Hema ialah sebuah syarikat yang inovatif dari segi teknologi, dan ia juga merupakan syarikat yang dipacu penggunaan yang kembali kepada nilai pengguna: beli, beli dengan baik, beli dengan mudah, beli dengan yakin dan beli ia dengan senang hati. Hema termasuk Hema Fresh, X Member Store, Hema Super Cloud, Hema Neighborhood dan model perniagaan lain Antaranya, model perniagaan teras ialah integrasi dalam talian dan luar talian, yang terpantas The O2O (. Hema Fresh Food) model yang menghantar produk ke rumah anda dalam masa 30 minit.
Kotak Ma memilih produk berkualiti global dan mengejar kesegaran terbaik menggabungkan ciri kategori dan jangkaan pengalaman membeli-belah pengguna untuk memilih model perniagaan yang paling cekap untuk kategori yang berbeza. Jualan Hema Fresh menyumbang 60% hingga 70%, menjadikannya kategori teras Kategori ini dicirikan oleh ketepatan masa yang tinggi yang diharapkan oleh pengguna, dan sangat sesuai untuk perniagaan seperti Hema Fresh yang membuka kedai berhampiran pengguna.
Sebelum mempertimbangkan model rantaian bekalan yang hendak digunakan, kos logistik dan kos inventori perlu diseimbangkan. Untuk kuantiti barangan yang sama, keseluruhan kos logistik adalah jauh lebih rendah daripada logistik bungkusan, dan perbezaan rantaian sejuk adalah lebih jelas (ketepatan masa penghantaran dan kesan skala tidak dipertimbangkan buat masa ini). Sebaliknya, semakin tersebar inventori, semakin besar ketidakpastian dalam permintaan Jika permintaan pengguna tidak dapat difahami dengan tepat, inventori akan diletakkan di dalam stor terlebih dahulu, yang akan menyebabkan kehabisan stok dan kerugian yang tinggi, iaitu tinggi. kos inventori.
Untuk mencapai pemadanan bekalan dan permintaan yang cekap, pelbagai model perniagaan memerlukan sokongan rantaian bekalan model perniagaan Hema yang disepadukan di bahagian belakang dan berkongsi rangkaian dan inventori seboleh mungkin untuk meningkatkan penggunaan sumber dan meningkatkan kecekapan rantaian bekalan.
1. Kedudukan algoritma rantaian bekalan dalam industri e-dagang
Algoritma industri e-dagang terbahagi terutamanya kepada algoritma asas dan algoritma perniagaan.
Algoritma asas termasuk imej, suara, teks, dsb. Algoritma perniagaan e-dagang secara intuitif dibahagikan kepada tiga jenis Pertama, dari bahagian hadapan (trafik, pengguna * dimensi produk), ia tidak jauh berbeza daripada laman web video dan laman web maklumat, menggunakan kaedah carian, pengiklanan, dan cadangan; dari bahagian tengah (runcit , dimensi komoditi), termasuk ramalan komoditi, harga dan inventori serta algoritma membuat keputusan ketiga, dari bahagian belakang (logistik, dimensi pesanan), termasuk algoritma pemenuhan, pergudangan, pengedaran dan pengoptimuman lain; Algoritma rantaian bekalan yang luas termasuk pertengahan akhir (peruncitan dan ramalan komoditi dan membuat keputusan) dan bahagian belakang (logistik dan pengoptimuman pesanan), manakala algoritma rantaian bekalan sempit hanya merangkumi algoritma pertengahan akhir.
"Kesan bullwhip" merujuk kepada fenomena penguatan variasi permintaan dalam rantaian bekalan, yang menjadikan aliran maklumat Apabila dihantar daripada pelanggan akhir kepada pembekal asal, perkongsian maklumat tidak dapat direalisasikan dengan berkesan, menyebabkan maklumat diherotkan dan diperkuatkan secara beransur-ansur, mengakibatkan turun naik yang lebih besar dan lebih besar dalam maklumat permintaan Kesan penguatan herotan maklumat ini kelihatan seperti a ayunan pada graf Oleh itu, kesan bullwhip dengan jelas dipanggil "kesan bullwhip".
Peruncit ialah perusahaan yang paling hampir dengan pengguna, paling berkebolehan untuk melihat dan memahami keperluan pengguna, dan paling berkeupayaan untuk bertindak balas terhadap turun naik pasaran melalui data dan algoritma.
Peruncitan pada asasnya ialah pemadanan orang dan barangan. Dalam operasi harian sesebuah syarikat, pertama sekali, syarikat akan melancarkan pelan jualan dan strategi Pelan jualan menentukan bekalan, dan kapasiti bekalan menentukan inventori jangka pendek ditentukan melalui inventori dan keupayaan pemenuhan , dengan itu mengawal selia jualan Seterusnya 1 Pelan jualan roda merujuk kepada maklumat sejarah di atas untuk mencapai gelung tertutup lengkap operasi komersial.
Produk berkualiti tinggi adalah usaha berterusan Hema. Untuk memenuhi pengalaman kesegaran muktamad pelanggan, produk Hema mempunyai jangka hayat yang sangat singkat malah menyediakan siri produk segar harian sehari yang hanya memenuhi keperluan harian, meliputi kategori pengguna harian seperti susu, sayur-sayuran, daging dan ayam, dsb. ., menjadi peneraju industri. Perkhidmatan makanan segar segera sangat sesuai dengan permintaan pengguna, tetapi ia juga meletakkan permintaan yang tinggi pada rantaian bekalan.
Tempoh jualan yang lebih singkat bermakna kehabisan stok atau kerugian lebih berkemungkinan berlaku Dalam hal ini, algoritma rantaian bekalan Hema mempertimbangkan Faktor seperti cuaca,. musim, cuti, kebolehgantian produk, aktiviti pemasaran, paparan dalam talian dan luar talian, dsb. telah digunakan untuk membina satu siri model ramalan permintaan berketepatan tinggi dengan ciri Hema, dan inventori dioptimumkan melalui sistem simulasi untuk mencapai pesanan yang sangat automatik sistem, mengurangkan kos buruh dengan ketara sambil mengoptimumkan penunjuk inventori.
Sistem penambahan semula Hema termasuk ramalan permintaan, model inventori, Kawal tiga modul secara dinamik. Bahagian ramalan permintaan menyumbang beban kerja terbesar kerana jumlah data yang besar dan pemprosesan ciri yang kompleks tujuan utama model inventori adalah untuk mengimbangi keperluan pengguna dan kos inventori untuk memaksimumkan faedah secara automatik menjana aktiviti pemasaran untuk produk yang melakukannya; tidak memenuhi jangkaan jualan Dan kawalan aliran, mengurangkan tahap inventori, mengoptimumkan perolehan dan kerugian.
Dalam. dari segi kedalaman teknikal dan inovasi, model rangkaian neural graf heterogen spatio-temporal telah berjaya diperkenalkan ke dalam keperluan ramalan jualan produk, yang telah menyelesaikan masalah kehilangan maklumat yang berlebihan dalam aktiviti pemasaran yang kompleks dan meningkatkan ketepatan ramalan dengan ketara.
Dari segi kesan algoritma, algoritma ramalan Hema memenangi kejuaraan dan naib juara dalam set data utama Kumpulan Alibaba pertandingan ramalan siri masa Keputusan, ketepatan keseluruhan adalah tinggi dan serba boleh.
Dari segi hasil perniagaan, kadar penggunaan pengesyoran algoritma sistem pesanan makanan segar telah stabil pada lebih 96%, dan kecekapan pesanan telah meningkat sebanyak 70% , kadar kerugian dikurangkan sebanyak 30%, dan kadar kehabisan stok dikurangkan sebanyak 25%.
Dari segi pengaruh industri, penyelesaian algoritma Hema yang menyepadukan ramalan, inventori, harga dan kawalan telah berjaya disenarai pendek untuk Anugerah Pencapaian Cemerlang Franz Edelman 2022.
Hema The lelaran laluan algoritma ramalan jualan dibahagikan kepada empat peringkat: model ringkas, model pembelajaran mesin, model siri masa dalam dan model rangkaian graf spatiotemporal. Model ringkas hampir dengan pemahaman perniagaan dan memastikan liputan semua SKU model pembelajaran mesin adalah agak stabil dan mempunyai lebih sedikit outlier, tetapi sangat bergantung pada kejuruteraan ciri dan mempunyai skalabilitas pemasaan yang lemah tidak bergantung pada kilang ciri; mempunyai kurang maklumat pemasaan asal yang hilang, dan mempunyai skalabiliti pemasaan yang kuat Model rangkaian graf spatio-temporal mempertimbangkan korelasi antara komoditi dan pengaruh antara sampel.
Apabila membuat ramalan, maklumat utama untuk ramalan ialah jualan produk, dengan mengambil kira Oleh kerana aktiviti mempunyai kesan ke atas jualan produk, hubungan graf boleh diwujudkan antara produk dan aktiviti di samping itu, faktor lain yang mempunyai kesan ke atas jualan produk juga boleh dimasukkan dalam model graf untuk model ini, setiap tetingkap masa membentuk A graf heterogen jualan produk dan pelbagai ciri dilukis. Semasa proses pengiraan, algoritma seperti GraphSage dan GATNE mula-mula digunakan untuk mengekstrak maklumat graf pada setiap kepingan masa, dengan itu mendapatkan maklumat kemas kini titik, dan kemudian menurunkannya untuk mendapatkan maklumat keseluruhan siri masa. Dalam aplikasi praktikal, maklumat graf adalah maklumat tambahan, dan maklumat utama masih maklumat pemasaan pada masa yang sama, model pemasaan boleh digantikan dengan model pemasaan yang berbeza mengikut senario yang berbeza.
Model inventori ialah. terutamanya dibahagikan kepada Terdapat dua bahagian, yang pertama ialah inventori SKU tunggal, dan yang kedua ialah ringkasan beberapa gudang. Senario unik untuk runcit baharu, rizab selamat merujuk kepada apabila pelanggan berkongsi dalam talian dan luar talian membuat pesanan dahulu dan kemudian mengambil item fizikal, manakala pelanggan luar talian mengambil item fizikal dahulu dan kemudian membuat pesanan dalam talian ialah barang yang dipesan terlebih dahulu oleh pelanggan dalam talian diambil oleh pengguna luar talian, menyebabkan pesanan dalam talian tidak dapat dipenuhi. Oleh itu, dalam senario sedemikian, parameter perlu dikawal Apabila inventori kurang daripada nilai tertentu, jualan tidak akan dijalankan dalam talian untuk mengelakkan risiko tidak dapat dihantar tepat pada masanya.
Membuat keputusan kuantiti pesanan proses dibahagikan kepada tiga langkah yang pertama ialah membahagikan matlamat perniagaan, dan menentukan sama ada produk tertentu harus memberi tumpuan kepada memastikan kehabisan stok atau perlindungan kerugian berdasarkan perbezaan dalam matlamat dan senario perniagaan Kumpulan inventori Sebagai contoh, di gudang kami Terdapat 10 item, 5 daripadanya adalah produk yang hampir-hampir. produk terkini, jadi inferens kelompok inventori diperlukan Langkah ketiga ialah pengiraan kuantiti pesanan optimum, yang menyokong pelbagai Model digunakan untuk menganggarkan kuantiti pesanan.
Disebabkan jangka hayat produk segar yang singkat, walaupun ramalan jualan dan model inventori akan memaksimumkan prestasi model, masih terdapat kes di mana jumlah barang yang sedikit dipesan terlalu banyak atau terlalu sedikit, terutamanya apabila memesan terlalu banyak akan menyebabkan kerugian yang banyak. Oleh itu, dengan mewujudkan sistem kawalan inventori dinamik, kami boleh memantau jualan dalam masa nyata dan mengemas kini keputusan ramalan, menjalankan amaran inventori dan melaraskan inventori melalui promosi dalam talian, kecondongan trafik APP dan diskaun kedai luar talian untuk cuba mengelakkan kerugian yang disebabkan oleh tertunggak inventori. . Kesukaran sistem ini terletak pada peraturan bersama aliran dan harga, yang memerlukan pengoptimuman global bagi keputusan aliran frekuensi tinggi dan keputusan harga frekuensi rendah.
A1: Industri biasanya menggunakan MAPE berwajaran, iaitu ketepatan = 1-(jumlah ralat kumpulan produk/jumlah jualan sebenar)*100%. Ralat ini berwajaran Sebagai contoh, jika jumlah jualan sebenar produk tertentu adalah besar, ralat akan menjadi besar dan sumbangan kepada ralat global akan menjadi besar, yang selaras dengan pemahaman perniagaan.
S2: Pautan ke kertas graf heterogen ruang masa?A2: Terutamanya merujuk kepada idea kertas graf isomorfik ruang-masa ini, digabungkan dengan pemandangannya sendiri, menggunakan graf heterogen. Huang Y, Bi H K, Li Z, et al. STGAT: Memodelkan interaksi spatial-temporal untuk ramalan trajektori manusia[C]//Prosiding Persidangan Antarabangsa IEEE 2019: 6272-6281.
S3: Yang manakah digunakan untuk model ringkas? Adakah ia akan digunakan sebagai penanda aras untuk model lain dan dianggap sebagai nilai tambah?A3: Ia bukan kunci untuk menggunakan model mudah, perkara utama ialah ia boleh merangkumi semua SKU dan digunakan untuk strategi bottom-up. Yang biasa termasuk kaedah purata bergerak mudah, tempoh yang sama minggu lepas, dsb.
Atas ialah kandungan terperinci Algoritma rantaian bekalan Hema dalam amalan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
