背景
在日趨激(ji)烈的(de)(de)(de)(de)市(shi)場競(jing)爭中(zhong)，服裝(zhuang)產業(ye)的(de)(de)(de)(de)每一(yi)個環節(jie)(jie)都呼喚(huan)更加精細化的(de)(de)(de)(de)管理，以(yi)達(da)到降本增效的(de)(de)(de)(de)目的(de)(de)(de)(de)。在服裝(zhuang)銷(xiao)(xiao)售(shou)環節(jie)(jie)，廣東志(zhi)華(hua)軟件科(ke)技有限(xian)公司（以(yi)下(xia)簡稱“志(zhi)華(hua)軟件”）亟需(xu)在其軟件中(zhong)添加銷(xiao)(xiao)售(shou)預(yu)測(ce)功能。該(gai)功能將(jiang)幫(bang)助服裝(zhuang)企業(ye)預(yu)測(ce)市(shi)場趨勢，根據(ju)(ju)預(yu)測(ce)結果(guo)實現(xian)智能配貨，節(jie)(jie)省因為(wei)缺貨導致的(de)(de)(de)(de)調貨成(cheng)本，以(yi)及根據(ju)(ju)預(yu)測(ce)結果(guo)調整(zheng)營(ying)銷(xiao)(xiao)策(ce)略，從而讓服裝(zhuang)企業(ye)更好地適應市(shi)場需(xu)求。志(zhi)華(hua)軟件在有限(xian)資(zi)源情況下(xia)，通過與 AWS 算法工程師、數據(ju)(ju)科(ke)學家合作共創算法，利用(yong) Amazon SageMaker 部署(shu)算法、訓練模(mo)型，并在 AWS 團隊(dui)的(de)(de)(de)(de)幫(bang)助下(xia)將(jiang)算法工程化，集(ji)成(cheng)于應用(yong)系統中(zhong)，最終(zhong)實現(xian)了銷(xiao)(xiao)售(shou)預(yu)測(ce)功能。
銷量預測的基本原理及方法(fa)
銷(xiao)量預測(ce)是通過對歷史的(de)(de)銷(xiao)售數據和(he)相關的(de)(de)影響因素進(jin)行分析(xi)建模，利用模型來預測(ce)未來的(de)(de)銷(xiao)量。其中相關的(de)(de)影響因素，通常包(bao)括促銷(xiao)、廣告、價格、庫存(cun)、節假(jia)日、競品信息等。銷(xiao)量預測(ce)是一個時間序列預測(ce)的(de)(de)問題，從方法上可以(yi)分為(wei)以(yi)下幾類：
傳統時間序列預測：主(zhu)要通過時間序列的自(zi)相關(guan)性對未(wei)來(lai)值進(jin)行(xing)預測 ，比如 Moving Average（MA）類，ES，ARMA，ARIMA 等。
機器學(xue)習類：從特征工(gong)程著手，通過時(shi)間滑(hua)窗將歷史數(shu)據轉(zhuan)化(hua)為(wei)特征，從而將時(shi)序問(wen)題轉(zhuan)化(hua)為(wei)經(jing)典的回歸問(wen)題，比如 LightGBM，GBDT，CatBoost 等(deng)。
神經(jing)網(wang)絡類：使(shi)用神經(jing)網(wang)絡構建模型，比(bi)如 DeepAR，Transformer，MQ-CNN，TFT 等。
機器學習類(lei)和神經網絡類(lei)通(tong)常(chang)是在(zai)所有(you)(you)時(shi)(shi)(shi)間序(xu)列上聯合訓(xun)練單(dan)個模型，如(ru)果(guo)在(zai)一(yi)段時(shi)(shi)(shi)間內有(you)(you)許多相(xiang)似(si)的(de)時(shi)(shi)(shi)間序(xu)列，聯合訓(xun)練可能是有(you)(you)益的(de)。在(zai)銷量預(yu)(yu)測的(de)任務上，效(xiao)果(guo)通(tong)常(chang)優于傳統(tong)時(shi)(shi)(shi)間序(xu)列預(yu)(yu)測的(de)方法。
對(dui)不同的(de)預測(ce)場(chang)景，最(zui)優模(mo)型(xing)可能不同。志華技術團隊經(jing)過與 AWS 團隊的(de)討(tao)論以(yi)及技術預演，決定采用 AutoML 的(de)方式，在(zai) AWS 云上通過 SageMaker 運行 AutoGluon 機器(qi)學習訓練(lian)框架，根據(ju)模(mo)型(xing)效果(guo)，選(xuan)擇不同場(chang)景下(xia)的(de)最(zui)優方案，實現銷售預測(ce)功(gong)能。
算法技術選型
AutoGluon 介紹
AutoGluon 是亞馬遜推出了開源代(dai)碼庫，它可(ke)以(yi)自動執行機器學(xue)習(xi)任務(wu)，使您能夠輕松地在應用程序(xu)中實現強大的預測性能。只需幾行代(dai)碼，您就(jiu)可(ke)以(yi)在圖像(xiang)、文本(ben)、時間序(xu)列和表格數據上訓(xun)練和部署高(gao)精(jing)度機器學(xue)習(xi)和深度學(xue)習(xi)模型。
由于銷(xiao)售數(shu)據是一(yi)種典型(xing)(xing)的(de)時(shi)間序(xu)列數(shu)據，因此我們采用(yong)(yong) AutoGluon 算法進(jin)行銷(xiao)售預(yu)測。AutoGluon 可以根據歷史數(shu)據和其他相(xiang)關協變(bian)量預(yu)測多個時(shi)間序(xu)列的(de)未來值。一(yi)次調用(yong)(yong) AutoGluon TimeSeriesPredictor 的(de) fit() 方法即可訓練多個模型(xing)(xing)以生(sheng)成準(zhun)確的(de)概(gai)率預(yu)測，并且不需要您手動處(chu)理模型(xing)(xing)選擇和超參數(shu)調整等繁瑣(suo)問題，如下列代碼所示：
from autogluon.timeseries import TimeSeriesDataFrame, TimeSeriesPredictordata = TimeSeriesDataFrame('//autogluon.s3.amazonaws.com/datasets/timeseries/m4_hourly/train.csv')predictor = TimeSeriesPredictor(target='target', prediction_length=48).fit(data)predictions = predictor.predict(data)在底層，AutoGluon 結合了各種(zhong)最先進的(de)(de)預(yu)測(ce)算(suan)法。其中(zhong)(zhong)包括(kuo) StatsForecast 和 statsmodels 庫中(zhong)(zhong)的(de)(de) ETS 和 ARIMA 等(deng)已建立(li)的(de)(de)靜態(tai)方法，基(ji)于 AutoGluon-Tabular 的(de)(de) LightGBM 等(deng)高效的(de)(de)基(ji)于樹的(de)(de)預(yu)測(ce)器，以及 GluonTS 中(zhong)(zhong)的(de)(de) DeepAR 和 Temporal Fusion Transformer 等(deng)靈活的(de)(de)深(shen)度學習(xi)模型(xing)。
Amazon SageMaker 介紹(shao)
Amazon SageMaker 是亞馬遜云科技推出的一款全托管的機器學習平臺（包括傳統機器學習和深度學習），它覆蓋了整個機器學習的生命周期，如下圖所示：
SageMaker 支(zhi)持豐富的(de)機器學習框架，例(li)(li)如 TensorFlow，PyTorch，MXNet 及 AutoGluon 等。與此同時，SageMaker Pipeline 功(gong)能幫助構(gou)建的(de)持續(xu)集成和(he)持續(xu)交付（CI/CD）服務，大(da)大(da)提升了(le)算(suan)法開(kai)發效率。下圖是一個 Pipeline 的(de)例(li)(li)子：
在具體(ti)實(shi)現上，AWS 團(tuan)隊與志(zhi)華軟件(jian)的(de)(de)(de)技術團(tuan)隊合作(zuo)，逐(zhu)步完(wan)善了(le)數(shu)據(ju)處(chu)理邏輯和(he)特(te)征(zheng)工程，比如缺失值的(de)(de)(de)處(chu)理，促(cu)銷的(de)(de)(de)類(lei)型，價(jia)格特(te)征(zheng)的(de)(de)(de)構造等(deng)，進一(yi)步提升模(mo)型效果。此外，AWS 團(tuan)隊根據(ju)實(shi)際情況優化了(le) Pipeline 數(shu)據(ju)處(chu)理步驟，讓志(zhi)華軟件(jian)普通(tong)業務人員也能夠通(tong)過 Amazon SageMaker 的(de)(de)(de)界面配置參(can)數(shu)，使 Pipeline 可以(yi)靈活的(de)(de)(de)選擇(ze)模(mo)型特(te)征(zheng)和(he)預測(ce)區間(jian)，以(yi)適用不同的(de)(de)(de)銷量預測(ce)場景。
如下圖所示，志華軟件普(pu)通業務人(ren)員(yuan)根據業務需求，通過(guo)配(pei)置參(can)數訓練模型。
整體(ti)方案架構
影響銷售預測算(suan)法預測準(zhun)確度的核心是(shi)數(shu)據(ju)，到隨著預測算(suan)法的深入(ru)應用，數(shu)據(ju)的準(zhun)備(bei)是(shi)一(yi)項日常工作；另外，預測結果如(ru)何與 ERP 系統(tong)集成也(ye)是(shi)一(yi)個亟待解決的問(wen)題。
由(you)于銷售數(shu)(shu)據保存在生產系(xi)統的 RDS for MySQL 數(shu)(shu)據庫(ku)中(zhong)，同時開發(fa)運(yun)維人員(yuan)非常熟悉 SQL，因此通過 SQL 語(yu)句(ju)準備訓(xun)練數(shu)(shu)據，解決方(fang)案以(yi)某種技(ji)術手段自動拉取數(shu)(shu)據，輸(shu)入到 Amazon SageMaker 算(suan)法模型訓(xun)練流(liu)水線中(zhong)是開發(fa)運(yun)維人員(yuan)系(xi)統希(xi)望采(cai)用(yong)的方(fang)式。考慮到最大限(xian)度減少維護成本，志華團隊與 AWS 解決方(fang)案架構(gou)師討論(lun)，決定采(cai)用(yong)無服(fu)(fu)務器化服(fu)(fu)務進(jin)行架構(gou)。
首先，我(wo)們選擇 AWS Glue 作為 ETL 的(de)工具。AWS Glue 是一(yi)種無服(fu)務器化的(de) ETL 服(fu)務。在本方案(an)中，由于(yu)銷(xiao)售(shou)數據具有(you)時效性，我(wo)們通(tong)過定時觸發 Glue Job 將數據從 RDS 導(dao)入到指定的(de) S3 存儲桶中。
第二，當 Glue Job 完成 ETL，任務的狀態(tai)變(bian)更觸(chu)發 Eventbridge Rule，通過 Lambda 啟動訓練(lian)流水線。
第三，當(dang)模型訓練完成(cheng)，系統觸發 Glue Job 將推理結果保存到 RDS 數(shu)據庫(ku)。
最后(hou)，我們(men)得到以下整(zheng)體(ti)解(jie)決方案，實現了端(duan)到端(duan)的(de)集(ji)成，即數據從 RDS 中(zhong)來，推理結果又保存回 RDS，將(jiang)推理結果保存到 RDS 中(zhong)有利于后(hou)續應用集(ji)成。方案架構如下圖(tu)所(suo)示：
方案優勢(shi)及收益
在(zai)系(xi)統運(yun)維層面(mian)，由(you)于采用 SageMaker 作為模型(xing)訓練(lian)及(ji)(ji)推(tui)理(li)平臺，僅在(zai)模型(xing)訓練(lian)及(ji)(ji)推(tui)理(li)時候存在(zai)費用。由(you)于本方案(an)采用無(wu)服務(wu)器化設計，運(yun)維人(ren)員無(wu)需進(jin)行服務(wu)器的運(yun)維工作。
在(zai)與 ERP 系(xi)(xi)(xi)(xi)統集成(cheng)方(fang)(fang)面，本解決(jue)方(fang)(fang)案通過(guo)批(pi)量推(tui)理的(de)方(fang)(fang)式(shi)一次性地(di)將結果寫入 RDS 關系(xi)(xi)(xi)(xi)型數據庫，方(fang)(fang)便(bian) ERP 系(xi)(xi)(xi)(xi)統開發人員對推(tui)理結果做(zuo)集成(cheng)，例如可以通過(guo) SQL 語(yu)句就可以查(cha)詢某個 SKU 在(zai)未來某一天的(de)銷售(shou)預測情況，并且預測結果保存在(zai)關系(xi)(xi)(xi)(xi)型數據庫中也方(fang)(fang)便(bian)與現有的(de) BI 系(xi)(xi)(xi)(xi)統做(zuo)集成(cheng)。
在(zai)業務方面，通過方案的部署，志華(hua)軟件(jian)可以獲得服裝(zhuang)在(zai)某(mou)個區域的銷(xiao)售趨勢(shi)以及服裝(zhuang)未來一周內的某(mou)個服裝(zhuang)商品的銷(xiao)量預(yu)測(ce)。這幫助志華(hua)軟件(jian)添(tian)加(jia)產(chan)品特色，是 ERP 銷(xiao)售新(xin)的亮點，目前志華(hua)軟件(jian)已經將該功(gong)能部署于幾個客(ke)戶當中(zhong)。
未(wei)來展望
AI 技術在企業(ye)的銷售計劃、商(shang)品計劃和經營管理分析中扮演著重(zhong)要(yao)角色。利(li)用大數(shu)據分析，AI 能夠(gou)獲取精準的市場(chang)數(shu)據，并借助其強大的分析能力和算法(fa)優(you)勢提高操作效率和準確(que)性。
（1）銷售計劃方面：AI 自動化(hua)生成報告和(he)(he)分析結果，同(tong)時監控市(shi)場(chang)變化(hua)并及時調(diao)整銷售計劃，提升精準度(du)(du)和(he)(he)反應速度(du)(du)。
（2）商品(pin)計劃(hua)方(fang)面：通過實時監測庫(ku)存水平和市場(chang)(chang)需求變(bian)化(hua)，AI 自動生(sheng)成最(zui)優(you)采(cai)購計劃(hua)以(yi)保證庫(ku)存充足且(qie)不造(zao)成過度存貨，并幫助企業更好(hao)地(di)解市場(chang)(chang)需求和客戶行(xing)為(wei)。
（3）經(jing)(jing)營(ying)管(guan)理(li)方(fang)面：通過預測銷量(liang)輔助(zhu)企(qi)業(ye)經(jing)(jing)驗管(guan)理(li)，AI 實現優(you)化生(sheng)產計劃(hua)、提升客戶滿(man)意度、優(you)化供(gong)應鏈管(guan)理(li)以及提高運營(ying)效率等多(duo)個關(guan)鍵作用(yong)。
AI 銷量預測具有強大的(de)優勢，在銷售計劃、商品計劃和經營管理分析等方面帶來(lai)高(gao)效性和精準性，讓企業(ye)能(neng)夠更(geng)加順暢地(di)進行各項(xiang)操作(zuo)，實現(xian)持(chi)續(xu)增長和發展，進而獲得(de)更(geng)大的(de)成功(gong)。
志華(hua)軟件(jian)通過與 AWS 團隊的(de)(de)合(he)(he)作實現銷售預測功能，并應用(yong)于一些客戶的(de)(de)日常(chang)使用(yong)中(zhong)。在項目(mu)過程中(zhong)，雙方有更(geng)深(shen)的(de)(de)相互(hu)了解，希望(wang)后續針對 AI/ML 加(jia)強(qiang)合(he)(he)作，特別是(shi)生成式 AI 在行業中(zhong)的(de)(de)應用(yong)做更(geng)多的(de)(de)探索。
轉(zhuan)載：//aws.amazon.com/cn/blogs/china/how-f18erp-leverages-aws-services-for-sales-forecasting/