从统计模型到深度学习的完整落地路径

1.

牛鞭效应与成本放大

在传统供应链中，终端需求5%的波动会在上游被放大到40%的库存偏差（MIT

Beer

Game实验数据）。

需求预测误差每降低1%，库存周转率可提升7-10%，缺货率下降3-5%。

1.2

传统方法的三大瓶颈

• 移动平均/指数平滑：无法捕捉非线性与多变量关系
• ARIMA：对季节性处理粗糙，高阶差分导致信息损失
• 人工规则：依赖专家经验，无法适应SKU级别的动态变化

2.

机器学习vs深度学习

2.2

特征工程的质变

传统方法仅用历史销量，AI引入：

• 外部特征：气象（温度/降水）、节假日、宏观经济指标
• 交互特征：促销折扣与天气的交叉效应（晴天促销销量提升1.8倍）
• 图特征：供应商-仓库的拓扑关系影响补货提前期

3.

数据工程：从脏数据到特征仓库

3.1

数据清洗的暗黑技巧

代码语言：python

AI代码解释

#
def
promo_col='is_promo',
sales_col='sales'):
promo_mask
df[promo_mask][sales_col].quantile(0.99)
df.loc[promo_mask
df[date_col].dt.month])[sales_col].transform(
lambda
时间序列特征自动化
代码语言：python
AI代码解释
from
tsfresh
tsfresh.feature_selection.relevance
import
column_sort='date',
default_fc_parameters=EfficientFCParameters()
基于假设检验筛选显著特征
calculate_relevance_table(features,
selected_features
relevance[relevance['p_value']
<
0.01]['feature'].tolist()
4.
模型实战：LightGBM与TFT双案例
4.1
LightGBM的供应链优化
代码语言：python
AI代码解释
import
lightgbm
构造滞后特征（过去7/14/30天销量）
def
df.groupby('sku')['sales'].shift(lag)
return
自定义损失函数：加权MAPE（近期误差权重更高）
def
TFT的注意力机制解析
代码语言：python
AI代码解释
from
pytorch_forecasting
time_idx="time_idx",
static_categoricals=["category",
"region"],
time_varying_known_reals=["discount",
time_varying_unknown_reals=["demand"],
add_relative_time_idx=True,
tft
TemporalFusionTransformer.from_dataset(
dataset,
train_dataloaders=train_dataloader,
val_dataloaders=val_dataloader,
interpretation
tft.plot_interpretation(interpretation)
5.
模型解释性：让业务方信服
5.1
SHAP值揭示促销失效场景
代码语言：python
AI代码解释
import
shap
发现：当折扣>30%且温度<5℃时，促销反而抑制需求（shap值<-0.3）
"discount",
interaction_index="temperature"
TFT的变量选择网络
TFT的静态变量选择权重显示：
品类权重：生鲜(0.82)
>
家电(0.21)
区域权重：一线城市(0.75)
>
流式特征管道
代码语言：python
AI代码解释
from
kafka
faust.App('feature-pipeline',
broker='kafka://localhost:9092')
temperature_topic
@app.agent(temperature_topic)
async
process_temperature(temperatures):
async
redis_client.set(f"temp_{datetime.now().date()}",
边缘计算优化
将LightGBM模型转换为ONNX格式，部署在门店边缘设备：
代码语言：python
AI代码解释
import
onnxmltools
onnxmltools.convert_lightgbm(model)
onnxmltools.utils.save_model(onnx_model,
'demand_predict.onnx')
7.
供应链KPI闭环
预测准确率：MAPE从23%降至11%
库存周转：核心SKU周转天数从45天降至28天
缺货率：大促期间从8.5%降至2.3%
7.2
模型漂移检测
使用Kolmogorov-Smirnov检验监控特征分布：
代码语言：python
AI代码解释
from
scipy.stats
reference_data['temperature'],
current_data['temperature']
p_value
trigger_model_retrain()