志华软件利用亚马逊云科技生成式AI服务实现销售预测
在日趋激烈的市场竞争中，服装产业的每一个环节都呼唤更加精细化的管理，以达到降本增效的目的。在服装销售环节，广东志华软件科技有限公司（以下简称“志华软件”）亟需在其软件中添加销售预测功能。该功能将帮助服装企业预测市场趋势，根据预测结果实现智能配货，节省因为缺货导致的调货成本，以及根据预测结果调整营销策略，从而让服装企业更好地适应市场需求。志华软件在有限资源情况下，通过与亚马逊云科技算法工程师、数据科学家合作共创算法，利用Amazon SageMaker部署算法、训练模型，并在亚马逊云科技的帮助下将算法工程化，集成于应用系统中，最终实现了销售预测功能。
销售预测的基本原理及方法
销量预测是通过对历史的销售数据和相关的影响因素进行分析建模，利用模型来预测未来的销量。其中相关的影响因素，通常包括促销、广告、价格、库存、节假日、竞品信息等。销量预测是一个时间序列预测的问题，从方法上可以分为以下几类：
- 传统时间序列预测：主要通过时间序列的自相关性对未来值进行预测，比如Moving Average（MA）类，ES，ARMA，ARIMA等。
- 机器学习类：从特征工程着手，通过时间滑窗将历史数据转化为特征，从而将时序问题转化为经典的回归问题，比如LightGBM，GBDT，CatBoost等。
- 神经网络类：使用神经网络构建模型，比如DeepAR，Transformer，MQ-CNN，TFT等。
机器学习类和神经网络类通常是在所有时间序列上联合训练单个模型，如果在一段时间内有许多相似的时间序列，联合训练可能是有益的。在销量预测的任务上，效果通常优于传统时间序列预测的方法。
对不同的预测场景，最优模型可能不同。志华技术团队经过与亚马逊云科技的讨论以及技术预演，决定采用AutoML的方式，在亚马逊云科技上通过SageMaker运行AutoGluon机器学习训练框架，根据模型效果，选择不同场景下的最优方案，实现销售预测功能。
算法技术选型
AutoGluon介绍
AutoGluon是亚马逊推出了开源代码库，它可以自动执行机器学习任务，能够轻松地在应用程序中实现强大的预测性能。只需几行代码，就可以在图像、文本、时间序列和表格数据上训练和部署高精度机器学习和深度学习模型。
由于销售数据是一种典型的时间序列数据，因此采用AutoGluon算法进行销售预测。AutoGluon可以根据历史数据和其他相关协变量预测多个时间序列的未来值。一次调用AutoGluon TimeSeriesPredictor的fit()方法即可训练多个模型以生成准确的概率预测，并且不需要手动处理模型选择和超参数调整等繁琐问题。
在底层，AutoGluon结合了各种最先进的预测算法。其中包括StatsForecast和statsmodels库中的ETS和ARIMA等已建立的静态方法，基于AutoGluon-Tabular的LightGBM等高效的基于树的预测器，以及GluonTS中的DeepAR和Temporal Fusion Transformer等灵活的深度学习模型。
Amazon SageMaker介绍
Amazon SageMaker是亚马逊云科技推出的一款全托管的机器学习平台，它覆盖了整个机器学习的生命周期。
SageMaker支持丰富的机器学习框架，例如TensorFlow，PyTorch，MXNet及AutoGluon等。与此同时，SageMaker Pipeline功能帮助构建的持续集成和持续交付（CI/CD）服务，大大提升了算法开发效率。下图是一个Pipeline的例子：
在具体实现上，亚马逊云科技与志华软件的技术团队合作，逐步完善了数据处理逻辑和特征工程，比如缺失值的处理，促销的类型，价格特征的构造等，进一步提升模型效果。此外，亚马逊云科技根据实际情况优化了Pipeline数据处理步骤，让志华软件普通业务人员也能够通过Amazon SageMaker的界面配置参数，使Pipeline可以灵活的选择模型特征和预测区间，以适用不同的销量预测场景。
整体方案架构
影响销售预测算法预测准确度的核心是数据，随着预测算法的深入应用，数据的准备是一项日常工作；另外，预测结果如何与ERP系统集成也是一个亟待解决的问题。
由于销售数据保存在生产系统的RDS for MySQL数据库中，同时开发运维人员非常熟悉SQL，因此通过SQL语句准备训练数据，解决方案以某种技术手段自动拉取数据，输入到Amazon SageMaker算法模型训练流水线中是开发运维人员系统希望采用的方式。考虑到最大限度减少维护成本，志华团队与亚马逊云科技解决方案架构师讨论，决定采用无服务器化服务进行架构。
首先，选择AWS Glue作为ETL的工具。AWS Glue是一种无服务器化的ETL服务。在本方案中，由于销售数据具有时效性，通过定时触发Glue Job将数据从RDS导入到指定的S3存储桶中。
第二，当Glue Job完成ETL，任务的状态变更触发Eventbridge Rule，通过Lambda启动训练流水线。
第三，当模型训练完成，系统触发Glue Job将推理结果保存到RDS数据库。
最后，我们得到以下整体解决方案，实现了端到端的集成，即数据从RDS中来，推理结果又保存回RDS，将推理结果保存到RDS中有利于后续应用集成。方案架构如下图所示：
方案优势及收益
- 在系统运维层面，由于采用SageMaker作为模型训练及推理平台，仅在模型训练及推理时候存在费用。由于本方案采用无服务器化设计，运维人员无需进行服务器的运维工作。
- 在与ERP系统集成方面，本解决方案通过批量推理的方式一次性地将结果写入RDS关系型数据库，方便ERP系统开发人员对推理结果做集成，例如可以通过SQL语句就可以查询某个SKU在未来某一天的销售预测情况，并且预测结果保存在关系型数据库中也方便与现有的BI系统做集成。
- 在业务方面，通过方案的部署，志华软件可以获得服装在某个区域的销售趋势以及服装未来一周内的某个服装商品的销量预测。这帮助志华软件添加产品特色，是ERP销售新的亮点，目前志华软件已经将该功能部署于几个客户当中。
未来展望
AI技术在企业的销售计划、商品计划和经营管理分析中扮演着重要角色。利用大数据分析，AI能够获取精准的市场数据，并借助其强大的分析能力和算法优势提高操作效率和准确性。
（1）销售计划方面：AI自动化生成报告和分析结果，同时监控市场变化并及时调整销售计划，提升精准度和反应速度。
（2）商品计划方面：通过实时监测库存水平和市场需求变化，AI自动生成最优采购计划以保证库存充足且不造成过度存货，并帮助企业更好地解市场需求和客户行为。
（3）经营管理方面：通过预测销量辅助企业经验管理，AI实现优化生产计划、提升客户满意度、优化供应链管理以及提高运营效率等多个关键作用。
志华软件通过与亚马逊云科技的合作实现销售预测功能，并应用于一些客户的日常使用中。在项目过程中，双方有更深的相互了解，希望后续针对AI/ML加强合作，特别是生成式AI在行业中的应用做更多的探索。