学习 AutoML (Chinese Edition)

第 15 章. 案例研究 2：零售业——全渠道需求预测

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

在第 14 章中，我们看到了 GlobalBank 如何应对具有严格延迟要求和对抗性环境的实时欺诈检测。现在，我们将转向另一个挑战：预测客户将购买什么、何时购买以及在哪里购买——涵盖实体门店和数字渠道。

注

本章中的所有代码示例均已通过 AutoGluon 1.4.0 进行测试和验证。如需完整的实现、详细输出、实验变体以及其他高级技术，请参阅配套的 Jupyter 笔记本Supplementary_Code_B_Demand_Forecasting.ipynb。

AutoGluon 正在积极开发中。请访问AutoGluon 官网获取最新的文档和安装指南。

业务问题与背景

RetailCo（）是一家拥有 450 家门店且电商平台正在快速发展的全国性零售商，面临着一个典型的库存困境：错误的产品过多，而正确的产品却不足。该公司有 1.27 亿美元被困在过剩库存中——滞销 SKU 占用了仓库空间，最终还需通过打折促销来清仓。与此同时，其缺货率徘徊在 12% 左右，热门商品经常在顾客需要时缺货，导致业务流向竞争对手。

该零售商原有的预测系统预测误差率（MAPE）高达23%，过剩库存最终需以40%–60%的折扣清仓，导致每年产生1800万美元的降价损失。

RetailCo于2012年基于季节性ARIMA模型构建的预测系统，无法应对现代全渠道零售的复杂性。如今，顾客会在实体店购买前先在线上调研产品，或在店内浏览后通过移动设备下单。BOPIS（线上购买、门店自提）模式催生了旧模型无法捕捉的需求模式——即销售数据显示在电商平台，但实际由门店库存完成履约。

该零售商每年举办超过两百场促销活动，每场活动都会产生复杂的连锁反应。买一送一的优惠活动会在随后的数周内蚕食正价销售。节假日促销会引发需求激增，并随着顾客捆绑购买而波及各个品类。天气、本地活动、竞争对手定价、社交媒体趋势等外部信号均未被纳入预测模型。

规模挑战

对 450 家门店中 50,000 多个 SKU 进行预测，意味着需要生成 2,250 万个独立预测，这种规模是 ARIMA 模型无法处理的。在零售商的本地集群上重新训练所有模型需要六天时间，这使得在趋势发生变化时无法快速反应。

警钟长鸣

2022年夏季，一场热浪席卷太平洋西北地区，这成为警钟。西雅图气温飙升至108°F，电风扇、空调及制冷产品的需求激增840%。而基于6月平均气温72°F的历史数据训练的预测系统，却预估了正常需求。结果导致西北地区出现大规模缺货，而东南地区却积压了相同产品的过剩库存。

大约在同一时期，一段TikTok视频走红，其中展示了一款RetailCo的家居装饰品，导致48小时内线上需求激增3,200%。等到商品团队察觉并手动调整库存时，热潮已过——造成230万美元的销售损失。

项目目标

首席财务官为自动机器学习（AutoML）项目制定了雄心勃勃的目标：

• 将预测误差从23%降至15%以下

• 将过剩库存削减30%（改善3800万美元）

• 将缺货率从12%降至7%以下

• 整合天气和社交媒体等外部信号

• 实现每日预测更新，取代每周更新

• 将系统扩展至所有渠道的50,000余个SKU

要求在16周内投入生产。

传统方法需要构建5万多个独立的时间序列模型，针对每个产品类别进行手动特征工程，针对不同的季节性模式进行大量超参数调优，并进行数月的回测和验证。 ...