出售企业网站备案资料,网站建设江门,装饰,百度导航和百度地图2024 年度总结系列
2024 年 10 月#xff0c;京东零售供应链技术团队凭借其在库存选品与调拨技术上的创新与实践#xff0c;荣获运筹与管理学领域的国际顶级奖项 Daniel H. Wagner Prize。本文为您介绍获奖背后的供应链技术创新和落地应用。
00 摘要
在电商行业中#x… 2024 年度总结系列
2024 年 10 月京东零售供应链技术团队凭借其在库存选品与调拨技术上的创新与实践荣获运筹与管理学领域的国际顶级奖项 Daniel H. Wagner Prize。本文为您介绍获奖背后的供应链技术创新和落地应用。
00 摘要
在电商行业中供应链管理和履约效率对于确保客户满意度至关重要。京东在这一领域一贯表现出色得益于完善的物流基础设施超过 90%的自营订单可在 24 小时内完成履约这一快速交付承诺显著提升了客户满意度并使京东在竞争中脱颖而出。
今年 10 月的 INFORMS 年会上京东零售供应链技术团队凭借其在库存选品与调拨技术上的卓越创新与实践荣获备受瞩目的 Daniel H. Wagner Prize。这是继今年 4 月荣获 2024 INFORMS Prize 之后时隔半年京东再次获得运筹与管理学领域的国际顶级奖项。美国运筹与管理科学学会INFORMS, Institute for Operations Research and Management Science是国际最具影响力的运筹与管理科学学会。
京东零售供应链技术团队提出了一种数据驱动的库存选品和调拨算法有效提高了京东供应链管理和履约效率。在包含区域配送中心RDC和前置配送中心FDC的两级配送网络结构下FDC 可存储的商品范围往往有限如何确定 FDC 的选品范围以及如何优化 RDC 到 FDC 的库存调拨策略对履约效率有直接的影响也同时影响客户体验。针对库存选品问题京东通过分析过往订单中的商品关联购买情况结合需求预测技术提出了高效的选品算法来最大化本地订单满足率和 211 达成率从而提升用户体验。
针对库存调拨问题京东设计并应用了一种全新的端到端调拨算法将需求预测、迭代优化和仿真模拟等功能模块集于一体直接输出现货率最高、仓配成本最低的库存调拨方案同时使方案具有较强的可解释性为库存管理过程提供了更清晰、更科学的决策支持。
基于该技术的选品和调拨算法已上线应用显著降低了京东各仓的缺货损失和履约成本提高了现货率每年为超千万订单提供了更快的履约时效。这些都极大提高了京东供应链运营效率和客户服务水平也彰显了数据驱动的优化技术在解决复杂、大规模供应链问题中的潜力。 01 概述
京东作为全球最大电商公司之一通过实施数据驱动的库存选品和调拨算法策略有效提升了供应链管理和履约效率。利用前沿的人工智能和运筹分析技术京东优化了其供应链和订单履约流程从而提高了客户满意度。在电商行业中供应链管理和履约效率对于确保客户满意度至关重要。京东在这一领域一贯表现出色得益于完善的物流基础设施超过 90%的自营订单可在 24 小时内完成履约这一快速交付承诺显著提升了客户满意度并使京东在竞争中脱颖而出。
京东采用包含区域配送中心RDC和前置配送中心FDC的两级配送网络。八个 RDC 是大型仓库园区储存的 SKU 范围最为全面定位于服务整个区域。而 FDC 更靠近客户致力于提供快速履约能力但 FDC 容量相对较小要依赖于 RDC 的每日调拨来进行补货。两级配送网络如下图所示。 当客户订单下达时如果 FDC 有足够的库存则会从相应的 FDC 发货履约。如果 FDC 缺货则会由 RDC 发货这会因较长的距离和潜在的延迟交付导致的销售损失而增加额外成本。由于 FDC 对于快速履约的重要性以及存在容量限制的问题FDC 的选品以及 FDC 和 RDC 的库存管理和调拨任务对于维持履约效率至关重要。我们的目标是最大化 FDC 履约率最小化 FDC 和 RDC 的销售损失并减少库存调拨成本。
该问题的难点有以下几个1单个 RDC 服务于多个 FDC且 RDC 还有其自己的服务区域来进行订单履约因此需要非常精细的选品和调拨策略来平衡 RDC 的自身需求和各 FDC 的库存转移。这其中还涉及各种业务约束如 FDC 的容量限制、物流能力和销售计划。2京东管理着海量、全类别的 SKU要求算法具备通用性和可扩展性。3FDC 的需求相对稀疏波动性大增加了需求预测的复杂性。4选品和调拨决策必须考虑未来的不确定性以适配长期的销售计划并减少意外事件带来的风险。5预测算法需要具备可解释性从而提升算法结果的采纳度对于协调供应链上下游各环节至关重要。
为应对这些挑战本文提出了一个综合优化模型目的在于最大化本地订单履约率最小化 FDC 和 RDC 的销售损失和库存调拨成本同时满足各种业务约束。由于问题的复杂性即使是具有确定性需求的静态版本也是 NP-complete 问题。此外由于 RDC 管理的 SKU 规模有数百万问题规模相当庞大因此我们将问题分解为两个子问题库存选品问题和库存调拨问题。选品问题决定了哪些 SKU 应在 FDC 存储这反过来影响调拨问题中的仓库容量使用和运输需求。选品决策也会影响 FDC 理论可实现的服务水平。此外选品方案的质量直接影响调拨方案的质量。整个决策流程如下图所示。 在选品子问题中我们需要决定某特定时期例如一周内在 FDC 存储哪些 SKU从而在满足容量限制的前提下最大化 FDC 的订单履约数量。该子问题面临两个关键挑战一是预测未来订单结构非常困难二是即使有精确的未来订单信息对应的整数规划问题也是 NP-hard 的。此优化问题可视为在容量限制下最大化超模函数的特殊情况通常难以直接求解。为此我们提出了两种启发式算法ML-Top-K 和 Reverse-Exclude。ML-Top-K 算法利用机器学习技术预测购买每个 SKU 的订单数量并根据这些预测选择前 K 种产品。Reverse-Exclude 则根据历史订单频率用反复迭代的方式依次淘汰最不畅销的 SKU。数值实验表明与以前的方法相比这两种方法均实现了更高的订单满足率。
在确定了每个 FDC 中存储哪些 SKU 后第二个子问题是库存调拨问题即确定从 RDC 到 FDC 的每日库存转移量以最小化总销售损失和库存调拨成本。本文将此问题建模为周期性库存盘点问题。传统的两级库存判断问题大多是供应商决策各零售商之间分配可用库存这与我们的问题不同因为供应商RDC还需要为自身分配足够的库存。由于需求不确定性、FDC 和 RDC 之间的相互作用、多个时间段内库存决策的相互依赖性等因素以及各种容量和业务约束该子问题具有挑战性。为此本文提出了一种新的多任务端到端学习框架。由于其多任务和自学习能力以及可解释性该框架优于以前的算法。下文中会提供进一步的细节。
与以往文献和行业其他方案相比本文的工作有以下几个主要创新点
•本文提出了一个用于联合库存选品和调拨的综合框架目标在于提高 FDC 订单满足率并最小化因 FDC 和 RDC 缺货而导致的销售损失。
•针对选品问题本文设计了两种新算法最大化 FDC 订单满足率解决了订单结构预测和优化复杂性的问题。其中以最大化 FDC 订单履约率为目标的选品算法在以往文献中研究较少。
•针对调拨问题本文开发了一种全新的端到端预测和调拨决策算法。该算法结合预测与数字孪生仿真系统自学习最佳目标库存TI和安全库存SS水平。与以往仅依赖历史数据进行库存标记和学习的算法不同本文的方法结合预测和仿真结果来最小化总损失。该学习框架具有以下几个优势
◦多任务学习。该框架使网络能够同时学习预测、补货和仿真任务促进任务之间的信息共享和知识转移可显著提高库存管理的效率和准确性。
◦自学习。该框架引入了前沿的自学习机制来进行自动数据标记不再需要开发以往用于数据标记的复杂运筹算法。这显著提升了库存管理中样本处理的效率和准确性。
◦可解释性。本文模型的模块化结构增强了可解释性与传统的“黑盒”形式的深度学习方法相比提供了更好的库存管理过程中的洞察从而让决策结果更直观、更容易被采纳。
本文提出的选品和调拨算法已在京东的库存管理实践中得到测试和应用。数值实验表明联合选品和调拨优化能够有效满足客户需求有效提高 FDC 订单满足率。应用这些算法后库存决策系统大幅提高了运营效率和客户体验主要收益包括降低库存持有和调拨成本提高库存现货率以及增加本地订单履约率有效提升了消费者的 211 时效体验。
02 选品算法
2.1 选品问题定义
首先给出选品问题的定义。选品的任务是在全量自营 SKU 中为每个 FDC 选出一组畅销 SKU 集合总数量不超过 K以满足 FDC 的容量限制。我们的目标是最大化 FDC 能够整单履约的订单数量。该问题可以用整数规划模型来描述如下图。 其中N 是全量 SKU 集合O 为订单类型集合Do 是一段历史期间内购买订单类型 o 的订单数量。决策变量 xi 是 0-1 变量表示 SKU i 是否包含在选品清单中辅助决策变量 yo 是 0-1 变量表示订单类型 o 是否可以由 FDC 整单履约。第一个约束表示选品清单中最多只能包含 K 个不同 SKU。第二个约束表示只有当订单中的所有 SKU 都在选品清单中时该订单才能由 FDC 整单履约。
直接求解这个问题是很有挑战性的。首先由于电商场景中大量长尾商品和需求带来的高维稀疏数据、需求的波动性和复杂的产品依赖关系很难精准预测未来订单结构。其次即使给定了订单结构简化为确定性问题该问题也是 NP 难的对于京东这样的规模求解精确解在计算上是不现实的。
2.2 ML-Top-K 算法
为解决选品问题我们首先设计了基于机器学习预测模型的 ML-Top-K 算法即通过预测每个 SKU 在各 FDC 覆盖范围内的销量选择销量排名前 K 的 SKU 作为选品清单。
该方案的思路较为简单、直观。实现方式上ML-Top-K 算法的输入包括不同层级的历史订单数量SKU 层级、SKU 类别、品牌、全国 SKU 层级以及促销和营销活动信息。算法的核心结构包含季节性和趋势模块用于学习基线模式。这些模块的输出通过两个并行路径进行处理一个用于深度特征提取的时间卷积网络TCN以及一个用于多层次特征提取的多层感知机MLP。TCN 的输出特征与 MLP 的促销预测通过元素级乘法结合然后通过另一个 MLP 生成最终的订单数量预测。基于此预测算法选择预测订单数量最高的前 K 个 SKU 作为选品结果。
可以证明当单品订单比例较高时基于贪心策略的 ML-Top-K 算法表现良好。但是我们也通过实际案例发现当多品订单影响显著时该算法可能表现较差。原因在于订单数量高的产品可能经常与订单数量低的不同产品一起出现因此当关联购买情形较多时仅选择销量前 K 的 SKU 无法保证较高的 FDC 整单满足率。
2.3 Reverse-Exclude 算法
为解决关联购买场景下 ML-Top-K 算法性能不佳的问题我们设计了第二种启发式方法称为 Reverse-Exclude 算法。该算法采用逆向思维用汰品的方式来过滤出最终的选品方案。具体来说Reverse-Exclude 算法通过从全部 SKU 集合中逐步淘汰订单频率最低的 SKU来得到最终的选品结果。该方法在淘汰 SKU 的同时也删除掉包含该 SKU 的订单因此可确保所有剩余订单可以通过选品结果中的 SKU 来满足。Reverse-Exclude 算法的步骤如下
1. 初始化被淘汰的 SKU 集合 E初始化为空集。
2. 当剩余 SKU 数量大于 K即 |N\E| K时
- 计算每个剩余 SKU 的订单影响力 fi即包含该 SKU 的订单需求总和。
- 按照 fi 升序排序 SKU并选择 fi 最小的一批 SKU。批量大小是动态调整的离目标 K 远时较大接近 K 时减小至 1。
- 将选中的 SKU 添加到淘汰集合 E 中并将所有包含该 SKU 的订单需求设为 0。
- 重复步骤 2直到 |N\E| K
3. 返回剩余的 SKU即 N\E 作为最终的选品结果。
03 调拨算法
3.1 调拨问题定义
在调拨问题中我们考虑一个具有随机需求、无提前期、多周期库存分配问题。我们假设该问题是针对单个 SKU 在离散周期 1, 2, ..., T 上的有限时间范围内进行的也就是说我们考虑未来 T 天的 FDC 库存调拨方案。
在京东的两层网络中每个 FDC 只能由一个 RDC 补货。在每个补货调拨周期我们要决定每个 FDC 的补货数量。当客户订单提交时系统会依次尝试 FDC 和 RDC并决定是由 FDC 或 RDC 来履约这些订单。每个 FDC 都有确定的覆盖收货城市范围该范围内的订单只能由该 FDC 及其对应的 RDC 履约本文暂不考虑平行支援的场景。由于库存和履约决策在不同 RDC 区域之间是独立的我们的决策范围只需考虑一个 RDC 及其下属各 FDC。在定期盘点库存策略中我们的任务是要确定每个周期 t对于每个 SKU每个 FDC 的库存调拨数量。目标是在 T 个周期内最小化总的销售损失包括 RDC 和 FDC 的销售损失以及库存调拨成本。
该问题仍可以用整数规划模型来建模但求解该问题具有多方面的挑战首先准确预测 FDC 在多个周期内的需求及其分布是很复杂的任务尤其是考虑到 FDC 订单需求的波动性和长尾性以及京东需要在多个 DC 管理海量的商品。此外RDC 的补货数量具有不确定性这需要根据当时的系统状态进行实时决策。即便在需求信息完美的情况下针对大量 SKU 求解线性规划也是计算密集型的任务往往需要耗费数小时。在京东的实际应用中是无法接受如此漫长的求解过程的因为持续的订单可能会改变库存状态从而导致结果出炉时可能已经不再是最优解。这些问题也突显了传统优化方法在求解大规模、动态的库存调拨问题中的局限性。
3.2 端到端调拨算法
为了克服调拨问题的这些挑战实现快速、针对性的决策我们提出了一种端到端学习算法将需求预测、库存优化和输出决策整合到一个统一的框架中能够快速响应变化的条件同时适配电商库存调拨问题的大规模和高度复杂性。
端到端调拨算法框架通过多任务、多步骤的决策过程优化库存分配和调拨通过充分利用安全库存将有限的库存分配给最急需的 FDC同时最小化 RDC 和 FDC 的销售损失和调拨成本。对于 RDC先基于本地需求计算安全库存以确保在每个补货周期内有足够的库存来应对波动。整个计算流程现基于可解释的需求预测模型生成初始安全库存SS和目标库存TI结果。随后通过仿真机制以最小化区域销售损失并最大化区域和 FDC 的满意度。仿真的存在有助于减少由于预测误差导致的调拨决策偏差。
从学习结构的角度来看模型通过将每个 RDC 及其关联的 FDC 聚合为一个实例而不是单独解决每个配送中心的问题从而在区域层面进行整体优化。这种方法确保了更全面的优化能够获取整个网络的相互依赖性。
本文的模型与以往端到端文献中简单的单点决策不同而是采用了一个过程导向的、多周期的决策框架。这种方法将每个决策视为更大链条的一部分受到过去决策的影响并影响未来结果。为了捕捉这些复杂的时间关系并利用先前模型的信息在整体端到端算法中使用了递归神经网络RNN架构如图所示。 该框架由相互连接的模块组成每个模块均为一个深度学习模型处理每日输入并输出库存管理决策。每个模块的输入来源于两个方面1历史销售数据、营销和促销因素以及调拨提前期2前一个模块的初始库存状态包括起始库存、补货和从 RDC 到 FDC 的调拨量。模块输出仿真后的安全库存 SS 和目标库存水平 TI、销售预测以及 RDC 和所有 FDC 的销售仿真。 如上图所示每个模块的内部结构包括三个主要组件
1. 预测模块用于生成基线预测、促销影响估计并根据高维销售数据如 SKU 粒度、类别粒度、品牌粒度和全国 SKU 粒度的历史销售进行调整。
2. 目标库存和安全库存生成模块结合提前期、销售预测、历史实际销售和历史预测准确性来确定最佳库存水平。该模块使用多层感知机MLP和 Transformer 结构处理输入并生成目标库存和安全库存值。
3. 仿真模块在 RDC 范围内运行基于生成的安全库存和目标库存分配库存。它优先满足 RDC 本地需求然后再分配给 FDC。分配后模型仿真每日销售和库存消耗记录履约情况和销售损失。仿真模块的输出包括仿真后的安全库存和目标库存水平、预测期的销售预测以及 RDC 和所有 FDC 的每日销售情况仿真。
在训练阶段模型通过最小化两个主要损失函数来优化迭代1预测误差定义为预测销售与实际销售之间的差异2仿真中的销售损失包括 RDC 和 FDC 的销售损失、FDC 调拨成本以及库存水平低于安全库存的惩罚项。
在推理阶段模型生成未来数日的销售预测并为未来的补货决策推荐最佳目标库存和安全库存水平。这种方法实现了动态、前瞻性的库存管理能够适应不断变化的需求模式和供应链条件。通过提供主动的建议模型能够高效地预见和响应市场变化优化整个网络的库存水平。
04 实验与落地
下面介绍上述算法基于京东真实数据的实验结果将本文中的算法与原有方法进行比较并简要介绍相关模型的上线落地过程及影响。
4.1 选品算法实验
选品算法实验中与线上原有方法相比ML-Top-K 算法和 Reverse-Exclude 算法分别将本地订单满足率提升了 0.54pp 和 0.27pp尽管这一数值看上去不大但换算成数量相当于每天 10 万个订单是一个十分可观的数字。进一步将两种算法的选品结果按照多路召回的思想进行结合可以相比原有方法提升满足率 2.2pp是非常显著的提升幅度。这一提升也显示了机器学习和运筹技术在库存管理中的实际效果。
4.2 调拨算法实验
调拨算法实验中我们考虑 2 个 RDC每个覆盖 6 个 FDC。实验关注三个关键性能指标FDC 需求满足率FDC Sat.、区域销售损失Reg. Loss和损失率。损失率的定义为区域销售损失除以 FDC 履约的销售量用来衡量订单履约的效率以及销售损失的程度因为考虑到有限的库存量从 RDC 到 FDC 的库存调拨可能导致区域内的销售损失。
下面将本文提出的新端到端算法与京东线上原有的两种算法进行比较
1. 基于仿真的参数搜索通过结合需求预测的仿真通过搜索的方式确定合适的调拨策略参数。
2. 线性规划基于需求预测、安全库存约束和其他业务需求为每个 SKU 求解线性规划模型以确定库存调拨决策。 上表中比较了三种算法的性能。新端到端算法在 FDC 需求满意率上表现优异达到 58.59%相比参数搜索的 57.55%和线性规划的 57.12%有显著提升至少提升了 1.05pp。虽然新方法在区域销售损失上略有增加2.86%对比线性规划的 2.78%但损失率保持在 17.80%与参数搜索方法相当。FDC 满足率的显著提升表明新方法能够显著增强本地订单履约能力提升 211 订单的占比从而极大提升客户满意度。
4.3 落地与影响
基于选品和调拨算法我们开发了智能供应链决策支持系统。该系统已上线运行覆盖所有 8 个 RDC每个 RDC 覆盖 5 到 13 个 FDC。该系统上线以来已产生明显收益FDC 的库存持有成本和资金利用成本每年减少数千万元。此外库存调拨成本每年节省上亿元人民币。库存现货率也提高了 0.85%本地订单满足率提高了 2.19%211 订单占比上升了 1.44%给上千万订单提供了更快的履约时效和更好的客户体验。这些收益展示了算法能力在优化运营和资源分配方面的影响。
05 结论
本文介绍了京东供应链管理中的 FDC 选品和调拨的算法模型探索。对于选品问题我们开发了平衡计算可行性与性能的新算法在本地订单满足率上优于以往方法。对于调拨问题我们提出了结合预测、优化和仿真的新端到端算法在相同损失率的前提下显著提升了 FDC 满足率。本文中的算法已成功部署在京东的供应链管理系统中显著提高了运营效率和客户服务水平。本文的算法模型也展示了数据驱动的优化技术在解决复杂、大规模供应链问题中的潜力。
此次荣获 Wagner Prize是京东供应链技术和效能在国际上获得的又一次认可。未来我们将继续致力于通过技术创新提升供应链效率和用户体验努力践行“技术为本让生活更美好”这一使命。 本文作者申作军孙硕戚永志胡浩康宁轩张建申王鑫林晓明 京东零售供应链技术团队
