94%完美：如何解决2000亿美元库存问题？

全文共2241字，预计学习时长6分钟

图源：unsplash

你知道吗？仅在美国，就有超过2万亿美元的库存，且销售额每增加1美元，就会产生1.4美元以上的库存。这至少多了2000亿美元，甚至还可能更多。

通常原因在于产品库存易过期：产品因过时而贬值、季节性产品应季与否对需求影响很大、其他产品过期或被扔掉，可能有些产品销售期较长，但最终都会被取而代之。由于储存需要成本，所以只要有库存，成本就很高。

如今顾客有越来越多的选择——他们也充分利用产品的多样性，无论是在B2B领域还是B2C领域，顾客都比以往更加挑剔。新的分析技术可以解决这一问题，同时还可削减10%甚至更多的无用库存。

回顾与展望

库存过剩的原因很简单：因为一直回顾过去，所以供应链运行慢。没错，即便在2020年，即便有新冠疫情，潜在的问题还是基本没有改变。

图源：作者

许多公司仍然使用传统的目标库存水平(TSL)模型来决定库存，简单来说就是 “卖一得一”，即“再补给的世界”。同时，需求的高度不确定性要求库存经理以高于必要的库存安全边际率运营。

推动库存而不是让市场需求拉动库存：导致在货物过期后仍有大量滞销库存，存储成本高昂。我们该如何预先准确确定目标库存水平，并每日更新？

随着新冠疫情爆发，市场的季节性及不可预测性越来越突出，所以需要新模型——预测每种产品的需求；实时学习以吸纳新的市场因素；跟踪规则，以便正确实施规则。

示范规则包括供应链调度、产品重新排序频率、从订购新产品到收到新产品的提前期、最小订单量、供应商可靠性以及成本结构。

回顾的意思是储存之前销售的产品，比如去年或上个月；展望的意思是储存预计会销售的产品。两者听起来相似，却有天壤之别。一个是管理层手动设定目标、审查规则，另一个是顾客通过数据和系统直接自主推动决策。那么如何管理呢？

机器学习解决2000亿美元问题

了解得越多，就越会意识到答案并不唯一。存在太多特定的商业规则、地区相关变量以及不同产品、大小、时间等造成的销售差异，所以我不再专注于回答单一问题，而是关注用动态机器学习的动态工具来取代传统的TSL。

我在工作台上测试了6种不同的B2C补货方法：

图源：作者

假设我们知道商店之间的需求分布，每个商店有平均20%的可变性，简单起见，假设在此期间不打折不促销。结果显示，机器学习的销售业绩比传统TSL高9到25个百分点。

最强辅助？人力输入

如果商店管理人员编辑由机器生成的库存分配建议，结果会进一步改善。事实上，机器和管理人员同时工作时，模型预测可以达到理论上完美销售业绩的94%:

图源：作者

下图为销售件数百分比，这一数据取决于当时的库存满足总需求的能力：

图源：作者

如上图所示，随着预测误差增加，要想满足100%的需求就需要更多库存。比如，凭借准确的预测，可以用100%的库存完成100%的潜在销售。但是逊色一点的方法会逐渐需要120%、140%的库存等等。这就是为什么在美国，销售额每增加1美元，平均库存会增加1.40美元甚至更多！

下图为销售周期结束时的库存余量：

图源：作者

如果在给定时间内，总的可获得性少于（或多于）所需，动态TSL的总体库存覆盖会与总体预测结果的基准曲线产生10%的偏差，导致缺货。预付60%（人工输入）及预付30%（无人工输入）时会产生这种偏离理想结果的现象，而采用静态补货政策时，结果几乎立刻偏离。

预测准确性越低，销售曲线越偏离平分线，如下图所示，静态TSL会造成总共约63%的损失。

图源：作者

关键学习

虽然是一些技术性的见解，但真的很有趣：

· 静态库存分配几乎从来行不通，结果甚至可以说是惨不忍睹。静态库存分配几乎不能满足某些地方的需求，还会导致其他地方库存过剩。

· 简单的预测，如传统的TSL预测，不足以从现有库存中获得最佳利润。做出最佳库存预测的唯一有效方法是定期向模型中输入新数据，这样模型就可以学习并优化计算。

· AI与人类专家协同工作可达到的效果是AI本身无法企及的。当店员可以输入业务规则、指定补充结果并对结果进行评级时，人工智能才能做出接近于“完美预测”的库存分配，从而为每个商店的每个产品带来高度优化的库存水平。

目标库存水平（TSL），建立了一个固定的、定期的供应指令。但随着库存过剩导致利润缩水，其局限性显而易见。当考虑到旧的库存管理系统利用哪些因素来确定库存数量时，它们的局限性也就不足为奇了。旧系统采用历史数据，这固然没错，但忽略了一些非常重要的外部因素，如市场趋势、市场竞争以及天气。

传统的库存管理解决方案利用公式得出数据，但这不是未来库存管理的发展方向。依赖公式确定需求不仅缺乏灵活性，还有损商业价值。传统的、基于公式的库存管理解决方案以公司为中心，没有考虑到顾客通过网络、社交以及竞争市场所表达的观点。

希望机器学习和管理人员合作愉快！