利用 Lokad 执行面向零售网络的库存预测

复杂类别实现全面自动化

Lokad 导入历史销售数据后可直接生成库存预测；非常直接。在使用 Lokad 生成预测时，不需要进行任何类型的统计配置。这就使得用户在使用 Lokad 时非常容易上手，对于不具备任何统计技能的用户也不例外。 尽管手动介入有望保证预测正确进行，但此举是无休无止的：有太多产品，也有太多店面。 许多传统预测解决方案提供了“调整”预测的能力，但就百货零售而言，我们一再发现此类功能被严重误解。尽管手动介入有望保证预测正确进行，但此举是无休无止的：有太多产品，也有太多店面。只有全面自动化才是唯一的解决之道。

Lokad 独特的预测技术运用了产品之间的相关性。在考量单一产品时，总是缺乏足够的历史数据。幸好有很多公司常常同时销售成百上千种产品，通过利用产品目录中其他商品的所有模式，Lokad 消除了手动“调整”预测的复杂需求。这虽然可能被看做不受欢迎的“暗箱”行为，但根据我们的经验，即使是简单的线性预测模式，在零售网络中也存在类似暗箱的行为，因为没有足够的时间手动检查更多结果，最多只能检查每天生成的一小部分结果。

传统预测系统也受到边缘案例的困扰：产品的销售历史记录少之又少，产品的销售量太少，产品的季节性情况不明了等等。我们的预测技术涵盖所有产品，可确保全面覆盖所有产品类别。

针对间歇式需求实现高服务水平

在店面级别，绝大多数产品具有间歇式需求模式，每天只售出少量不同的产品。然而，即使产品每周只售出一次，大部分零售商也会想方设法提供高服务水平以保持客户满意度。借助分位数预测技术，即使是对于很少售出的产品，Lokad 也能提供准确的库存预测结果。

传统预测解决方案依赖于传统预测，也即依赖于中位数预测，换言之，就是有 50% 的机会高于或低于未来需求的预测。但传统预测在店面级别是行不通的，因为绝大部分产品每天售出还不到一次。 Lokad 预测技术直接解决了这样一个简单的问题：要达到 Y 服务水平，需要持有多少件 X 产品？ 有些预测工具试图通过每周乃至每月预测，然后将较高级别的预测分解成零碎的预测，以此来解决这个问题，但这种方法所产生的误差之大相当惊人。针对库存优化使用传统预测将导致从错误的角度来解决问题。

Lokad 开发了一种面向零售业的统计预测技术，这种技术直接解决了这样一个简单的问题：要达到 Y 服务水平，需要持有多少件 X 产品？Lokad 没有尝试采取非常间接并且非常不准确的途径来回答这个问题，因为这样一般会涉及到中位数预测和安全库存，而是通过分位数预测来提供直接的答案。由于 Lokad 预测方法很直接，不像传统预测一样间接，所以分位数预测所实现的库存绩效远超利用传统方法获取的绩效。

扩展到成千上万的店面

为成千上万的店面提供高级统计预测可能需要巨大的处理能力。Lokad 通过使用 Microsoft 的云计算平台 Microsoft Azure 来提供这样的处理能力。我们凭借在 Lokad 方面的出色工作，于 2010 年获得了Microsoft 授予的首届“Azure 合作伙伴奖”。

具体地说，Lokad 采用了一项称为“自动扩展”的技术，一需要 Lokad 执行预测工作，我们就会在 Microsoft Azure 上动态配置服务器（可能有数百台，取决于零售网络的规模），并立即使用这些服务器在不到 60 分钟内就能获得预测结果。计算一完成，所有服务器将立即解除配置。

由于库存预测几乎从不需要每天执行一次以上，所以自动扩展可以将硬件成本直接降低 24%；客户将从中受益。但是，硬件成本的降低实际上是源于我们开发了面向高性能处理零售数据的技术。

仓库级别的复杂采购策略

店面级别的再订货过程一般相对简单，但仓库级别的采购策略可能异常复杂。借助 Lokad 的脚本引擎，可以将常规需求预测转化为相应的采购订单，而且在订单中会考虑价格间断、运费、仓库容量、交付周期变化等等。此外也可以利用 Priceforge 来建立经理所需的所有高度特定于行业的 KPI，来跟踪零售网络的总体库存绩效。