本文由CIO发展中心根据绫致时装信息技术总监郭江在CIO发展中心联合举办的“数造未来•智慧成长”品牌零售行业数字化高峰论坛暨红星美凯龙第二届数据大会上的演讲整理

绫致时装（bestseller）是一家丹麦的时装集团，成立于1975年，全球拥有20多个品牌，在35个国家开展业务。绫致时装于1996年进入中国市场，开拓了6个服装品牌，有男装、女装、童装，还有滑雪、高尔夫等专业服装。同时还开拓了一个家居品牌——HAY，目前有北京、杭州、重庆三家门店。绫致在过去20多年时间里边深耕中国市场，在国内拥有8000多家门店。

绫致时装  信息技术总监  郭江

绫致时装供应链发展历程

2014年，建设Ｏ2Ｏ模式。到目前有5000多家门店支持着线上业务，Ｏ2Ｏ模式实现了库存在不同渠道的共享，同时减轻了仓库发货压力，给客户提供更好的购物体验，进而促成销售达成。

2015年，区域物流中心网络变革，实现从全国物流中心到门店的直接触达；借力O2O模式的布局，全国线下已拥有众多前置仓，对区域物流中心的需求越来越少；集团以化零为整的思路裁撤了46个区域物流中心，实现所有库存的整合。

2016年，全国物流中心自动化建设。2016年之前在天津和上海有两大物流中心，裁撤了区域物流中心后，在华南又建了一个全国性的物流中心。为配合物流中心与门店的扁平化网络变革，集团加大物流中心的自动化赋能。天津的全自动化仓库，每天业务吞吐量能达到进厂10万出厂30万左右，双11的260万订单量通过整个物流中心限定6个班次三天完成所有发货。与14年O2O模式打通线上线下相比，16年实现的全渠道库存共享在业务方面取消了电商团队单独订货，所有库存在实际业务发生过程中在门店都是共享的，同时仓库的库存也共享。

2017年，智能分货和智能调拨。该项目经历了从2014年开始筹划到2017年最终落地的漫长过程。当时全国5个品牌，所有货品团队900人，不是说通过AI或大数据建设去完全取代人工工作，而是通过AI要提升全国平均水平，以前所有人的能力是从60到110分位，通过大数据建设，把平均水平拉到80分位，将能力较强的团队水平维持在110分位，通过持续性2.0版本或3.0版本逐步提高其他团队水平，从60到80的过程相对容易，但从80到90则需要一步一个脚印得去做。

2018年，智能追单。零售前端货品的设计和生产周期一般为3-6个月，像羽绒服、棉服这些厚重款，生产周期会更长。随着市场流行趋势的瞬息万变，尤其近几年女装领域推崇款多量少的模式，提前3-6个月很难预测某款产品会成为爆款，如何减少呆滞库存的产生？在这个阶段一般会以遍地开花去的模式去布局不同款式，基于市场的实际反映去决定哪个款需要追单。

行业背景

鞋服行业供应链痛点

零售行业离不开人、货、场。零售行业面临最大的挑战是SKU数量特别多，而且服装行业的SKU没有重复性，绫致一年SKU有20万左右，如何去记录这些数据，如何去做数据分析，将是比较大的挑战。场即门店，分布在全国各地，货品运作需要去考虑装修风格、陈列、所处的温区、气候等因素去决定每个门店适合什么样的货品，绫致从货品和门店整合的角度通过AI技术去赋能供应链。

在分货过程中，服装的季节属性特别强，如何保证同一家门店一季产品的连贯性，以及不同品类货品的均衡，如何保障在款多量少的情况下，把库存深度特别薄的货品分配到不同门店去，这些都是需要考虑的因素。

服装虽然不像食品有特别严格的保质期，其生命周期最多6-13周，但随着时间的推移，其价值也在不断打折扣，每年折扣季促销时，通过供应链的智能决策去帮助商家做一些改善。

商品供应链管理四部曲：

一、智能铺货

智能铺货最重要的就是预测准确性。传统行业的预测相对简单，因为SKU有一定的重复性，做完预测会做各种各样的数据清理，误差修正。在零售行业，涉及几千家门店、众多品类、众多SKU，如何用一套智能的算法去做可行的预测将是智能铺货最重要的部分。其次智能铺货还要考虑首铺合理性、品类平衡性、试销验证性。

二、智能调拨

铺货到门店之后，由于各种各样复杂的因素，也许同样的商品在某些门店是滞销款，在某些门店则是脱销款，则需要通过调拨去实现货品供需的二次平衡。在调拨过程中，除了考虑供需平衡之外，还需要考虑货品的整合性、尺码连续性等。

三、智能追单

款少量多、库存深度比较高的模式可以满足所有门店的需求，但现在款多量少、每种货品库存深度都特别薄的情况不可能满足所有门店，选择哪些典型的门店去做铺货，如何通过门店的销售表现去自动、及时、快速决策订货和追单，这是这个模块需要去实现的。

四、智能流转

在原有的运作模式里边，新的货品在零售渠道一般有20%左右可能会进行退货，电商则处于清货的定位，退货的商品再通过电商去销售，部分货品又会进入退货，为了避免对市场的影响，这些再次退货的货品会以极低的价格销售到海外。

但现在各个渠道的定位已经发生变化，网购消费量不断增大，电商已经不是传统的清货模式，那货品如何能在第一时间流转？那就需要实时得通过数据去看业务，通过数据去定义企业未来。

实践经验

门店铺货

每天有来源于8000多家门店的消费资讯进入到中台、后台，如何对海量的数据进行分析以获取产品销售数据、门店销售数据，如何有机的将商品与门店进行组合到平衡，如何改变经验驱动到业务驱动的转型？

货品画像。针对货品画像，可以去做产品的畅平滞分析，基于货品过去两周的销售情况去分析哪些货品是畅销款，平均款，哪些是滞销款？结合数据的分析模型，去预测产品的生命周期，未来6-8周的销售走势，同时参照历史数据去做类比，得出更精准的预测。

门店画像。每个门店特性不同，所以需要对每个门店进行画像，包括门店的品类销售分析，门店销售评级，地理位置分析。

品类平衡。把货品和门店做有机结合，保证所有货品在门店内品类平衡。

数据驱动。通过运筹学、数据挖掘算法或数据分析实现经验驱动的决策向数据驱动转型。

智能铺货平台建设的主要步骤，可以规划成四层：首先为数据的采集和清理，需要把所有的主数据、交易数据进行全面的数据收集，对异常值做数据清理、纠错、预处理等等，作为整个算法的基础；其次为内核，涉及到机器学习和统计技术，里边会用到分析与回归，LR逻辑回归等，在统计技术方面也会用到统计回归、线性回归等方式，完成内部建模和算法计算；产生业务预测模型，包括畅平滞的分类模型，销量的预测模型，属性分类模型，门店产品画像模型；最终通过第三层的建设，实现货品铺货。

智能铺货效果展现。全国供应链网络整合后，绫致实现了华北、华东、华中三个物流中心服务全国的供应网络，通过铺货平台的建设，大大提高了品类平衡，试卖有效，更好的陈列等。服装行业算法分很多颗粒度，最细为款色码，哪款衣服的哪个颜色的哪个尺码，再高一个级别的是什么款的什么色，再粗一些就是从款到小类再到大类等等，这些都是做配货需要考虑的因素。陈列是服装行业特有的，一款衣服小于三件或五件一般是没有办法陈列的，所以在做货品分货或调拨时还需要考虑陈列。

智能调拨

货品运营过程中，通过调拨对货品做二次优化。建模过程中需要考虑的业务场景主要有四种：

一、常规调拨。调拨模型的建设主要是基于供需匹配，一般在做常规调拨的时候，会先做门店的销售预测，通过分析哪些是供应门店，哪些是需求门店，再做货品整合；

二、促销调拨。不管是商场活动还是公司活动，亦或是季末促销，都会把这些货品按照促销的需求去做货品的周转；

三、集货调拨。在产品季季中或者季末，服装产品有可能会面临断码，品类分散等问题，通过集货模式按照算法实现集货调拨的功能；

四、二次流转。在设计模型的时候，一般都是按供需匹配去做调拨，但由于公司业务的变化，有些大店里的款是在源源不断的更新，有些货品需要周转到中等门店或小规模门店，但这些门店之前没有销售过，按照供需匹配的模型，是实现不了业务目标的，则需要通过新的模型建设去预估销售潜力，去做货品的二次流转。

智能调拨逻辑

调拨过程中考虑的核心就是供需匹配，每个场景都有一些特殊的处理方式：

高需求，高供给。是说需求很高，满足了需求后，仍有大量的库存，避免库存产生闲置，就需要将这些仍旧可用的库存尽可能铺货到需求量比较高的门店。

低需求，高供给。门店的需求量很低，即使有过量的库存也不能都调拨过去。

高需求，低供给。需求量很高，供给量又很少，无法让这些货品去满足所有的需求，势必会造成货品品类不全、产品断码等问题，需要通过货品的整合来做供需匹配。

低需求，低供给。对于剩余的库存一般会通过销售潜力的分析去把货品往需求的门店里调拨。

智能调拨逻辑算法

算法设计过程中需要考量以下维度：纵轴的产品畅平滞分析——畅销款，平均款，滞销款，横轴的产品生命周期——产品是处于上升期、成熟期还是衰退期，还是季末的清货。在系统算法的计算过程中，去匹配出所有的货品在调度过程中到底怎样去流转，使用常规调拨，还是使用去做促销调拨，去做集货调拨，还是去做二次流转。这是整个算法里边设计的整套调拨流程。

智能调拨结果

运费降低性。其一，通过算法实现调拨的有效性，让他去创造销售，所以需要降低调拨的绝对数量。其二是通过算法能够知道哪个门店能够满足需要调拨的所有货品，有可能从两个包裹变成一个包裹，通过包裹的整合实现运费的节省。

货品整合性。涉及到促销、品类平衡，通过货品整合实现公司良好的收益。

尺码连续性。对于非核心尺码的商品会取决于实际的需求和货品的库存量，在周转过程中也会去做source Constrain等去综合考虑。

供需平衡性。不管哪种调拨方式，追求的目标都是在正确的时间正确的地点，把正确的货品调到需要的地方去创造销售。

智能追单

在大的商业环境下，产品的生命周期比较长， SKU数量比较多，为了降低货品的库存，建设智能追单平台考虑以下因素：

降低库存。在款少量多并且该款产品最终不是爆款的情况下，会产生很多呆滞库存，那么通过款多量少的模式降低库存深度。

如何选款。追单一般是做集中追单，该款产品上市后，在6-8周的生命周期里，需要考虑所有供应链及所有生产的时间，如何基于1-2周的销售数据预测畅销款，决定追单款及追单的数量。

通过大数据去支持决策。比如2000家门店，在做数据分析的时候，销售数据有可能是100-200家产生的，将来做追单在培养爆款的时候，有可能会辐射到2000家门店，怎么样去决定这些数量，都是需要通过系统来去建立的。

闭环系统支持更好的商品铺货。从货品的订货、分货、调拨、追单开始，至少在做追单的时候，所有预测都是基于精准的销售数据，自下而上预测出来的，将来在货品追单之后做货品配货的时候，则需要去利用系统里边已产生的分析数据，反向去做铺货。

AI赋能追单管理

通过智能追单考虑的因素出发，通过算法的深度学习，去确定产品生命周期，库存水平，追单频率等；基于同店销售生成同店预测，去分析产品的销售趋势，预估产品的生命周期；通过机器学习完成试销门店到全国门店的预测扩展；通过智能决策完成追单款及追单数量的建议；通过二次配货反向计划完成货品的二次分拣。最终通过智能追单来提升爆款服务水平，爆款数量的自动计算，需求的横向扩展，降低库存水平等等。

接下来的2019年绫致时装会在全网络智能决策方面去发力，通过智能全渠道管理，去整合不同渠道的货品，打破渠道壁垒，实现库存共享与打通，去提升企业的盈利。