起 源

京東預測技術最早應用于圖書品類管理，用以解決其業務規模化發展的需要，通過技術手段助力業務爆發式增長。

伴隨著人工智能技術的發展，預測技術從最初幫助圖書品類采銷人員預測銷量、自動補貨，到現在已經應用于京東商城全品類商品運營。以消費品類為例，超過80%的訂單是由系統自動下單補貨。補貨效率提高，庫存現貨率提高，貨物周轉周期降低，發揮更精細的商品運營能力。

發 展

京東預測系統根據業務需求主要衍生出以下三大類別：

銷量預測：基于歷史數據和統計學習模型，對商品未來的銷量進行預測，給出商品采購、調撥等建議；銷量預測同時也是支持智能補貨的重要依據。

單量預測：主要針對物流單量的預測，比如在大促來臨時，預測系統會預測出某個倉甚至某個站點未來會迎來多少單量，然后根據預測數據安排相應的人力、物力；除此之外，售后客服單量預測系統能夠預測小時內的咨詢量數據。

GMV預測：預測未來一段時間內GMV的發展情況，支持到商品顆粒度，為財務計劃的制定提供依據。

以近幾年大促為例，在大促前期，根據預測系統的預測數據，倉配部門提前準備好充足的產能，等到大促開始，就可以直接將這些商品運往離客戶最近的配送站，有效縮短了原本相對較長的供應鏈，大大提高對用戶的響應速度，消費者能夠明顯感受到商品配送的速度越來越快。與此同時物流配送峰值壓力也在逐漸減小，雖然交易量在逐年翻倍，而爆倉發生次數卻越來越少，這得益于背后京東在優化供應鏈上取得的成果。

非促銷期的銷量預測一般使用基線預測系統，而有促銷條件則使用促銷預測系統，模擬促銷規則，預測商品會有多少銷量，反過來也可以結合GMV預測，給采銷促銷規則的建議。

預測系統架構

數據經過基礎數據加工層后到達核心業務層，也是預測系統的核心部分。這之中特征構建、核心算法、預測結果加工彼此不發生任何交集，通過時間序列、機器學習、神經網絡等人工智能技術對數據的處理分析，最后計算出預測結果推送給下游系統使用。

預測系統核心技術選型

每提升1%的預測準確度就可以節約數倍的運營成本，因此預測技術最關心的問題只有一個——如何持續提升系統預測準確度？

最直接有效的答案是分類細化。如生鮮產品較之于空調就需要使用完全不同的算法模型，生鮮產品的場景要求備貨周期短、配送速度快，而空調從生產到提貨就需要很長的周期，另外對于此類不斷迭代的產品，還要關注其產品生命周期的管理；比如今年夏季中國東北的異常高溫使得北方市場空調、風扇銷售量激增，此類偶發因素也需要及時加入到模型算法中。

更有特別品類如服裝，不能僅基于歷史數據考慮，還需要加入網絡搜索熱度指數、時尚指數等指標參數。算法工程師需要深入了解業務、了解這些影響市場和商品發展的因素，一個高效準確的系統才算可用，并能持續提升預測系統準確度。

但在京東如此龐大規模的業務量下，每新增一項業務就要重新構建一套算法和相輔的系統效率太低。高效的方法是按照積木理論原理，打開業務環節之間的強耦合關系，使之成為一個個可拆分、可配置、可組裝的插件。預測系統將核心的流程進行拆分，形成一個個靈活的組件模塊，當有新的業務變動，只要針對某一部分進行改動和重組，就可以立刻投入使用。

組件化的京東預測平臺不僅提供內部業務使用，也同時開放給了外部的生態合作伙伴，如果外部用戶也想進行銷量預測，只需要提供相應的數據接入整個平臺系統，不需要再進行二次開發，就能得到可用的預測數據。

未  來  

預測技術是整個供應鏈管理的起點，京東智能預測平臺未來的優化將會朝著以下幾個方向達到更智能協同的要求：

      預測平臺的豐富，完善數據處理的方式和方法，增加更多可用的算法模型嵌入進平臺中

      提高業務豐富度，支持業務方多元化需求，強化積木賦能

      提高技術、系統復用性，在積累上創新

增強上下游系統互動，從業務價值角度出發，更有針對性的優化算法，完善評估指標

此文系作者個人觀點，不代表羅戈網立場

-END-