銷量預測作為供應鏈域的核心算法，目前已服務于全國百家級店倉，每日百萬量級SKU的補貨作業(yè)，在提升人效、降低缺貨和損耗方面發(fā)揮了重要的價值。本文將揭秘盒馬銷量預測的整體框架介紹和技術(shù)演進過程。

一、背景介紹

盒馬圍繞用戶生活全場景發(fā)展出了豐富的業(yè)態(tài)，提供了線上線下一體化的高品質(zhì)購物體驗。用戶可以通過移動互聯(lián)網(wǎng)便捷下單，享受最快30分鐘送到家的服務。為了追求極致的新鮮體驗，盒馬還推出了只售一天的日日鮮系列商品，涵蓋牛奶、蔬菜、肉禽等日常消費品類。即時的生鮮服務非常切合消費者需求，但對供應鏈提出了很高的要求。對此，盒馬供應鏈算法根據(jù)零售場景特點，搭建了包括預測、庫存、營銷和價格在內(nèi)的算法能力。

銷量預測作為供應鏈域的核心算法，目前已提供了包括盒馬鮮生、云超、X會員店、盒馬鄰里等業(yè)態(tài)在內(nèi)的商品銷量預測能力。在全自動補貨中同時服務于盒馬、盒小馬、天貓校園、逸刻等多個商家的日常訂貨，在提升人效、降低缺貨和損耗方面發(fā)揮了重要的價值。

銷量預測從技術(shù)角度來看是一個重要且具有挑戰(zhàn)的問題。首先商品的銷量會受很多因素的影響，除了時序性規(guī)律以外，還包括促銷、調(diào)價、天氣、季節(jié)性、商品狀態(tài)等多方面因素；其次，銷量預測的消費場景通常是很多的，除了應用在全自動補貨之外，還可以作為一種基礎(chǔ)能力賦能更多的項目，例如生意計劃、SPT、品類規(guī)劃、庫配一體化等。另外，銷量預測所使用的數(shù)據(jù)范圍廣，上游依賴多，技術(shù)鏈路長，對于算法整體鏈路的穩(wěn)定性也提出了很高的要求。

因此盒馬的銷量預測重點圍繞“預測結(jié)果準，整體鏈路穩(wěn)，業(yè)務響應快”的思路進行搭建和迭代，本文主要聚焦于盒馬銷量預測的整體框架介紹。

二、整體思路

2.1 盒馬銷量預測特點

盒馬銷量預測的主要特點可以歸納為多業(yè)態(tài)、多品類、多場景三個方面：在業(yè)態(tài)上重點支持了盒馬鮮生、盒馬云超、盒馬鄰里，同時也包含一些外部商家；在品類上覆蓋了標品、生鮮、餐飲下的多個類目，商品豐富度高；在場景方面，主要針對影響商品銷量的關(guān)鍵因素進行單獨的建模和優(yōu)化。

考慮到盒馬業(yè)態(tài)的多樣性，為了讓銷量預測既能貼近業(yè)務又能有一定的通用性，所以在流程上進行了劃分：在數(shù)據(jù)預處理環(huán)節(jié)和結(jié)果后處理環(huán)節(jié)會盡量貼近業(yè)務特點，讓訓練數(shù)據(jù)和預測結(jié)果能更好的適配業(yè)務場景；然后在算法模型的設(shè)計上更加注重結(jié)構(gòu)的通用性，這樣通過圈選特定數(shù)據(jù)單獨訓練就能夠快速地支持到不同業(yè)態(tài)和場景，同時也能提高開發(fā)效率。

2.2 銷量預測技術(shù)路線

銷量預測的整體技術(shù)路線可以分成以下14個步驟，其中前半部分是對問題的分析定義，以及數(shù)據(jù)的各種預處理，目的是將建模過程中的類似工作進行統(tǒng)一收口，保證數(shù)據(jù)口徑的一致性，方便后續(xù)模型的開發(fā)；中間部分是各種預測模型的構(gòu)造；后半部分是對模型結(jié)果的校驗和融合，以及根據(jù)業(yè)務邏輯進行的后處理，目的是提高預測結(jié)果的實用性和靈活性，實現(xiàn)對業(yè)務需求的快速響應。具體模塊和對應的介紹章節(jié)如下：

整個流程把數(shù)據(jù)、模型和業(yè)務規(guī)則進行解耦，邏輯上形成總-分-總的結(jié)構(gòu)，各部分主要內(nèi)容如下。

2.2.1 問題定義與數(shù)據(jù)處理

• 預測問題定義：包括預測的維度（sku/類目；銷量/單量/GMV；小時/天/周）；預測的口徑（交易口徑、履約口徑）；預測的范圍（哪些店、倉、商品需要預測）；預測的渠道（APP、POS、全渠道）；預測的時長（7天、30天、3個月等）。
• 考慮的各種因素：結(jié)合業(yè)務場景，分析目標變量受哪些因素影響，例如營銷活動、采購調(diào)價、季節(jié)性、天氣、流量、關(guān)聯(lián)替代性、競對、新品、節(jié)假日、大促等。
• 數(shù)據(jù)源選擇：明確數(shù)據(jù)口徑，確保數(shù)據(jù)來源與既定的維度嚴格保持一致；確保數(shù)據(jù)實時性滿足業(yè)務要求。
• 基礎(chǔ)數(shù)據(jù)加工：對DW層的原始數(shù)據(jù)做進一步加工，生成適用于算法的數(shù)據(jù)，例如組合商品交易拆分到單品，未來調(diào)價/促銷活動解析，天氣類型打標，日清商品圈選等。
• 數(shù)據(jù)業(yè)務處理：結(jié)合業(yè)務規(guī)則對數(shù)據(jù)進行處理，例如出清銷量還原，大訂單識別等。
• 數(shù)據(jù)異常處理：對歷史數(shù)據(jù)中的異常點進行削峰填谷，例如異常值檢測和時序補缺。
• 通用特征提?。簶?gòu)造銷量預測使用的基礎(chǔ)特征，沉淀到特征寬表，統(tǒng)一數(shù)據(jù)口徑，便于管理，提高后續(xù)模型的開發(fā)效率。

2.2.2 模型構(gòu)造

• 算法模型構(gòu)造：銷量預測模型從不同角度可以劃分成不同類型，按建模方式的不同可以分為傳統(tǒng)時序方法、機器學習方法、深度學習方法和時空圖網(wǎng)絡方法；按照預測步長的不同可以分為單步預測和多步預測；按照輸出結(jié)果的不同可以分為點預測和概率預測；按照目標個數(shù)的不同可以分為一元和多元預測等。模型構(gòu)造環(huán)節(jié)主要聚焦在預測方法本身的研究，不同場景和業(yè)務問題的建模，以及銷量預測準確率的提升上。

2.2.3 結(jié)果后處理

• 預測結(jié)果修正：為了防止極端值對業(yè)務造成的負面影響，需要對模型結(jié)果進行異常值攔截和區(qū)間約束。
• 算法模型融合：根據(jù)預測目標的特性選擇最合適的模型或模型組合，并基于一定策略對不同模型的預測結(jié)果進行融合。
• 預測結(jié)果算法處理：基于算法邏輯調(diào)整預測結(jié)果，包括季節(jié)性、節(jié)假日、惡劣天氣lift等。
• 預測結(jié)果業(yè)務處理：基于業(yè)務邏輯調(diào)整預測結(jié)果，包括BOM轉(zhuǎn)化，店倉關(guān)系映射，大倉銷量匯總等。
• 效果評價與分析：設(shè)定算法指標（如WMAPE）和業(yè)務指標（如采納率、自動提交占比），監(jiān)控整體趨勢的變化情況；對具體問題進行分析診斷，并不斷完善流程中的各步驟。
• 提示與使用建議：預測結(jié)果對外提供服務時，友好的提示可以給業(yè)務更好的指導，例如是否需要人工審核，白盒化中展示算法考慮的因素等。

三、數(shù)據(jù)處理

3.1 整體框架

信息的準確性和完整性對于預測模型的效果起到了至關(guān)重要的作用，因此需要精細打磨和持續(xù)迭代。為了保證數(shù)據(jù)口徑的一致性，需要對建模過程中的數(shù)據(jù)處理相關(guān)工作進行統(tǒng)一收口，包括數(shù)據(jù)源選擇、基礎(chǔ)數(shù)據(jù)加工、數(shù)據(jù)業(yè)務處理、數(shù)據(jù)異常處理、以及通用特征提取。這部分最終沉淀下來的是標準化的特征寬表，便于后續(xù)模型的使用。數(shù)據(jù)處理各步驟的具體內(nèi)容如下：

需要注意的是，基礎(chǔ)數(shù)據(jù)加工和數(shù)據(jù)業(yè)務（異常）處理的區(qū)別在于，前者生成的是客觀數(shù)據(jù)，即只會在數(shù)倉基礎(chǔ)上對數(shù)據(jù)進行拆分、匯總、打標等操作，不會改變原始信息；而后者生成的是主觀數(shù)據(jù)，例如經(jīng)過缺貨補全將實際銷量由0變成10，目的是方便模型更好地進行學習，提升預測結(jié)果的準確性和穩(wěn)定性。

3.2 數(shù)據(jù)業(yè)務處理

該環(huán)節(jié)需要結(jié)合具體的業(yè)務場景進行處理，目的是讓數(shù)據(jù)能更好地適配各種業(yè)務場景，提高最終銷量預測結(jié)果的實用性。下面列舉了一些典型場景：

• 智能調(diào)控還原：智能調(diào)控會基于小時銷量預測實時計算當天可能產(chǎn)生損耗或者缺貨的商品，通過流量傾斜、折扣清倉等手段對庫存進行調(diào)整和優(yōu)化，降低當天的缺貨和損耗。該環(huán)節(jié)需要對調(diào)控產(chǎn)生的交易進行還原（通過轉(zhuǎn)化率/UV價值、量價關(guān)系等方式），從而確保在下一個預測周期所參考的歷史銷量更加準確。
• 特殊交易剔除：主要是根據(jù)業(yè)務邏輯和交易數(shù)據(jù)打標規(guī)則進行處理，包括對團購訂單和折扣碼的過濾、以及大訂單的識別和剔除等（包括同一用戶多次下單，以及同時購買組合品和單品形成的大訂單）。
• 基礎(chǔ)數(shù)據(jù)修正：例如調(diào)價或活動審批通過時間晚于期望的生效時間，需要以審批通過時間作為實際生效時間；另外遇到當天的生效時間較晚時（例如23點生效），需要將新價格打標成第二天生效。

3.3 數(shù)據(jù)異常處理

3.3.1 異常值檢測

異常值檢測可以分為新穎點檢測（Novelty Detection）和離群點檢測（Outlier Detection）。新穎點檢測假設(shè)訓練數(shù)據(jù)中不包含異常值，即通過學習歷史數(shù)據(jù)，使模型學習“正常數(shù)據(jù)”的特征及其分布，并且以此檢測新數(shù)據(jù)是否符合“正常數(shù)據(jù)”的特征。例如在One-Class SVM中尋找出數(shù)據(jù)的邊界，并以此邊界作為衡量標準，在邊界外的數(shù)據(jù)點就認為是異常值。離群點檢測假設(shè)訓練數(shù)據(jù)中包含異常值，即通過模型找到訓練數(shù)據(jù)的中心模式，并且把訓練數(shù)據(jù)中遠離中心模式的數(shù)據(jù)點定義為異常數(shù)據(jù)。例如Isolation Forest中將分布稀疏且離高密度群體較遠的點視為異常點，然后通過對數(shù)據(jù)空間進行不斷切割確定孤立點。

3.3.2 缺失值補全

現(xiàn)實場景中，由于數(shù)據(jù)采集或者業(yè)務操作等原因，數(shù)據(jù)中往往存在缺失和斷點的情況。為了確保建模過程中時序數(shù)據(jù)的完整性，減少后續(xù)銷量預測的badcase，需要對數(shù)據(jù)中的缺失值進行填充，常見的缺失值補全方法有三類：

1. 基于統(tǒng)計的方法
2. 舉例：線性插值、就近填充、均值/中位數(shù)
3. 特點：實現(xiàn)簡單，計算復雜度低，準確率一般
4. 傳統(tǒng)機器學習方法
5. 舉例：KNN、GBDT
6. 特點：用缺失點附近的數(shù)據(jù)作為特征，預測缺失數(shù)據(jù)，需手工做特征工程
7. 深度學習方法
8. 舉例：RNN、GAN
9. 特點：端到端的學習，無需人工進行特征處理，具有一定通用性

盒馬缺失值補全的整體思路如下：方法上使用了GBDT和GAN兩類模型，并根據(jù)當日的缺貨時段數(shù)據(jù)、促銷和價格信息，以及歷史相同時段的銷量等信息分別對APP和POS渠道的缺貨時段銷量進行補全（下圖給出了兩個商品補全的例子）。此外，基于補全銷量和當日價格信息可進一步預估缺貨造成的GMV損失，該數(shù)據(jù)可提供給業(yè)務進行缺貨影響分析：

其中GBDT屬于監(jiān)督學習方法，主要思路是篩選當日不缺貨的樣本，隨機生成缺貨打點時段，并將對應時段的真實銷量作為label，然后用歷史相關(guān)數(shù)據(jù)構(gòu)造特征進行模型訓練。跟統(tǒng)計方法相比，GBDT的補全準確率能有大幅提升。

GAN屬于無監(jiān)督學習方法，其在沒有l(wèi)abel的數(shù)據(jù)集中也能適用，因此通用性更強。這里采用了SSGAN模型，SSGAN中包含三個角色：生成器的任務是輸入包含缺失值的時間序列，輸出補全后的完整時序；判別器的任務是判斷每個時刻的數(shù)據(jù)是真實的還是算法生成的；分類器的任務是對原始時序和算法補全的時序進行分類打標，幫助生成器關(guān)注于缺失時刻的補全。訓練的過程主要是讓生成器和判別器進行對抗，最終希望生成器能夠產(chǎn)生以假亂真的補全數(shù)據(jù)?？紤]到GAN的訓練需要多個模型共同參與，訓練過程不穩(wěn)定，所以將模型調(diào)優(yōu)拆解成了4個步驟，并對網(wǎng)絡結(jié)構(gòu)、訓練策略、模塊選擇等進行了優(yōu)化。從補全效果來看，SSGAN的準確率比GBDT更高，并且將兩類模型融合后能進一步提升準確性和穩(wěn)定性，具體內(nèi)容如下：

3.4 通用特征提取

特征工程在銷量預測中，特別是在基于傳統(tǒng)機器學習的建模方法中是比較關(guān)鍵的一個步驟。這部分往往需要結(jié)合數(shù)據(jù)的內(nèi)在規(guī)律和業(yè)務場景的經(jīng)驗進行處理。目前盒馬預測使用的基礎(chǔ)特征包括商品屬性、門店屬性、促銷信息、日期信息、天氣信息、流量信息、歷史銷量和競對信息八大類。

在基礎(chǔ)特征之上進行空間維度的交叉組合，以及時間維度對齊操作可以生成各種衍生特征。進一步對衍生特征進行加權(quán)組合可產(chǎn)生更加豐富的特征，交叉的因素越多，特征也越復雜，涵蓋的信息就越多。最后再通過特征重要性評估方法篩選出較為重要的特征進行使用。

四、模型構(gòu)造

盒馬銷量預測涵蓋了多種方法與多種場景，按照方法維度可以分為業(yè)務規(guī)則模型、傳統(tǒng)機器學習模型、深度時序模型、時空圖網(wǎng)絡模型四大類。每類方法具有各自的特點，通過相互結(jié)合，一方面可以確保業(yè)務需求的快速響應，提高應對各種問題的靈活性，另一方面可以兼顧前沿技術(shù)的探索和建模方法的創(chuàng)新。

按照場景維度可以劃分為替代品、時令品、日清品、促銷、流量、X會員等一系列場景，細分場景進行建模，一方面可以有效提高特定場景下的預測準確率，更好的支持業(yè)務應用，另一方面有助于提煉盒馬銷量預測的算法特色。

盒馬預測算法的迭代路徑如下，本節(jié)主要對銷量預測的常見方法進行介紹。

4.1 傳統(tǒng)時序方法

傳統(tǒng)時序方法主要是在確定數(shù)學模型的基礎(chǔ)上求解出模型參數(shù)，并利用求解出的模型進行預測。常見的模型例如MA（Moving Average）、ARIMA（Auto-Regressive Integrated Moving Average）、Prophet等。

MA是一個實現(xiàn)簡單且效果往往還不錯的方法，因此經(jīng)常作為baseline與其他方法進行比較。例如SMA（Simple Moving Average）是直接對歷史一段時間的觀測值求等權(quán)重均值，但該方法存在的問題是滯后性較為明顯，對近期數(shù)據(jù)不夠敏感。因此進一步的改進思路是對歷史數(shù)據(jù)求加權(quán)平均，即距離當前時間越近的數(shù)據(jù)權(quán)重越高。WMA（Weighted Moving Average）和EMA（Exponential Moving Average）均屬于此類方法，區(qū)別主要在于WMA的權(quán)重是按照線性遞減，而EMA是按照指數(shù)遞減。ARIMA在傳統(tǒng)時序方法中有著很高的知名度，其主要過程是先通過d階差分運算將非平穩(wěn)時間序列轉(zhuǎn)化為平穩(wěn)時間序列，然后再根據(jù)平穩(wěn)時序的自相關(guān)系數(shù)ACF和偏自相關(guān)系數(shù)PACF確定自回歸項p和移動平均項數(shù)q，并對模型誤差進行隨機性檢驗確定最終模型。Prophet是Facebook在2017年開源的模型，其主要思路是對時間序列進行分解（包括趨勢項、季節(jié)項、節(jié)假日項和誤差項）。其中趨勢項表示時序非周期性的變化趨勢，季節(jié)項表示周期性變化（一般以周或年為單位），節(jié)假日項表示時序中存在的特殊節(jié)日。Prophet就是通過擬合這幾項，然后把它們累加起來作為最終的預測值。

傳統(tǒng)時序方法的主要優(yōu)點是建模過程簡單，并且可解釋性強。但局限性在于無法有效利用外生變量，信息存在缺失，因此預測準確率難以達到比較高的水平；另外在使用時需要對每一條時序單獨擬合和預測，對于數(shù)據(jù)量較大的場景，在執(zhí)行上需要花費很長的時間。

4.2 傳統(tǒng)機器學習方法

機器學習方法是銷量預測普遍采用的建模方式，常見的模型包括線性回歸、支持向量回歸、決策樹模型（GBDT、LightGBM）等。其基本流程包括數(shù)據(jù)集構(gòu)造+特征工程+模型訓練，并通過監(jiān)督學習從歷史數(shù)據(jù)中得到特征與目標之間的映射關(guān)系，從而進行時序預測。

這類方法彌補了傳統(tǒng)時序模型無法考慮外生變量的問題，在信息豐富的情況下模型效果能有顯著提升，并且能夠應對大數(shù)據(jù)量的場景。不過在這類方法中，特征工程的質(zhì)量往往決定了預測模型的上限，因此需要花費大量時間在特征構(gòu)造環(huán)節(jié)。特征工程要求算法同學對業(yè)務場景有很好的理解，并能構(gòu)造出和目標具有較高相關(guān)性的特征，這對于預測準確率的提升會帶來直接幫助。另外為了確保預測結(jié)果的穩(wěn)定性，特征構(gòu)造時還需要考慮不同場景的對齊策略，特征值計算時的降級邏輯，特殊時間點的特征轉(zhuǎn)換，以及歷史特殊日期的自動還原或剔除等。除了人工構(gòu)造特征的方式之外，也可以利用一些特征自動生成工具來產(chǎn)生更多的特征，例如tsfresh、Featuretools等。通常情況下，將自動生成的特征和人工經(jīng)驗的特征進行結(jié)合，效果會更佳。

一個值得注意的點是，不同于傳統(tǒng)時序方法對每一條時序單獨構(gòu)建模型來預測，機器學習方法是把多種數(shù)據(jù)放在一起訓練，得到一個全局的模型。但在實際場景中，不同時序表現(xiàn)出來的規(guī)律可能本身就不一樣，例如不同類目或不同品牌的商品銷量呈現(xiàn)不同的趨勢性和周期性。因此將所有數(shù)據(jù)放在一起訓練可能導致整體預測效果下降，所以通常還需要對數(shù)據(jù)進行適當分層后，再對每層數(shù)據(jù)單獨訓練模型。

4.3 深度學習方法

基于深度學習的時序預測方法是近年來的研究熱點，由于深度學習在語音識別、計算機視覺和自然語言處理等領(lǐng)域已取得重要突破，相關(guān)方法也應用到了時間序列預測上。其主要思路是采用端到端的學習方式，輸入較為原始的數(shù)據(jù)，并通過不同模型結(jié)構(gòu)自動提取特征進行學習。這類方法的優(yōu)化重點主要放在模型結(jié)構(gòu)設(shè)計和參數(shù)調(diào)優(yōu)上面。下面列舉了一些經(jīng)典的深度時序模型，包括WaveNet、DeepAR、N-Beats、TFT。

WaveNet是Google DeepMind在2016年提出的基于CNN結(jié)構(gòu)的模型，一般CNN應用于長序列的局限性在于卷積提取的是局部信息，想要擴大感受野需要增大卷積核或增加模型層數(shù)。而WaveNet引入了空洞因果卷積（dilated causal convolution），一方面可以確保每個時刻不會接觸到未來的信息，另一方面通過跳過一定長度的輸入，可以在不增大模型層數(shù)的情況下獲得更大感受野。DeepAR是Amazon在2017年提出的基于自回歸循環(huán)神經(jīng)網(wǎng)絡的概率預測模型，其學習的是概率分布的參數(shù)，輸出為每個時刻目標值的概率分布。DeepAR的一個亮點是可以在幾乎沒有歷史數(shù)據(jù)的情況下執(zhí)行冷啟動預測，但受限于RNN結(jié)構(gòu)，對于較長時間的周期季節(jié)等信息則難以補獲。N-BEATS是Bengio團隊于2020年發(fā)表的基于時序分解思想的深度網(wǎng)絡模型，其基本計算單元是Block，多個Block通過堆疊形成一個Stack，整個模型就是由多個Stack進一步堆疊而成。每個Block會輸出前向和后向殘差，后向殘差作為下一個Block的輸入進行擬合，前向殘差之和作為對應Stack的預測值，將所有stack的預測值求和便得到最終的預測結(jié)果。TFT是Google提出的多變量時間序列預測模型，其在輸入數(shù)據(jù)的處理和網(wǎng)絡結(jié)構(gòu)的設(shè)計上考慮較為全面。在數(shù)據(jù)處理方面，TFT采用Variable Selection Network計算每個特征的重要性，通過加權(quán)融合減少無關(guān)變量帶來的影響；另外對類別特征進行單獨建模，能更加有效利用ID類信息。在網(wǎng)絡結(jié)構(gòu)方面，TFT同時考慮長短周期的時序信息（LSTM提取局部時序信息，Self-attention提取長期時序信息）；并通過門控單元機制過濾掉不必要的模塊信息，對于不同數(shù)據(jù)集實現(xiàn)網(wǎng)絡結(jié)構(gòu)的自適應。

總體來說，深度學習方法更加靈活，且端到端的學習方式能減少人工處理，具有更強的通用性。另外考慮到長距離的信息在RNN這類模型中會被弱化或遺忘，且RNN不能并行計算，所以在實際場景中更多會采用基于attention的方法。另一個值得注意的點是，由于機器學習方法大多采用的是聚合特征，對于時序信息的把握不足，而深度時序模型在這方面有天然優(yōu)勢，因此將深度時序模型和機器學習模型的結(jié)果進行融合往往能進一步提升效果。

4.4 時空圖網(wǎng)絡方法

一些場景中，數(shù)據(jù)在時間維度和空間維度并非獨立，算法一方面需要學習時間維度的相關(guān)性，另一方面也需要考慮不同時間序列在空間維度的關(guān)聯(lián)關(guān)系。例如在商品替代性場景中，當某一款雞蛋降價或缺貨時，會導致其他雞蛋的銷量出現(xiàn)波動；又或者在營銷活動配置場景中，每個商品所疊加的活動類型，以及每個活動的商品池范圍均會影響商品最終的到手價?？紤]到上面提到的方法在這類情況下存在局限性，因此需要引入時空圖網(wǎng)絡對具有空間相關(guān)性的時間序列進行建模。時空圖網(wǎng)絡方法目前已廣泛應于交通規(guī)劃、行人軌跡預測、金融分析等領(lǐng)域，并且在盒馬的預測場景也取得了一些應用，例如關(guān)聯(lián)替代性商品銷量預測模型和營銷到手價預估模型。

目前較為常用的是STGAT模型，STGAT包含Encoder和Decoder兩部分，在Encoder中首先利用M-LSTM對歷史時序特征進行編碼，得到每一個時刻的隱層特征；然后用GAT捕獲每一時刻關(guān)系圖中目標sku與鄰居sku的空間關(guān)聯(lián)性；再將GAT輸出的隱層特征輸入G-LSTM進行時序傳導。中間態(tài)是將M-LSTM和G-LSTM輸出的隱層特征和高斯噪聲Concat起來，加入高斯噪聲的目的是防止網(wǎng)絡過擬合。Decoder是一個雙層LSTM結(jié)構(gòu)，下層D-LSTM將中間態(tài)的隱層狀態(tài)進行傳導，上層Cond-LSTM加入了商品外生變量在未來時刻的變化信息，并將前一步的輸出作為后一步的輸入，實現(xiàn)多步預測。

五、結(jié)果后處理

結(jié)果后處理從計算方式上面可以歸納為以下五種類型，本節(jié)會對其中的主要模塊進行介紹：

• 預測結(jié)果融合：包括模型預測結(jié)果的異常值識別與攔截；多個模型的結(jié)果融合。
• 預測結(jié)果調(diào)整：針對惡劣天氣、特殊節(jié)假日的lift系數(shù)；連續(xù)缺貨拉伸；預估白盒化干預等。
• 預測結(jié)果轉(zhuǎn)換：根據(jù)加工品和原料品的轉(zhuǎn)換關(guān)系生成原料品的預測結(jié)果；日清商品交易口徑轉(zhuǎn)履約口徑；切品時新老品的需求繼承等。
• 預測結(jié)果匯總：基于供貨路由網(wǎng)絡和店倉映射關(guān)系，匯總生成倉端銷量預測結(jié)果，包括FDC，B2C倉，NB倉、CDC等，支持倉端自動補貨。
• 預測結(jié)果拆分：一店多倉場景下基于分倉比的預測結(jié)果拆分；基于銷量預測的通用拆分能力，提供拆店、拆天、拆渠道的能力，支持倉端銷售計劃和生意計劃的目標拆分等。

5.1 預測多模型融合

由于業(yè)務場景和建模方法都具有多樣性，在兩者的疊加影響下往往就會出現(xiàn)預測模型的多樣性，例如下面列舉出來的盒馬銷量預測常規(guī)模型和特殊場景模型總共就有十多個。所以這部分重點需要考慮的是：

1）如何有效的使用這些模型，讓最終的預測結(jié)果能穩(wěn)定提升；

2）如何讓模型的管理更加便捷。這里主要從模型的融合策略和模型的上線流程兩個方面進行設(shè)計：

在模型的融合策略方面，首先是根據(jù)預測目標篩選合適的模型組合，主要考慮的因素包括商品特性、是否特殊節(jié)假日、是否X會員日、是否有促銷活動等。然后需要對模型的異常結(jié)果進行識別和攔截，這里主要采用的方法包括：

1）對比不同模型的預測結(jié)果，通過投票機制淘汰明顯異常的模型；

2）對比同一個模型在當前周期和上一周期預測同一天的波動情況，對于出現(xiàn)異常波動的模型進行過濾；

3）基于歷史統(tǒng)計指標的異常值過濾，例如均銷，方差，周同期值等。

最后是對多個模型的預測結(jié)果進行融合，這里的方法包括基于固定權(quán)重的融合策略、基于歷史準確率的融合策略，以及基于元學習的融合方法。

在模型的上線流程方面，需要考慮的問題包括：

1）降低維護成本，即減少每次增減模型在后處理環(huán)節(jié)的開發(fā)工作量；

2）能夠方便地對不同模型和不同處理策略進行效果評估；

3）預測模型和后處理策略在上線過程中的風險控制。

具體做法是：首先需要選擇合適的數(shù)據(jù)結(jié)構(gòu)來保存所有模型結(jié)果，避免每次增減模型對下游表字段的頻繁變更，另外可以通過編寫統(tǒng)一的udf函數(shù)來實現(xiàn)各種策略，提高通用性。在新模型上線時，首先會將其加入到離線全量結(jié)果表中，該表包含所有模型的結(jié)果，便于對不同模型和融合策略的效果進行分析；接下來會篩選合適的模型和融合策略加入到離線仿真結(jié)果表中，該表按線上調(diào)度時間獲取模型結(jié)果，并通過消融實驗和線上結(jié)果進行對比，評估效果穩(wěn)定后再更新到線上。

5.2 預測結(jié)果算法處理

5.2.1 季節(jié)性和節(jié)假日

盒馬商品銷量受季節(jié)性和特殊節(jié)假日的影響顯著，例如端午的粽子，冬至的餃子，圣誕節(jié)的牛排和紅酒，另外還包括各種應季的水果蔬菜等。季節(jié)性和節(jié)假日這兩類場景的共同點在于：

1）消費者行為存在較大不確定性，商品維度的銷量波動大；

2）歷史近期數(shù)據(jù)無法反應未來銷量趨勢，需要考慮較長時間的信息；

3）部分建模方法需要對歷史特殊點進行平滑，避免對預測造成負面影響。

此外，兩者在結(jié)果上的不同點是：特殊節(jié)日的商品銷量呈現(xiàn)單點脈沖式變化，而季節(jié)性商品的銷量變化趨勢具有連續(xù)性，幅度相對平緩。下面列舉了常見的特殊日期：

針對季節(jié)性和節(jié)假日場景，算法上一般有兩種思路：

• 第一種是在預測模型層面去學習歷史趨勢，例如在N-BEATS中分別采用多項式函數(shù)和傅里葉級數(shù)對趨勢性和季節(jié)性進行建模；或者利用日期和類別編碼+attention學習歷史相似情況的銷售趨勢；或是將商品維度和類目維度的銷量預測進行多任務學習，帶動商品響應季節(jié)性趨勢；另外在傳統(tǒng)機器學習方法中可以通過特征構(gòu)造來實現(xiàn)節(jié)假日特征的自動轉(zhuǎn)換，以及歷史數(shù)據(jù)中特殊日期的特征還原。
• 第二種是在后處理環(huán)節(jié)對銷量預測結(jié)果進行調(diào)整，首先通過一定方法計算出商品的季節(jié)性/節(jié)假日系數(shù)（例如統(tǒng)計歷史特殊日期銷量相較于平日的漲幅，或者計算類目銷量預測值相較于商品預測值聚合到類目后的差異），然后直接作用在預測結(jié)果上。

盒馬銷量預測對于季節(jié)性和節(jié)假日的處理方法結(jié)合了上面兩種思路，在后處理環(huán)節(jié)再次進行調(diào)整的目的是讓預測結(jié)果更加靈活，可以快速響應業(yè)務的需求，另外該方法也具有較好的解釋性。該環(huán)節(jié)引入了類目銷量預測的能力，原因是類目銷量預測的回看天數(shù)和預測天數(shù)均更長，能夠更好的反應年維度的變化趨勢，并且相較于sku維度銷量波動大的問題，類目維度會更加穩(wěn)定。具體方法是首先計算類目銷量預測結(jié)果和商品預測結(jié)果聚合到類目后的差異，并計算出類目維度的調(diào)整系數(shù)；然后對同類目下的商品進行分層，并將類目系數(shù)按照分層拆分（例如頭部品爆發(fā)力度可能大于尾部品），從而兼顧不同商品分層下銷量爆發(fā)的差異性；最后就是將拆分后的系數(shù)作用在預測結(jié)果上。

5.2.2 惡劣天氣

在遇到降雨/降雪，或者是溫度突然下降的情況時，盒馬的線上銷量往往會出現(xiàn)明顯增長，為了避免缺貨，算法需要提前感知未來的天氣情況，并在遇到特殊天氣時調(diào)整預測結(jié)果。從下圖的歷史數(shù)據(jù)統(tǒng)計來看，降雨主要集中在夏季的7-9月份，而降溫主要集中在11-2月份，并且這類天氣對于銷量有普遍的促進作用。目前對于天氣的響應方案結(jié)合了業(yè)務的實際處理經(jīng)驗，主要思路是統(tǒng)計每個門店歷史相似天氣情況下的類目銷量增長情況，計算出類目維度的天氣系數(shù)，然后在后處理階段作用到銷量預測結(jié)果上。

5.2.3 特殊事件

當遇到特殊事件時往往需要人工介入處理。例如新冠疫情在全國各地頻發(fā)，一方面業(yè)務需要手工干預接管補貨，并且協(xié)同供應商、物流和采購進行攔截、改配和調(diào)撥等操作，工作量大且人手不足；另一方面算法遇到特殊事件時，難以跟蹤和評估區(qū)域的影響情況，而且需要手動對臟數(shù)據(jù)進行打標處理，因此無法沉淀標準化的數(shù)據(jù)進行自動響應。特殊事件管理的目的就是為了更好的拉通從計劃到執(zhí)行各環(huán)節(jié)，沉淀出一套自動干預的方案，在特殊事件發(fā)生時能夠有條不紊的應對。

盒馬銷量預測依托特殊事件供應鏈管理產(chǎn)品，針對異常事件進行處理和干預。當特殊事件發(fā)生時，區(qū)域業(yè)務同學可以錄入事件類型、影響時間、恐慌程度、影響范圍等信息。算法消費以上數(shù)據(jù)，一方面可以從全鏈路自動剝離特殊事件的影響，保障后續(xù)預測結(jié)果的穩(wěn)定性，另一方面根據(jù)歷史相同事件發(fā)生時的商品銷售情況（例如疫情爆發(fā)時民生品的銷量會大幅上漲），以及業(yè)務錄入的需求、產(chǎn)能、履約影響等信息，計算商品的特殊事件影響因子，從而在預測上進行自動響應。

5.3 預測結(jié)果業(yè)務處理

該環(huán)節(jié)主要是根據(jù)業(yè)務規(guī)則對銷量預測結(jié)果進行處理，包括按照BOM關(guān)系中的用量、出品率、成本換算率計算原料品的預測結(jié)果，并在補貨推單的時候扣減成品和原料庫存。比如下面這個例子中，原料“商品C”有兩個產(chǎn)成品“【鮮果切】商品A”和“【鮮果切】商品B”，并且原料品和產(chǎn)成品均可售，因此在對“商品C”進行補貨的時候，需同時考慮產(chǎn)成品和其本身的需求量：

此外，根據(jù)盒馬供貨路由網(wǎng)絡和店倉映射關(guān)系，可將店銷量預測結(jié)果進行匯總，生成FDC和CDC等倉端的需求預測結(jié)果，進一步支持倉端自動補貨。

5.4 效果評估與分析

評估指標可以分為算法指標和業(yè)務指標兩類，算法指標包括MAE、RMSE、WMAPE等，用于衡量預測準確率；業(yè)務指標包括采納率、缺貨率、損耗率、周轉(zhuǎn)等。其中算法指標偏向于過程，用于跟蹤模型在不同品類和不同時間點上的變化趨勢，分析診斷問題，并通過不斷完善算法模型，最終帶來業(yè)務價值；而業(yè)務指標更偏向于結(jié)果，是算法和業(yè)務同學共同希望達到的最終目標。

由于預測準確率本身會受計算口徑、業(yè)態(tài)差異、商品銷售量級等影響，因此不建議用單一指標來衡量所有業(yè)態(tài)和場景的預測效果。在算法指標設(shè)計時需盡量貼近業(yè)務場景，這樣能更好的衡量算法提升對業(yè)務的影響。例如在計算準確率時考慮不同商品的vlt，或是根據(jù)補貨的具體場景BY店/BY倉、BY天/BY周進行統(tǒng)計，另外也需要關(guān)注預測值的上偏和下偏情況。

在預測case的分析方面，首先需要及時發(fā)現(xiàn)問題，例如識別出每日高缺高損或預測誤差較大的商品，以及業(yè)務訂貨時大幅改量且修改合理的case；其次需要對影響商品銷量的系統(tǒng)性因素進行分析，定位問題，并明確在14個步驟中的哪個模塊進行優(yōu)化解決。例如將影響銷量的主要因素進行可視化展示，方便在case分析時快速定位原因，并且支持多模型下鉆，方便比較各模型的預測情況。

5.5 提示與使用建議

該環(huán)節(jié)包括基于算法的歷史預測良好率、商品特性以及未來大促等信息提示業(yè)務是否需要進行人工審核。另外通過在白盒化中展示算法考慮的因素，可實現(xiàn)與業(yè)務的有效協(xié)同。本章主要對預估白盒化進行介紹。

5.5.1 預估白盒化

預估白盒化的主要目的是將預測算法考慮的因素展示出來，并給業(yè)務提供干預銷量預測值的能力。在遇到切區(qū)、大促等情況時，業(yè)務可以參考未來算法預測總量和業(yè)務預算之間的差異，結(jié)合算法對于各種因素的響應幅度來調(diào)整指定范圍的商品預測值，從而在總量上達到業(yè)務預期。計劃協(xié)同也是全自動補貨的重要一環(huán)。

為了便于理解和分析，這里僅選擇業(yè)務重點關(guān)心的因素進行展示，而不是羅列出所有特征的重要性。目前選取了促銷、流量、天氣、假日四種因素。白盒化系數(shù)的計算邏輯如下：算法依次在原始銷量預測上剝離額外流量、促銷、天氣、節(jié)假日因素，得到剝離各個因素后的預測結(jié)果，然后再計算各預測結(jié)果的相對系數(shù)，從而得到算法對于特定因素的響應幅度。例如下面這個例子中，原始銷量預測結(jié)果為200，剝離額外流量的預測結(jié)果為160，因此流量因素的系數(shù)就是1.25，進一步剝離促銷因素后的預測結(jié)果為100，所以促銷因素的系數(shù)就是1.6，以此類推可計算出所有因素的影響：

六、鏈路穩(wěn)定性與靈活性

盒馬銷量預測目前已服務于全國百家級店倉，每日百萬量級SKU的補貨作業(yè)，為了保障日常補貨的穩(wěn)定性，應對門店的快速擴張以及新業(yè)態(tài)的產(chǎn)生，銷量預測整體鏈路沉淀了相應的降級策略和響應方案：

穩(wěn)定性方面，除了保障任務本身的穩(wěn)定性之外，針對異常突發(fā)情況制定了相應降級策略，目前降級分為四個等級：數(shù)據(jù)降級主要應對上游數(shù)據(jù)產(chǎn)出延遲的情況，部分數(shù)據(jù)可以取前一天分區(qū)；特征降級主要是在特征構(gòu)造時可舍棄最近一天的信息，避免整體鏈路被單點阻塞；模型降級主要是針對個別模型運行出現(xiàn)問題的時候，有其他模型的結(jié)果可替用；在最后結(jié)果降級部分，算法每天會回流T-1的預測結(jié)果作為當天的備份數(shù)據(jù)，假如遇到更為嚴重的問題就會切換備份數(shù)據(jù)，進而從整體上提高抗風險的能力。

靈活性方面，包括兼容業(yè)務端的變更操作，例如商品的類目切換和部門切換，以及門店所屬子公司的變換，切換前后的相關(guān)數(shù)據(jù)能夠自動關(guān)聯(lián)，避免對模型預測造成影響；另外，對于外部突發(fā)因素也可方便地進行干預，例如公共衛(wèi)生事件，自然災害等，實現(xiàn)結(jié)果的快速調(diào)整響應。

七、結(jié)束語

盒馬業(yè)務目前處于持續(xù)快速發(fā)展當中，豐富的場景和業(yè)態(tài)對銷量預測也提出了更高的要求，需要同時在具體場景和整體框架上進一步打磨：一方面銷量預測需要更加貼近業(yè)務，發(fā)掘并深入研究其中的關(guān)鍵問題，讓算法能更好的服務業(yè)務；另一方面需要研究更加通用的銷量預測框架，流程上更加標準化，沉淀一套完善的解決方案。