWS SageMaker Studio中已經建立的Notebook腳本中。
2. 數據ETL:結合業務理解對數據進行預處理,包括數據清洗、變量篩選、缺失值填充等,接著將數據ETL處理成模型可讀取的結構化寬表,格式為第一列為目標變量(銷量)、其他列為所有影響目標變量的因子(年份、月份、周、銷量等),寬表已匯總成預測粒度,即年份、周、經銷商。
3. 特征工程:結合業務理解和建模經驗生成衍生變量,并結合因子分析和變量重要度排序,進行特征篩選。
4. 數據集劃分:將處理好的數據根據時間軸和驗證集長度劃分訓練集和驗證集,選定合適的評估指標。
5. 模型訓練和模型選擇:設置合適的參數訓練模型,或設置超參數優化作業進行參數自動調優,得到模型評估結果最好的超參組合作為最終的模型。
6. 模型部署:將最優模型部署到AWS Endpoint上。
7. 模型預測:生成未來幾周的因子數據,調用Endpoint進行模型預測,預測未來幾周該調味品公司到經銷商的銷量。

成果與收益

實現了自動化預測:部署在AWS Endpoint上的模型在任何時候都可以被調用,進行自動化預測,大大降低了該調味品公司內部手工預測的成本,預測結果直接存儲到AWS S3中,業務人員可直接下載查看相關預測報告。
預測準確率提升:與手工預測相比,模型銷量預測的準確率整體上提升了15%,相當于每個月降低了3天的人工成本。
模型的自動化實現和預測準確率的提升給該調味品公司帶來了供應鏈的高效運轉。

解決方案架構圖