机械制造业怎么销售的产品(经典案例：机器学习实现智能商品精准铺货)

智能商品铺货，解牛科技目前做了四种模型：

订单铺货：按各店铺订货会订单铺货；

陈列铺货：按每杆货陈列要求铺货；

规划铺货：以款定店（每个货品适合哪些店铺）、以店定款（每个店铺需要哪些货品）；

目标动态铺货：按每个店铺销售目标，结合品类售罄率、周转情况等铺货。

下面我以一个真实案例介绍解牛科技是如何利用目标动态铺货模型通过机器学习实现智能商品精准铺货。

第一轮：客户需求：把一个波段9000件的货品按店铺销售计划铺给所有店铺，一件不留，不能断码，售罄率高、周转快的品类多铺，非核心码数量不能满足所有店铺需求，用错分方法保证所有店铺都有非核心码。

配置好目标动态铺货模型后，系统7秒左右跑出结果，发现2个问题，部分货品没有铺完，有些店铺尺码比例失衡。

经过跟踪分析，发现2个问题：

1、部分货品没有铺完是因为有些款只有一个尺码，但客户不是用均码；

2、客户货品尺码比例严重失调；

解决方法：

第一种情况，设置特殊情况的断码标准；

第二种情况：客户要求高销店铺尺码全，低销店铺可以单码，但必须2件以上；

第二轮：第一轮需求都满足后，客户发现区域货品失调，客户是按区域管理，要先保证区域货品平衡。

解决方法：先把货品按区域划分，再用区域聚合；

第三轮：前面的需求都实现了，第三轮铺货发现如下几个问题：

1、橱窗款不受品类售罄率限制，全铺，优先保证高销店铺；

2、低销店铺个别量大款深度较大，要限制深度；

3、新品类上市不受品类售罄率限制，全铺，优先保证高销店铺；

4、高单价款个别店铺深度较大，要限制深度，优先给A级店铺；

5、同款多色，对3-4线城市平销店铺优先给基本色，彩色优先配给1-2线城市；

6、羽绒类商品因气候原因不配给海南等区域；

解决方法：所谓机器学习，就是要先建立样板模型，用系统运算结果和样板模型进行全方位、全要素对比，找到差异和原因，进行算法配置优化。

经过几轮优化，用实际数据进行配货对比，人工几个人一整天配货结果已经不如系统一个小时运算结果了。

当然这种机器学习优化过程是无止境的，服饰行业目前最大问题是没有真正意义上的大数据，更没有样板模型可以学习，解牛科技核心价值就是要建立各种场景最佳案例模型库，让更多公司能迅速找到适合自己的最优算法提升商品运营能力。