2017年如何设计开发智能分析产品-供应链领域的实践启示.pdf

《2017年如何设计开发智能分析产品-供应链领域的实践启示.pdf》由会员分享，可在线阅读，更多相关《2017年如何设计开发智能分析产品-供应链领域的实践启示.pdf（29页珍藏版）》请在三个皮匠报告上搜索。

1、如何打造智能分析产品？-供应链需求预测产品的实践启示华为 产品数据科学家 供应链领域的智能化应用 需求预测产品和技术架构 智能算法在产品中应用 分析可视化在产品中呈现 总结和展望 供应链，从一个身边故事开始 生产/仓储 采购 订单/物流 营销 计划 客户 供应商 实例：ZARA、AMAZON、GE、华为等 消费者洞察 智能研发、生产决策和响应 供应商协同 物流、信息、资金流、周转率、商业利益最大化 需求预测?数据智能让供应链更简单、更及时 辅助/自动决策，业务增长黑客、寻找共性 涉及预测、分类、最优化等多种算法模型 统一的数据平台 多点的信息收集 专业化的 数据分析 研发生产快速响应 预测客户

2、需求 供应、需求匹配 预测=模式+不确定性 不确定性查找 因果关系到强相关关系 分类，采样到全量数据 每一个细节的数据掌控 A?B?A?B?C?需求感知预测产品设计的前提 数据分析应用 相关性，找模式 To C 预测和To B预测 对照与拆分 升、降维 数学建模 假说与验证 数据分析个性化与精细化 发现问题，数据辅助解决问题 提供给用户的预测分析模块的框架 依照这些方法，与业务共同设计辅助预测模块，数据支撑业务，提供洞察 供应链领域的智能化应用 需求预测产品和技术架构 智能算法在产品中应用 分析可视化在产品中呈现 总结和展望 数据底座承载数据 根据不同产品特征，智能定制数据 多维度、跨产品需求

3、关联分析 KPI和智能预测模型结果分析 需求感知预测产品提供“一站式”需求预测 让预测更简单，更智能，更准确 目标目标 行业现状痛点行业现状痛点 业务逻辑不透明 经验和方法传承性弱 预测业务 预测业务?中长期&年度&短期预测逻辑 搭建预测模型加以验证 10+种预测模型库辅助 需求感知预测需求感知预测 统计工具效率低 缺少定制化数据分析 统计要素维护复杂 数据平台 数据平台 预测逻辑预测逻辑&建模 建模 价值价值 预测准确率提升，增加业务效率 第三方数据 历史数据 客户动态 市场空间 财务数据 人工预测值 数据异常监测 各种数据预处理 关键指标计算 各种数据对象管理 机器学习模型训练 预测制定

4、模型评估 数据预处理 预测发布 模型预测 前台前台：用户交互 用户交互 中台中台：预测模预测模型调度 型调度 中台中台：数据服务层数据服务层：后台后台：数据底数据底座 座 各种数据服务集成 交互在线模拟 输入输出参数 定时调度 在线模拟 辅助预测分析 算法模型应用 多层信息传导 产品架构设计：前、中、后台服务化设计 体验 精度 效率 准确 最优化特征转换 产品技术路线选型和优缺点分析 批量数据采集 Hadoop 实时数据采集 Oracle 流式处理Storm Java SAS Java R 前台前台：用户交互 用户交互 中台中台：预测模预测模型调度 型调度 中台中台：数据服务层数据服务层：后台

5、后台：数据底数据底座 座 Spark 定时调度 在线模拟 Echart Java Tableau 备选Python Mysql 宗旨：敏捷，可扩展，各取所长 MangoDB 供应链领域的智能化应用 需求预测产品和技术架构 智能算法在产品中应用 分析可视化在产品中呈现 总结和展望 归纳 归纳 根据规则（知识）推理 知识推理 同一类型数据的重复获得规律 模式识别机器学习方法 （有监督学习、无监督学习）强化学习 演绎 演绎 深度学习 用数据的广度，辅助思考的深度，用数据重构对世界的认识；用重复的计算，完成机器对于数据的理解 收敛时间和精确度 训练成本高，数据依赖 通用性差 机器学习的前世今生 监督学

6、习：有标注的数据让机器学习规律非监督学习：大量数据让机器自己去学习规律什么样的黑匣子？经验数据指标化，机器结果辅助决策 海量数据，聚类、神经网络、深度学习等自学习 y=f(x)?过拟合 泛化 收敛 关系映射 参数估计 代价函数 分类 回归 聚类 深度学习 机器学习的基本原理和术语 分类回归算法的三类模型 线状模型 线状模型 ARIMA、LR、LinearSVM树状模型 树状模型 RF(RandomForestDT(DecisionTree)GBDT(GradientBoos8ngDecisionTree)网状模型 网状模型 NN(Neural Netwo