应用方案手册-2021.11预测性洞察用友网络科技股份有限公司版权用友集团未经用友集团的书面许可，本应用方案手册任何整体或部分的内容不得被复制、复印、翻译或缩减以用于任何目的。本应用方案手册的内容在未经通知的情形下可能会发生改变，敬请留意。请注意：本应用方案手册的内容并不代表用友所做的承诺。用友网络科技股份有限公司2目录版权1变更记录..4名词解释..5第一章整体概述..71.1总体概述..71.2应用概述.81.3应用价值.9第二章应用场景..112.1预测性洞察数据模型..112.2销售预测..112.2.1通用预测流程..122.2.2重新训练.162.3需求预测..16第三章初始准备..173.1供应链控制塔..173.1.1供应链控制塔基础.17附录17附录1：预测算法介绍.17附录2：数据清洗-异常值检测和修正方法..19用友网络科技股份有限公司3导读此手册面向实施顾问以及企业关键用户，旨在为实施规划、解决方案制定和落实提供指导。手册围绕应用能够解决的主要业务场景展开，并以此为依托展现应用的关键应用功能，提供业务需求与应用点相匹配的思路。本手册包括五大部分；第一部分是对应用整体方案及其价值的概要介绍；第二部分是对有关本模块的主要业务场景、流程以及对应的应用解决方案的说明；第三部分是初始准备设置；此外，为了便于用户对整体内容加深理解，手册中对一些关键的名词进行了解释，并在附录中对一些可能需要对照查询的关键点进行了补充说明，以便用户查找对照。用友网络科技股份有限公司4变更记录编写人张春先版本修订人审核人起止时间修订/审核章节修订/审核内容用友网络科技股份有限公司5名词解释预测是指人们利用已经掌握的知识和手段，预先推知和判断事物未来发展状况的一种活动。具体说来，就是人们根据事物过去发展变化的客观过程和某些规律性，根据事物运动和变化的状态，运用各种定性和定量分析方法，对事物未来可能出现的趋势和可能达到的水平所进行的科学推测。分为定性预测和定量预测。定性预测在缺乏足够的统计数据或原始资料的条件下以及对某些影响因素难以量化的情况下，依靠预测者的知识，经验等作出的预测。常见的定性预测方法包括：一般预测、市场调研法、小组讨论法、历史类比、德尔菲法等。定量预测定量预测是使用一历史数据或因素变量来预测需求的数学模型。是根据已掌握的比较完备的历史统计数据，运用一定的数学方法进行科学的加工整理，借以揭示有关变量之间的规律性联系，用于预测和推测未来发展变化情况的一类预测方法。定量预测分为两大类，一类是时间序列分析法，一类是因果关系分析法。时间序列分析时间序列分析是建立在这样一个设定基础上的,与过去需求相关的历史数据可用于预测未来的需求。历史数据可能包含诸如趋势、季节、周期等因素。常见的时间序列分析方法主要有：简单移动平均、加权移动平均、指数平滑、回归分析、鲍克斯·詹金斯法、西斯金时间序列等。因果联系法因果联系是假定需求与某些内在因素或周围环境的外部因素有关。常见的因果联系法主要有：回归分析、经济模型、投入产出模型、行指标等。销售预测根据以往的销售情况以及使用系统内部内置或用户自定义的销售预测模型获得的对未来销售情况(销售数量与销售金额)的预测。需求预测是针对MRO物料，根据以往的使用情况获得的对未来使用情况(需求数量)的预测。预测维度指预测时使用的时间粒度、物料维度、客户维度、组织维度。用友网络科技股份有限公司6预测方案定义训练使用的预测维度、数据清洗方法、预测算法等。预测模型是指用于预测的，用数学语言或公式所描述的事物间的数量关系。它在一定程度上揭示了事物间的内在规律性。预测模型是训练的结果，是预测的直接依据。生效是指将预测方案中的预测模型进行生效。发布是指将预测结果发布到库存计划，指导库存备货。用友网络科技股份有限公司7第一章整体概述1.1总体概述NCCloud供应链控制塔支持产业链端到端的可视、业务运营预测性洞察、智慧供应链自动决策，帮助企业构建端到端可视的、敏捷的数智化供应链运营体系。图1.1-01供应链控制塔产品应用架构图1.提供供应链运营仪表板，跨越组织和数据壁垒，监控运营指标，发现、防范运营风险。2.支持端到端可视化工作台和异常工作台，实时跟踪销售订单全流程，处理业务异常。3.支持销售预测和需求预测，将细分维度和算法相结合，对销售需求和备品备件需求进行智能预测。4.支持将预测需求发布到库存计划。5.支持基于企业运营数据对物料安全库存、再订购点指标进行动态计算，并支持更新到物料档案。6.支持按最大最小法、再订购点法进行自动补货计算。用友网络科技股份有限公司81.2应用概述预测性洞察产品支持销售预测和需求预测，提供包括预测维度及方案设置、模型训练、预测、发布、预实分析的智能预测整体闭环方案。图1.2-01产品功能架构图1.维度设置：支持定义预测维度；维度包括物料维度（产品线、物料、物料分类）、客户维度（地区、渠道类型、客户分类）、组织维度（库存组织、销售组织）、统计粒度（月\周\日）等；2.方案设置：支持定义预测的具体维度、算法、数据清洗方法等；3.训练：针对设置的方案进行训练，并显示预测模型；支持对预测模型进行生效，用于预测；4.预测：支持手工触发或定时自动触发预测；支持把预测数据发布到库存计划，用于备货；5.预实分析：支持跟踪预测，评估预测效果；预测效果不理想时，支持触发再次训练；用友网络科技股份有限公司9图1.2-02产品技术架构图预测性洞察产品依赖数据中台-数据工场的底层数据处理能力和预测算法能力。1.NCCloud销售订单、销售出库单、物资需求申请单、材料出库单支持按时同步到数据工场的事实表中；2.NCCloud设置预测维度之后，支持自动判断数据工场是否存在该维度组合的复合指标，若不存在，将自动在数据工场生成该维度组合的复合指标表。3.NCCloud设置预测方案之后，点击训练时，支持自动调用数据工场的数据清洗和训练算法，训练结束后返回预测模型信息。4.在NCCloud预测方案，可以查看预测模型信息，并支持对预测模型进行生效。5.在NCCloud，支持依据生效的预测模型进行预测，预测时调用数据工场的预测算法进行预测，并返回预测结果数据。6.在NCCloud，可以查看预测结果数据，并支持发布到库存计划。1.3关键特性1.支持销售预测和备品备件需求预测。2.支持多种预测细分维度，包括物料维度（产品线、物料、物料分类）、客户维度（地区、渠道类型、客用友网络科技股份有限公司10户分类）、组织维度（库存组织、销售组织）、统计粒度（月\周\日）等。3.支持多种预测算法，包括统计学算法移动平均、一次指数平滑、二次指数平滑、三次指数平滑，机器学习算法AutoArima和lightGBM决策树，深度学习算法LSTM。4.支持选择多种算法进行训练，选择最优模型进行预测。5.支持对预测结果进行发布，按预测进行库存计划。6.支持对预测数据进行准确率分析。1.4应用价值1.借助大数据、人工智能实现销售预测、需求预测。2.助力企业感知需求变化，预测市场趋势，快速响应需求变化、合理进行资源配置。用友网络科技股份有限公司11第二章应用场景2.1预测性洞察数据模型图2.1-01预测性洞察数据模型2.2销售预测预测是基于历史数据和未来的预判得出的有理论依据的结论，有利于高层对未来的销售及运营计划、目标，资金预算做决策参考；其次，预测能为采购计划、仓库作业资源调配起推荐作用，有助于采购部门做采购计划，仓库提前做排产计划，减少受业务的波动影响。销售预测产品支持根据以往的销售情况获得的对未来销售情况(销售数量与销售金额)的预测。用友网络科技股份有限公司122.2.1通用预测流程2.2.1.1业务描述企业在经营过程中，需要对产品销售量、销售额进行预测，用来指导销售运营计划以及资源调配。例如，面向预测生产的生产型企业，基于预测进行原材料采购、生产、运输安排等。a)预测商品未来某个时段的总销量；b)预测商品在未来某个时段在各个区域的销量；c)预测商品在未来某个时段在各个分销中心的销量；d)对于升级换代快速的商品，按产品线、分类进行预测；对阶段性热销品、爆款按SKU进行预测。2.2.1.2业务流程图2.2-02销售预测流程2.2.1.3解决方案1.销售预测维度设置支持设置销售预测的预测目标、历史数据来源以及统计粒度（月、周、日）、细分维度（包括物料维度、组织维度、客户维度）和历史数据筛选条件等。用友网络科技股份有限公司13支持产品线、物料、物料分类、地区、渠道类型、客户分类、库存组织、销售组织、月\周\日等细分维度。支持预测目标为销售量、销售金额。支持根据销售订单、销售出库的历史数据做销售预测。图2.2-03销售预测维度设置注意：【客户维度】、【组织维度】可为空，指预测时不敏感该维度。【过滤条件】用来过滤参与预测的历史数据。使用预测性洞察产品前需完成预制数据初始化。2.销售预测方案支持指定预测的预测维度、数据清洗算法、预测算法、准确度评估方法等。支持多种预测算法，包括统计学算法移动平均、一次指数平滑、二次指数平滑、三次指数平滑，机器学习算法AutoArima、lightGBM决策树，深度学习算法LSTM。支持按预测方案进行训练，训练结束后展示训练模型及准确度，支持图形化展示。支持调整算法参数重复进行训练；支持对训练模型进行生效，用于销售预测；用友网络科技股份有限公司14图2.2-04销售预测方案-基础设置图2.2-05销售预测方案-训练信息注意：【历史数据周期范围】：数值越大，预测准确度越高，建议取所有历史数据参与训练。【预测数据周期】：数值越大，预测准确度会逐渐走低，建议按提前期设置。【异常值检测方法】、【异常值修正方法】：建议考虑行业、产品业务特性进行选择，可参考【附录2数据清洗-异常值检测和修正方法】。【算法】：建议考虑行业、产品业务特性进行选择，可参考【附录1预测算法介绍】。3.销售预测支持按生效的训练模型进行销售预测，并按预测维度展示预测结果，支持图形化展示；支持手工触发以及定义定时任务方式进行预测；支持对预测结果进行发布，发布到库存计划需求预测表，作为库存计划需求来源；用友网络科技股份有限公司15图2.2-06销售预测注意：发布：仅当预测的【统计粒度】和【预测周期范围】和库存计划组织参数“INVP002需求预测滚动周期”设置的【预测周期】、【周期范围】一致，预测的【组织维度】为“库存组织”、【预测目标】等于“销售数量”或“需求数量”、【客户维度】为空、【物料维度】为“物料”时，才支持将预测数据下发到库存计划需求预测表中。4.销售预实分析支持对预测方案进行预实分析，分析其预测准确度；支持图表展示；滚动预测场景下，显示最新的预测数据；图2.2-07销售预测用友网络科技股份有限公司162.2.2重新训练2.2.3.1业务描述预实分析后对于准确度不符合预期的预测模型，需要重新训练；针对产品的不同阶段，或市场环境发生变化等场景下，需要对预测模型重新训练。2.2.3.2业务流程图2.2-08销售预测重新训练流程2.2.3.2解决方案1.销售预测方案系统支持对已经生效的预测模型进行重新训练；预测时按最新的预测模型进行预测。2.3需求预测需求预测是针对MRO物料，根据以往的使用情况获得的对未来使用情况(需求数量)的预测。需求预测和销售预测产品的对比如下：销售预测需求预测定义针对产品，根据以往的销售情况对未来销售情况(销售数量与销售金额)的预测针对MRO物料，根据以往的使用情况获得的对未来使用情况(需求数量)的预测预测流程相同预测目标销售数量、销售额需求数量历史数据来源销售订单、销售出库单物资需求申请单、材料出库单维度物料维度（物料、物料分类、产品线）；客户维度（渠道、区域、客户分类）；组织维度（库存组织、销售组织）；物料维度（物料、物料分类）；组织维度（库存组织）；表2.3-01需求预测和销售预测产品对比用友网络科技股份有限公司17具体产品实现请参考销售预测章节。第三章初始准备3.1供应链控制塔3.1.1供应链控制塔基础3.1.1.1预制数据初始化NCCloud安装完毕、数据工场产品安装完毕、且sysConfig中配置完成NCC数据源和数据产品数据源后，系统管理员登录NCCloud，完成对供应链控制塔数据的初始化工作。表3.1-01预制数据初始化附录附录1：预测算法介绍类别算法解释用友网络科技股份有限公司18统计算法移动平均移动平均法是用一组最近的实际数据值来预测未来一期或几期内公司产品的需求量的常用方法，适用于当产品需求既不快速增长也不快速下降，且不存在季节性因素的场景，能有效地消除预测中的随机波动。统计算法一阶指数平滑指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。当时间数列无明显的趋势变化，可用一次指数平滑预测统计算法二阶指数平滑二次指数平滑是对一次指数平滑的再平滑。它适用于具线性趋势的时间数列统计算法三阶指数平滑三次指数平滑预测是二次平滑基础上的再平滑。适用于对具有周期性的数据序列进行预测，支持考虑季节性周期长度及水平.机器学习AutoArimaArima（自回归综合移动平均（Auto-RegressiveIntegratedMovingAverages）)，适用于基于ARMA模型的非平稳时间序列，其差分过程可有效地将非平稳数据转换为平稳数据。AutoArima简化了Arima的数据准备和参数调整过程，让任务实现起来非常简单。机器学习决策树lightGBMLightGBM（LightGradientBoostingMachine）是微软开源的一个实现GBDT算法的框架，支持高效率的并行训练。GBDT(GradientBoostingDecisionTree)是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。GBDT在工业界应用广泛，通常被用于点击率预测，搜索排序等任务。GBDT也是各种数据挖掘竞赛的致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。LightGBM提出的主要原因是为了解决GBDT在海量数据遇到的问题，让GBDT可以更好更快地用于工业实践。深度学习LSTM循环神经网络（RecurrentNeuralNetwork，RNN）是一种用于处理序列数据的神经网络。相比一般的神经网络来说，他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义，RNN就能够很好地解决这类问题。长短期记忆（Longshort-termmemory,LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。用友网络科技股份有限公司19附录2：数据清洗-异常值检测和修正方法3西格玛原则检查又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。在3西格玛原则下，异常值如超过3倍标准差，那么可以将其视为异常值。该方法局限于对正态或近似正态分布的样本数据处理，它是以测量次数充分大为前提的，当测量次数少的情形用准则剔除粗大误差是不够可靠的。因此，在测量次数较少的情况下，最好不要选用准则，而用其他准则。修正异常值处理为3∂临界值。四分位法检查利用箱型图的四分位距（IQR）对异常值进行检测，也叫Tukey‘stest。四分位距(IQR)就是上四分位与下四分位的差值。通过IQR的1.5倍为标准，即超过上四分位+1.5倍IQR距离，或者下四分位-1.5倍IQR距离的点为异常值。修正异常值处理为上下四分位临界值。用友网络科技股份有限公司20大型企业数字化平台ADigitalPlatformforLarge-scaleEnterprises用友网络科技股份有限公司YonyouNetworkTechCo.Ltd.用友网络科技股份有限公司
