2021年6月 供应链预测算法及应用 王桐 阿里巴巴-数字供应链事业部 Outline： • 预测场景及特性 • 预测算法研发路线及结果 • 预测应用案例 GMV预测 预测标的：GMV 提前期：未来1个月、一年 颗粒度： 行业*天*全国，行业 *月*全国 用途：支持整体经营计划（KPI制定，营销资源分配，供 应链资源分配） 评估口径：达成率 real/fcst （离线）商品销量预测：支持补货、调拨决策 （离线）商品销量预测：支持补货、调拨决策 （离线）仓单量预测：支持仓库、配送产能（人力）准备 （离线）GMV预测：支持长期经营计划 销量预测 预测标的：销量（需求） 提前期：未来1~8周 颗粒度： 货品*天*仓 用途：支持采购、补货、调拨决策 评估口径：minmax，加权平均 单量预测 预测标的：交易单/物流单数量 提前期：未来1天，未来1周 颗粒度： 货主*天*仓，行业 *天*仓 用途：支持仓库端人力准备 评估口径：1-MAPE，加权平均 供应链预测场景及特性 T T-1h T-1d T-1w T-4w T-8w T-1y 预测场景细分方式： • 预测标的：GMV、销量、单量、客服呼叫量、云计算请求量等各种不确定的需求 • 提前期：离线（长期（y, m）、中期(w)、短期(d)）、实时(h) • 颗粒度：预测对象颗粒度（店铺、行业、类目；商品、sku、货品；货主、行业）*

浪费不知情  信息化孤岛：能源相关系统独立运 行，无法集中综合管控  园区能效管理粗放，预测不准确， 能源利用率低  缺乏专业的能效管理和节能分析 能效管理 1.0 能效管理 2.0 能效管理 3.0 无有效节能手段 无法实时管理，事后管理为主 技术、数据和业务融合， 事前预测，事中控制，事后追溯 实时监控 事中控制  完成能源计量数据采集，实现状态 监控   实现一定的能耗数据统计分析  单点节能，无系统节能和管理节能 的手段  缺乏能耗预测方法，缺乏节能分析 手段  统一 ICT 资源、统一联接、统一数 据 底座，统一集成平台，实现以业 务 驱动的全融合；  实现完整的能耗数据监控，统计和 分析  系统节能，管理节能  提供多种能效智慧化分析手段，提 供有效的节能建议 5 目录 1. 园区能效管理发展趋势 IAM 、 EI 、 IEF 等 10 个 平台组件。体现了平台 的 集 成性和连接性。 3. 支持：公有云 / 混合云部署。 ...... 能效实时监测 异常告警及处置 能效统计分析 能源运营预测优化 联接 4G/5G Wi-Fi 5/ 6 NB- IoT Etherne t Optical e-LTE …… 端 照明系统 智能电表 空调机组 AHU/VAV 新风机组 制冷主机、冷却泵、冷却塔

运 维 大 会 2 0 1 9 · 上 海 站 监控运维体系规划 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 建设目标&要求 与AI技术结合进行故障、性能及容量的预测， 实现监控智能化 推动规范化、自动化的运维管理流程，提供完 善的故障处理和快速修复机制 实时掌握数据中心整体资产配置使用情况、运 行趋势和健康状况，为决策层提供数据依据 • 及时性 故障在第一时间告警并通知管理员 规则匹配 回溯分析 预设规则 知识库 深度学习 决策树 异常反馈 …… 分析 使用率统计 预处理 过滤 实时告警 阈值判断 历史数据 业务分析 根因分析 趋势分析 故障预测 数据挖掘 大数据分析 dbs api G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 技术架构 Kafka 历史数据 t agent tt Heatbea t-server callback logstash agent logstash agent logstash 心跳、配置同步 redis redis mysql 定时同步 历史查询 历史查询 故障预测 历史查询 历史查询 报表服务 transfer transfer 通知模块 事件处理 自动处理 人工处理 告警处理 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海

智能供应链解决方案 工厂 提高预测精准度 销量预测 产品 生产 总仓 库存预警 预警库存异常状态 库存 管理 分仓规划 合理规划仓网布局 分仓 备货 分仓 平衡仓网库存水平 智能补货 仓间 调拨 门店 门店选址 提高选址成功率 和选址决策效率 门店 管理 消费者 精准营销 为店铺挖潜引流 , 提升顾客转化率 终端 配送 统筹运能资源 合理规划线路 路径规划 7 销量预测 - 逻辑介绍 预测结果 应用 历史销量数据 外 部 数 据 搜索指数 年度销售计划 竞品数据 节假日信息 舆情信息 深度学习 数据 整合 运筹优化 统计学 机器学习 企 业 数 据 算法 内核 订单流向信息 临时促销信息 商品信息 分仓规划 库存优化 铺货建议 生产计划 未 来 趋 势 区 域 分 布 城 市 排 名 销量预测 - 业务特征分析 SKU 分析，作为预测对象 特征提取： 从多源数据提取特征，如关联商品、季节性、节假日、 促销、天气等 销量预测 - 算法模型 Holt-Winters ARIMA Random Forest GBD T SVM RNN 递归神经网络 LSTM 长短期记忆 时间序列 机器学习 深度学习 XgBoos t Exponential Smoothing 销量预测 - 案例 客户痛点

15GW ， 2022 年目标 是新 100GW 2019 2025E 120GW 400GW 资料来源： 2019-2023 年欧盟太阳能光伏市场展望、美国 2019 年光伏市场分析及未来五年预测、券商报告 2019-2027 年全球逐步实现平价， 2025 年起达到 400GW/ 年的增装机量 我们对光伏行业的主要特性进行了研究，并发现存在周期性、季节性、地 域性、规模性的主要特征 为应对 颗粒度么有拉通，在业绩统计和预测、计划和管理报表，均为手工执行，决策支持的准确性和时效性 差。 CRM 客户数据 梳理和 ERP 数 据由集成，当 前新客户源头， 未能实现完全 来源于 CMR ； CRM 和 ERP 的业务数据尚 未能双向互动， MES ， WMS 、 TMS 基础 数据和业务数 据也不能拉通 共享，实时集 成等 目前 SMR 系统 在供应商预测、 能力协同这块 是空白； 需求计划 EXCEL XX 产销协同主流程关键活动分解： M+6 月计划 关键活动 输入 输出 参与部门 支持工具 颗粒度 1.2 制定 M+6 销售需 求 • 销售实单 • 销售预测（ A 类预测） • M+6 月销售需求 • 销售 • 营销运营部 • Excel 产品族，分区域， 限制性物料说明， 需求类型 - 实单 / 预 测，月需求总量 1.4 基地 / 外协电池供 应汇总

智能数字化 供应链 整合数字化 供应链 协同数字化 供应链 预测数字化 供应链 对核心流程进行标 准化 / 数字化管理， 提升运营效率 整合数字化应用，贯 穿横向、端到端的流 程，拓展过程自动化 集成供应链价值链的 业务合作伙伴数字化 能力，形成动态协同 链条 供应链节点深度可视化， 通过互联设备进行实时 预测洞察，实现实物流、 信息流、资金流的交互 搭建供应链节点的数字 端到端合作 智能管理 智慧供应链 发展维度 一、背景分析与领先实践 1.1 智慧供应链内 涵 演变 智慧供应链的演变 可分为五个阶段：核心数字化供应链、整合数字化供应链、协同数字化供应链、预测数字化供应链和智能数字化 供应链，未来的发展维度为用户驱动 / 经验驱动、供应链细分、集成运营、数字能力 / 技术平台、端到端合作、智能管理等。 4 一、背景分析与领先实践 1.2 **** 其他专业业务系统 其他专业业务系统 ERP 计划辅助工具 数据贯通 数据治理 控制塔 四类指挥业务 2 、智能分析 3 、决策管控 标签管理 会议管理 策略管理 1 、实时可见 业务分析 业务预测 三 项 核 心 功 能 业务统计 指标管控 监控预警 流程处理 业 务 流 程 再 造 协议库存 里程碑项目 履约异常处理 库存储量预警 自动推荐履约供应商 多部门会议确认 调拨其余履约资源

零碳园区 --- 智慧能源建设方案 目录 双碳目标 解决方案 园区能源痛点 02 01 03 泛园区 多样化 用户侧 需求管理 n 分布式能源就地消纳能力不足 n 新兴负荷感知和预测不足 n 有效调配和用能疏导能力不足， 需优化后端电网运行 n 绿电不足 n 能效不高 n 电能质量低 设备监测 节能 / 建筑智 能 化 AI 核心算法 能源 IBMS 异常用能诊断算法 冷热站智慧控制算法 多系统耦合节能控制算 法 设备故障评估与预测算 法 智慧运维算法 安全控制算法 寿命预测算法 智能运维算法 优化控制算法 电力交易算法 解决方案 / 产品架 构 边 缘 侧 AI 智能终端 子 系 统 光伏系统 储能系统 充电系统 储能管理 智能辅助决策， 开展分层分级响应 以“强服务”注重用户无感体验，拓展节能降费增值服务， 实现多方共赢 安全控制算法 AI 赋能 优化控制算法 降本、增效、智能 智能运 维算法 寿命预测算法 8 储能 + 以“双碳”为目标，以技术创新为内生动力、以市场机制为根本依托、以政策环境为有力保障，推动新型储能高质量、规模化发展， 为加快构建清洁低碳、安全高效的能源体系提供有力支撑。

物流以人工智 能 算法、机器人及自动驾驶技术为底层支撑，从被动响应转向主动预测与动态优化，通过自主决策与 自 动化执行提升物流全链路效率。 “AI+ 物流”应用场景：贯穿供应链采购、运输、仓配、售后全链路。我们认为，例如运输智能调度、 多式联运智能筹划、突发事件处理、仓储自动化识别分拣、智能客服与交互、需求预测与绩效评估等 场景都具有广泛的应用价值，进一步发掘出物流企业的降本增效潜力。 缺少一站式平台，对客户问题 进行管理、处理 和后续分析 资料来源：数商云科技百家号，顺丰科技官网， 海通证券研究所 全链路管理 请务必阅读正文之后的信息披露和法律声明 决策链长、缺少决策自动化、预测难、复杂场景求解难 5 AI 科技正穿透 ToB 物流全链条，推动降本逻辑从“节流”转向“智能增效”。例如，运输智能调度方 面， 满帮正探索用 AI 提升车货匹配和运力调度的效率， 进一步提升车效。再例如， 应转向主动预测 与动态优化，通过自主决策与自动化执行提升物流全链路效率。 表： “ AI+ 物流” 与 “互联网 + 物流”区别 2. AI+ 物流 vs 互联网 + 物流：主动 vs 被动 维度 互联网 + 物流 AI+ 物流 技术核心 互联网、云计算、大数据 算法、算力等 运用场景 车货匹配、电子运单、资源配臵 需求预测、智能调度、智能仓储、智能客服

一站式服务 物流终端交付 • 新增专用件提前 预告 • 减少 SOP 车型变 更 • 清单准确率提升 • 产销协同，深度 融合 • 订单即时答复 • 五版计划联动 • N+1 月预测比例 提升 • 生产准备控制 • APS 排产排程运 用优化 • 产能框管理，实 现均衡排产 • 车型及零件变更 管理 • 生产、调检计划 管理 • N+1 月订单执行 储备 订单优先级、市场细分、需求日期 动态预测 动态订单 订单 预测 ( 营销预 测订单 ) 低 高 在 制 物 料 库 存 即 将 到 料 在 途 供应商物料到货日期 动态产能 动态库存 i 带约束条件的计算 APS 供给 合约 ( 客户正 式订单 ) 订单计划 • 订单答复 • 订单变更 • APS 交期计算 生产计划 • 生产计划体系 • NO3 计划编排 • NO2 计划预测 • NO4 天零部件需求 按照整车装配顺序，确定每类 零部件配送时间、配送地点、 配送量 03 N+1 月 生产计 划预测 台数 存 量 产销存数据分析 销 量 产 量 • 历史车型月度销量占比 • 年度月销量纲 • N+3 月销量预测 • N+1 月销量预测 • 月度销量目标 • 大客户月度预报 • 历史车型月度、季 度、年度产量占比 • 月度产量平均台数

II 23 Copyright © 2016 by The Boston Consulting Group, Inc. All rights reserved. 鉴于一些关键的宏观驱动因素，我们预测了四个关键的供应链趋势 劳动力成本上升 快速城市化导致广阔的地理范 围 数位化 消费者对服务的期望不断提高 下一代精益供应链 协作 2.0 数据驱动的科学供应链 高度适应的 E2E rights reserved. 新一代精益是关于预测性 / 预防性的：物联网能够在供应链的不同 领域实现预测性诊断 描述 高级分析将实时传感器数据与历史故障模式相结合，以识别 高风险组件并规划维护周期 • 高级远程信息处理数据捕获系统 • 诊断技术融入机器，带来实时信息洪流 • 数据可帮助所有者跟踪其设备、优化利用率和 管理成本 • 算法可预测故障并及早发出警告 好处和影响 • 增加资 更好地控制燃料和维护成本 • 较低的库存水平降低了销售损失并提高了备件可用性 更低的维护成本；减去未计划的 停机时间 更高的设备可用性 维护成本的 1-2% = 其他示例 基于高级服务的预测 性维护降低了系统的 低效率 从售出的每台发动机 发送的排放、遥测和 性能数据 农场设备上的传感器 与实时天气和土壤信 息相结合 实际使用中的用例 Pattern Status % #35