面向时装的库存预测

面向时装的库存预测


首页 » 客户 » 此处

预测时装界的需求很难,许多业界人士认为没有哪一种软件在这个领域令人满意。在我们看来,这些业界人士的说法"差不多"是正确的,因为 Lokad 是个中例外。我们开发的预测引擎着眼于时装界里的产品系列。我们预测的是之前从未销售过的产品,使用我们的技术无需实施单调乏味的手动产品关联。此外,我们对供应链的各种复杂情形,例如较长的交付周期和 MOQ(最小订货量)提供原生支持。

产品系列和产品配对

Lokad 的预测技术独特地着眼于时装界中观测到的需求模式。在这个行业中,从预测观点来看产品系列(主要包括生存期较短的产品)是“一等公民”。Lokad 的预测引擎能够纯粹根据先前系列中观测到的历史销售数据,来预测新产品(换言之,即之前从未销售过的产品)的需求。

在使用传统方法时,会告知系统哪些老款产品与预测新产品最相关,而我们这种预测能力与传统方法不同。相反,我们的预测引擎完全依赖于高级机器学习算法来自动检测产品之间存在的相似性,从而自动识别哪些特定产品与预测该系列中的新产品最相关。

这种自动检测相似性的方法依赖于时装界中通常存在的多种产品属性:产品;类型、系列、尺码、颜色、面料、风格、价格点、品牌等等。尽管有人可能会担心所需的数据量,但我们在 Lokad 开展的实验表明,使用目录数据(因为它的存在是为了运营电子商务的前端方面等等)通常足以获取良好的结果。

基于手动配对产品的传统预测解决方案太过耗时,效率太低——要考虑的产品对太多,因为配对是预测的主要元素。鉴于这种方法的效率低下,公司回归为使用电子表格,因为手动配对预测解决方案未能提供必要的价值。而 Lokad 直面这一挑战,专注于核心的难题,而不是将负担转移给用户。

在 Lokad,虽然我们称这样的预测过程为产品配对,但并未假定新旧产品系列之间存在一对一的配对。举个例子,一种产品可以拆分为多种变体,因而会形成竞食效应。另一种产品可能是真正的“新”产品,没有密切匹配的历史产品。在这种情况下,预测引擎会诉诸于更广泛的考量,例如产品目录、系列、品牌或价格点。

采用产品关联性的高级预测模式对于时装公司不可或缺,原因就是他们第一时间要关联的数据太多。

较长的交付周期和种种供应链限制

时装零售商走向全球:生产服装的国家通常不是服装所销往的国家。交付周期一般较长且不稳定,但 Lokad 的预测引擎对交付周期预测提供原生支持。与产品系列预测一样,交付周期预测也是 Lokad 的“一等公民”,且具有自身特定的模式。举个例子,每年春节,中国地区会增加 2 到 4 周的制造延迟;而这种模式以及其他许多模式,Lokad 预测引擎都会予以处理。

此外,时装供应链势必面临其他许多数字限制:MOQ(最小订货量)和集装箱批次可能是时装界中最常见的限制。未考虑任何供应链限制的预测是不充分的,因为如果预测生成的建议订货量不符合订货限制,那么就无法形成任何采购订单(或者至少无法形成有意义的采购订单)。Lokad 为时装界中存在的异常多样化的采购限制范围提供原生支持,并且我们开发了一系列数值解算器来专门解决此类限制。

举个例子,我们的 MOQ 解算器可以处理多种重叠的 MOQ 限制:某个 MOQ 可能位于产品级别(例如,每个采购订单中的每种产品至少订购 100 件),另一个 MOQ 位于面料级别(例如,每种颜色至少订购 300 米长的面料),也有 MOQ 位于供应商级别(例如,每个订单购买的商品至少价值 5 万美元)。在控制库存水平的同时满足所有这些 MOQ 是手动处理 MOQ 时的一个大麻烦。Lokad 通过数值解算器完全简化了这个过程,数值解算器可以用于识别满足所有给定限制的利润最高的采购订单“包”。

Lokad 平台提供了编程能力,支持将公司的业务驱动因素整合到解决方案中,同时还可以将供应链纳入考虑范围。业务驱动因素表示所有可能对您的业务产生有利或不利影响的经济变数:毛利润、持有成本、缺货成本等等。尽管编程一词听起来可能技术含量很高且有点令人畏惧,但事实是时装界非常微妙:销售一件服饰时可能只有在搭配相关配件时才行得通。因此,处理领域知识离不开能够处理任意类型业务洞察的平台。就预测性的供应链优化而言,按钮和下拉菜单式的系统对于时装公司表现欠佳。相反,Lokad 则通过一种特定于领域的编程语言攻克了这项挑战。

如果您的预测解决方案不具备编程能力,那么您的解决方案的能力还不及 Excel。
贵公司承担得起表现还不如 Excel 的后果吗?

扩展到成百上千的门店

时装界的规模可能涉及成百上千的门店,存在上万种变体。预测引擎不仅需要能够扩展到数百万的 SKU 位置,也需要足够快速,以便在必要时一天执行十次计算,因为在准备下一个系列时,会调整、修改和更正假设。实际上,正是因为大部分时装公司的每个系列都是一次性的(因为初始采购订单只能调整这么多),因此在预测方面需要具备极大的灵活性。

我们的预测引擎针对云计算进行了原生设计。与传统解决方案不同,云对于 Lokad 而言并非事后诸葛亮:客户将数据发送给我们时,我们的系统会自动在云端分配计算资源,计算一结束便会返回结果。对于规模相当大的时装公司,这可能涉及到在短短几分钟内分配数百台服务器。自动扩展(换句话说,即动态分配计算资源)是预测引擎的关键要素。而这正是 Lokad 能够在不到一小时内处理千兆字节数据的原因所在。

早在几年之前,当时的 Lokad 就是第一批因为在 Azure 使用计算资源而被微软公司按分钟收费的公司之一。实际上,尽管处理数百个门店数据的能力很令人合意,但计算成本也很惊人。Lokad 在计算一完成后就立即取消计算资源分配,由此控制计算成本。对于时装公司,Lokad 的这项功能极大地降低了运营成本,尤其是在预测季节性非常强的业务时;这非常契合时装界由产品系列驱动的方式。