【供应链控制塔】—预测性洞察YonBIPV3.0(R1_2207_1)高级版全产品培训供应链产品部2022年8月31日目录概述1解决方案2PART1概述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。名词解释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。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。针对产品销售业务，进行未来的销售量和销售额预测；支持按细分的产品线、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\日等维度进行预测；支持按销售订单或销售出库的历史数据进行预测；销售预测针对备品备件业务，进行未来需求量预测；支持按物料、物料分类、库存组织、月\周\日等维度进行预测；支持按物资需求申请单或材料出库的历史数据进行预测；需求预测业务场景关键特性多种细分预测维度，包括产品线、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；支持多种预测算法，包括移动平均、一次指数平滑、二次指数平滑、三次指数平滑、AutoArima、lightGBM、LSTM；支持对预测结果进行发布，按预测进行库存计划；支持跟踪预测结果，进行准确率分析；产品价值高效感知用户需求，把握机遇；提升客户满意度；动态资源配置；预测性洞察维度设置方案设置训练预测预实分析库存计划需求预测表支持定义预测维度；维度包括产品线、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；支持定义预测的具体维度、算法、数据清洗方法等；针对设置的方案进行训练，并显示训练结果；对准确度高的训练模型，可以进行生效，用于预测；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；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；支持准确度不理想时重新训练；作为库存计划需求来源；应用架构STEP2：模型训练：训练数据：80%历史数据算法训练模型STEP3：预测：当前最新销售数据预测预测数据测试数据：20%历史数据预测预测数据预测数据和实际历史数据对比预测数据和实际数据对比分析预测设置维度设置方案管理预测及应用需求预测表库存计划预测及结果事实表复合指标数据清洗STEP1：数据准备：YonBIP高级版数据工场训练流程预测流程YonBIP高级版供应链控制塔-预测性洞察产品解决方案供应链单据应用架构数据模型预测方案预测维度统计粒度：日、周、月物料产品线物料基本分类物料维度地区渠道类型客户基本分类客户维度销售组织库存组织组织维度预测算法移动平均一次指数平滑二次指数平滑三次指数平滑统计算法AutoArimalightGBM机器学习算法LSTM深度学习算法数据清洗3西格玛原则四分位法异常值检测修正总体均值邻近均值零值忽略缺失值修正历史数据销售订单销售出库单物资需求申请单材料出库单预测模型预测数据算法介绍类别算法解释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。统计算法一次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次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次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RNNLSTM能够在更长的序列中有更好的表现异常值检查和修正算法介绍方法类别说明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。PART2解决方案产品形态销售预测方案销售预测维度设置销售预测销售预实分析训练生效预测模型发布重新训练预测流程支持设置预测的目标、历史数据来源和维度（包括统计粒度、物料维度、客户维度、组织维度），以及参与预测的数据过滤条件。【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。预测维度设置支持指定细分维度、数据清洗方法和预测算法。【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。【算法】：建议考虑行业、产品业务特性进行选择。预测方案支持按设置的方案进行训练；训练完毕后展示模型训练结果；支持图形化展示；支持对模型进行生效，用来进行预测；支持重复进行训练或调整参数进行训练；预测方案预测支持按生效的模型进行预测；支持设置后台任务；支持图形化展示预测结果；支持将预测数据下发到库存计划需求预测表中，用来做库存计划；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。预实分析支持跟踪预测数据，分析其准确度；支持图形化展示；对于准确度低的预测模型，支持重新进行训练；销售预测与需求预测方案对比销售预测需求预测目标针对产品，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值销售数量、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）；
