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 Network)RNN/CNN机器学习系统：多种方

7、法集成并用 高维度高维度稀疏性稀疏性速度快速度快特征难特征难连续性连续性稠密性稠密性易解释易解释有限制有限制非线性非线性大规模大规模调参难调参难业务问题如何通过数据转换算法模型？明确目标、了解特性流程、确定用户对象、设计算法和特征 1 业务业务 需求需求 逻辑逻辑 2 问题问题 分类分类 3 框架框架 设计 设计 4 结构化结构化 数据数据 特征特征 5 训练训练 模型 模型 6 产品产品 应用应用 部署部署 模型 模型 重中之重，预测对象确定，约束转为特征 时间序列模型时间序列模型 Arima UCM 滑动平均 机器学习集成算法 机器学习集成算法 神经网络类模型 SVM 回归模型(LM等)随

8、机森林 数据特征输入数据特征输入 特征1 特征2 不同类型 初步分类 MAPE、RMSE 等各种指标 在线模拟 最终预测最终预测 预测 算法加权集成和择优 人工参数调整 辅助预测 设置目标和约束 时间序列转换成特征 需求预测产品中机器学习集成算法架构 针对不同维度对象 定时调度 在线加入人工反馈 数据集成初次分类 SAS 时间序列 R 机器学习 在线 应用 特点：历史时间序列和当前情况，人工经验的结合 结果：准确率提升8%效率提升 业务中 特征提取 特征 GPU提高效率 Tensorflow Caffe等等 平台 框架 组合方案 多试多用 模型 实践关键点：综合特征，多种模型，充分利用主流框架

9、 多快好省 What How Why 学术界关注模型 产业界关注应用 PAMI 借鉴应用 关键会议期刊，跟踪前沿 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 需求感知预测数据分析现场演示 可视化 用户体验 快速开发 数据类产品中可视化是关键诉求之一 思维和设计原则 22 视觉吸引 视觉吸引 增强理解 增强理解 易于记忆 易于记忆 合理设计的数据可视化，可以甄别异常，启发思考，辅助挖掘数据价值，准确明确有效传递信息。视觉暂留0.1s-0.4s 人的大脑50%与视觉处理相关 位置位置 颜色颜色 大小大小 形状形状 重要 次要 总体原则-

10、人们如何观察可视化视图?第一 类色 第二 类色 第三 类色 颜色搭配 主色+辅色+点睛色 B 同一个模块中 颜色三类之内 A 颜色原则 颜色原则 C?视觉设计的基本原则 C.R.A.P-Robin 24?C Contrast 对比 R Repeat 重复 A Alignment 对齐 P Proximity 亲密 图表分类应用基本分类 25 数据关系 适合图表样式 比较 分布 组成 相关 趋势 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 总结需求感知预测产品落地之旅 亮点：分析可视化能力瓶颈：计算能力核心：场景设计和业务行业经验壁垒：模型能力Gartner预测的发展趋势 数据分析大众化，解耦模型算法，云化、产品化、模板化的综合应用 特征标准化特征标准化 数据标准化数据标准化 场景标准化场景标准化 算法集成化算法集成化 算法标准化算法标准化 数据归一化数据归一化 特征标签化特征标签化 提供特征工程工具 标签化，自动化的特征识别 场景模板化场景模板化 分类、预测、决策、分析服务模板化 统一数据语言 算法库，集成预测服务 3 1 2 总结和展望 平台是基础，数据是关键，应用是灵魂；留心探索应用机会 预则立：确定目标，设计架构，服务 灵活性：多种工具整合，模型试验，紧跟最新前沿，交流创新 发散到收敛 创新 聆听 用户需求