• wm_sales_forecast
• 完美项目预测代码
• • 项目目标
  • 部署形式
• 算法代码目标：
• • 促销量化规则
• 任务设计流程
• 代码说明
• 结果表统计
• • bdp结果表
  • 算法侧提供8份结果：

wm_sales_forecast

完美项目预测代码

完美中国供应链与京东价值供应链签署合作协议，由京东价值供应链向完美提供计划系统，应用于日常补货、中长期生产采购、促销活动及新品上市等场景对下应不同维度的需求预测。

项目目标

向完美提供京慧供应链数字化平台下的短期预测、中长期经营计划预测、促销&新品计划系统，提高数字化管理水平，帮助完美市场中心销售预测部实现系统科学的线上化管理。

部署形式

部署形式：本地化部署
数据量：230SKU*21中转仓

算法代码目标：

1. 提供常规品的销量预测
2. 提供新品的销量预测
3. 提供促销的销量预测
4. 对促销活动进行事件管理
5. bdp计算推送到doris数据库

针对上述设计目标，提出的解决方案：

1. 基于交叉验证和当下比较高效高准确率的模型进行模型加工,预测常规品
   • references(参考其中模型或者模型搭建思路):
     《XGBoost: A Scalable Tree Boosting System》
     《Distributed ARIMA Models for Ultra-long Time Series》
     《Propheticus: Generalizable Machine Learning Framework》
     《Scalable BFT Consensus Mechanism Through Aggregated Signature Gossip》
2. 基于新品按照业务类别做了分类,不同类别有不同的预测规则
   • references(参考其中模型或者模型搭建思路):
     elastic search
     《高效时序相似搜索技术》
3. 促销添加了事件管理机制，计算思路将使用事件管理机制来实现事件的导入导出,增删改查等相应功能
4. 促销会针对相应的促销产品使用一定的量化规则来划定事件影响,对原本的预测结果进行修正
   • 参考下面#促销量化规则

促销量化规则

任务设计流程

代码说明

1. 部署脚本

     ``shell_wm/wm_setup_second.sh``
   

部署的节点:

• h1="10.20.0.81"
• h2="10.20.0.82"
• h3="10.20.0.83"
• h4="10.20.0.84"
• h5="10.20.0.85"
• h6="10.20.0.86"
• h7="10.20.0.90"

2. 启动脚本
   sales_forecast_task.sh
   调用的python脚本

     ``   spark_task/app_sales_forecast_task.py``
   

结果表统计

bdp结果表

1.perfect.app_vsc_sales_forecast_cv_strategy_model_info_w
inventory_wm.vsc_wm_sales_forecast_cv_strategy_model_info
销量预测模型信息表

2.perfect.app_vsc_sales_forecast_demand_classfication_d
inventory_wm.vsc_wm_sales_forecast_demand_classfication
完美销量预测需求分类结果

3.perfect.app_vsc_sales_forecast_pprcsed_res_d
inventory_wm.vsc_wm_sales_pprcsed_single_node_d_new
完美销量预测预处理原始表

4.perfect.app_vsc_sales_forecast_predict_res_d
inventory_wm.vsc_wm_sales_forecast_single_node_d_new
完美销量预测预测结果原始表

5.perfect.app_vsc_sales_forecast_predict_res_to_doris_d
inventory_wm.vsc_wm_sales_forecast_standard_predict_result_to_doris
预测标品-预测结果表-用于写入doris

6.perfect.app_vsc_sales_forecast_preprocess_res_to_doris_d
inventory_wm.vsc_wm_sales_forecast_standard_preprocess_result_to_doris
预测标品-预处理结果表-用于写入doris

7.perfect.app_vsc_sales_month_to_day_split_ratio_d
inventory_wm.vsc_wm_sales_month_to_day_split_ratio
完美月拆天比例表

算法侧提供8份结果：

1.BDP->Doris推数
ssf_history_sales_monthly 历史月粒度销量数据商家-sku-仓维度 36个月月粒度历史 36个月 月粒度
腾讯云： inventory_wm.app_vsc_sales_forecast_preprocess_res_to_doris_d_new
完美： perfect.app_vsc_sales_forecast_preprocess_res_to_doris_d_new

ssf_pre_process_result
预处理结果表 420 天预处理结果 全部为 天粒度 420天 天粒度
腾讯云：inventory_wm.app_vsc_sales_forecast_preprocess_res_to_doris_d_new
完美： perfect.app_vsc_sales_forecast_preprocess_res_to_doris_d_new

ssf_year_history_sales
历史4年销量表 ，原始销量天粒度结果 4年 天粒度
腾讯云：inventory_wm.app_vsc_sales_forecast_preprocess_res_to_doris_d_new
完美： perfect.app_vsc_sales_forecast_preprocess_res_to_doris_d_new

ssf_predict_values_origin 天粒度预测结果 包含日 周 月 750 天 日 周 月
腾讯云：inventory_wm.app_vsc_sales_forecast_predict_res_to_doris_d_new
完美： perfect.app_vsc_sales_forecast_predict_res_to_doris_d_new

ssf_predict_values_month_origin 月粒度预测结果 （应该只要系统模型值） 750 天 月粒度
腾讯云：inventory_wm.app_vsc_sales_forecast_predict_res_to_doris_d_new
完美： perfect.app_vsc_sales_forecast_predict_res_to_doris_d_new

ssf_demand_classification 需求分类结果
腾讯云：inventory_wm.vsc_wm_sales_forecast_demand_classfication
完美： perfect.app_vsc_sales_forecast_demand_classfication_d

2.BDP->MySQL
perfect_month_split_day_ratio 月拆天 结果
完美 perfect.app_vsc_sales_forecast_month2day_ratio_d
腾讯云： inventory_wm.app_vsc_sales_forecast_month2day_ratio_d

perfect_warehouse_ratio 分仓比 数据 通过 推数任务 完美： perfect.app_vsc_sales_forecast_warehouse_ratio_d 腾讯云： inventory_wm.app_vsc_sales_forecast_warehouse_ratio_d
perfect_product_consult_goods 新品参照商品推荐结果
完美 perfect.app_vsc_sales_forecast_consult_goods_d
腾讯云： inventory_wm.app_vsc_sales_forecast_consult_goods_d