智能预测技术怎样做的？看看京东的实践！

起 源

京东预测技术最早应用于图书品类管理，用以解决其业务规模化发展的需要，通过技术手段助力业务爆发式增长。

伴随着人工智能技术的发展，预测技术从最初帮助图书品类采销人员预测销量、自动补货，到现在已经应用于京东商城全品类商品运营。以消费品类为例，超过80%的订单是由系统自动下单补货。补货效率提高，库存现货率提高，货物周转周期降低，发挥更精细的商品运营能力。

发 展

京东预测系统根据业务需求主要衍生出以下三大类别：

销量预测：基于历史数据和统计学习模型，对商品未来的销量进行预测，给出商品采购、调拨等建议；销量预测同时也是支持智能补货的重要依据。

单量预测：主要针对物流单量的预测，比如在大促来临时，预测系统会预测出某个仓甚至某个站点未来会迎来多少单量，然后根据预测数据安排相应的人力、物力；除此之外，售后客服单量预测系统能够预测小时内的咨询量数据。

GMV预测：预测未来一段时间内GMV的发展情况，支持到商品颗粒度，为财务计划的制定提供依据。

以近几年大促为例，在大促前期，根据预测系统的预测数据，仓配部门提前准备好充足的产能，等到大促开始，就可以直接将这些商品运往离客户最近的配送站，有效缩短了原本相对较长的供应链，大大提高对用户的响应速度，消费者能够明显感受到商品配送的速度越来越快。与此同时物流配送峰值压力也在逐渐减小，虽然交易量在逐年翻倍，而爆仓发生次数却越来越少，这得益于背后京东在优化供应链上取得的成果。

非促销期的销量预测一般使用基线预测系统，而有促销条件则使用促销预测系统，模拟促销规则，预测商品会有多少销量，反过来也可以结合GMV预测，给采销促销规则的建议。

预测系统架构

数据经过基础数据加工层后到达核心业务层，也是预测系统的核心部分。这之中特征构建、核心算法、预测结果加工彼此不发生任何交集，通过时间序列、机器学习、神经网络等人工智能技术对数据的处理分析，最后计算出预测结果推送给下游系统使用。

预测系统核心技术选型

每提升1%的预测准确度就可以节约数倍的运营成本，因此预测技术最关心的问题只有一个——如何持续提升系统预测准确度？

最直接有效的答案是分类细化。如生鲜产品较之于空调就需要使用完全不同的算法模型，生鲜产品的场景要求备货周期短、配送速度快，而空调从生产到提货就需要很长的周期，另外对于此类不断迭代的产品，还要关注其产品生命周期的管理；比如今年夏季中国东北的异常高温使得北方市场空调、风扇销售量激增，此类偶发因素也需要及时加入到模型算法中。

更有特别品类如服装，不能仅基于历史数据考虑，还需要加入网络搜索热度指数、时尚指数等指标参数。算法工程师需要深入了解业务、了解这些影响市场和商品发展的因素，一个高效准确的系统才算可用，并能持续提升预测系统准确度。

但在京东如此庞大规模的业务量下，每新增一项业务就要重新构建一套算法和相辅的系统效率太低。高效的方法是按照积木理论原理，打开业务环节之间的强耦合关系，使之成为一个个可拆分、可配置、可组装的插件。预测系统将核心的流程进行拆分，形成一个个灵活的组件模块，当有新的业务变动，只要针对某一部分进行改动和重组，就可以立刻投入使用。

组件化的京东预测平台不仅提供内部业务使用，也同时开放给了外部的生态合作伙伴，如果外部用户也想进行销量预测，只需要提供相应的数据接入整个平台系统，不需要再进行二次开发，就能得到可用的预测数据。

未  来  

预测技术是整个供应链管理的起点，京东智能预测平台未来的优化将会朝着以下几个方向达到更智能协同的要求：

      预测平台的丰富，完善数据处理的方式和方法，增加更多可用的算法模型嵌入进平台中

      提高业务丰富度，支持业务方多元化需求，强化积木赋能

      提高技术、系统复用性，在积累上创新

增强上下游系统互动，从业务价值角度出发，更有针对性的优化算法，完善评估指标

此文系作者个人观点，不代表罗戈网立场

-END-