有些人会觉得“智能货柜补货”没什么难度，算不得问题。但补货不合理其实能带来不小的低效益与损失。那么为了避免此类消极影响，我们该采取什么样的补货策略呢？本文将揭晓答案。
一、背景
笔者目前在一家新零售公司工作，主要负责智能货柜运营相关的工作。
智能货柜看起来是一门简单的零售生意，但规模化运营之后怎么最大效率的提升运营员的补货效益，是一门比较大的学问需要去探讨。
比方说熟练运营员每天最大的运力是一天补货20台，那么我们探讨的课题就是哪20台机器最需要去补货（这里其实还有一个课题，怎么提升运营员的单日补货台数，这个课题就放到下一个章节去阐述），怎么通过系统的方式傻瓜式的告诉运营员明天该去哪里补货。
接下来我将会写一个专题，探讨如何提升提升智能货柜的运营效益，主要包括故障处理、商品结构调整、货损率的降低、补货效率提升等环节。
二、运营员按照自己经验去补货带来的问题
首先，我们来看在没有系统自动补货推荐策略的情况下，运营员是怎么去选择第二天需要的机器的：
比方说之前的要求是，每台智能货柜缺品≥2个的时候，就需要进行补货，其中缺品的定义是某个商品售罄（库存为0）即为缺品。
在没有系统推荐的情况下，可能这个方案已经解决了一部分问题，但是深入分析就会发现，这种粗暴的补货推荐策略会带来如下问题，或者说没办法解决下面场景遇到的问题：
首先如果这2个售罄的商品是畅销品，这时候已经缺货造成了销售损失（用户来到机器前想买这个商品没有货了，因此放弃了购买），所以已经导致补货不及时；
如果这个2个售罄的商品是非畅销品，而畅销品不缺货，那么本次的补货效益是不高的；
如果某台机器销量很好，每天或者每2天需要补一次货，但是可能在前一天晚上或者第二天早上去看缺品的时候可能没有达到2个，如果这时候不去补货，是会带来较大的销售损失的；
另外在人工经验下面，比方说有一台机器缺品4个，但是都是非畅销品，另外一台机器缺品2个，但是都是畅销品，这时候运营员是应该先去补缺品4个机器还是缺品2个的机器呢，很明显应该是想去补货缺品2个的机器；
由此可见，这种简单粗暴的逻辑在前期可能能解决一部分的问题，但是当每个运营员所负责的机器越来越多，以及整个公司的机器体量上去之后，必须需要通过精细化的运营策略去提升每次补货的收益，降低因为缺货带来的损失，从而使公司运营效益越来越好。
三、智能货柜补货推荐策略
1. 竞品的补货推荐策略
目前，市面上其他一些自动售货机运营商的策略也相对来说比较简单，一般都涉及到2个指标——缺货率和缺品率。
指标缺品率=当前售罄的sku数/该机器售卖的sku总数
他们一般会定义2个指标，比方说缺货率超过40%就推荐运营员去进行补货，或者说缺品率超过20%即去补货。
这里面所面临的问题其实和我们之前人工定义的一样，就是缺货的商品可能是非畅销商品，补货的效益不大；还有一个问题就是没有考虑运力的因素，有可能会远远超过运力，即运营员补货补不过来。
2. 如何让运营员补货效益最大化，明天我该去补哪些机器？
明天我该去补哪些机器？
在回答这个问题之前，首先我们引入了一个最关键的指标，销售速度预估。
我们知道每台机器因为点位、商品、人群等各种因素在销量上会有很多的区别，比方说有些智能货柜每天能卖1000元，而有些智能货柜每天只能卖100元，这是其中一个维度。
还有一个维度就是有些机器上午销量最多，有些机器是中午销量最多，而可能有些机器是晚上销量最多，也就是每台机器都有自己的销售波峰波谷，如果我们需要精细化的运营以及预测，就需要考虑这些因素。
为了预测每台机器，每个商品第二天甚至第三天的销量，我们花费了很大的力气输出了销售速度预估算法，我们可能去预测每个分公司、每条线路、甚至每台机器每个商品的销售速度，颗粒度越大预测的准确率越高，在补货推荐策略里面，我们主要有3个维度去预测：机器、商品、以及时间维度。
我们首先会预测机器第二天（上下午）的销量，机器内每个商品第二天（上下午）的销量，机器维度相比于商品维度颗粒度更大，因此预测的会更准确，我们在知道每台机器第二天的销售速度之后，那么就有了销售损失的概念了。
什么是销售损失呢？
简单来说，比方说机器A里面的可口可乐，在0点的时候可口可乐还有库存1个，通过我们的销售速度预估算法，可以预测出可口可乐第二天的销量比方说是5个，当前的库存是1个，那么缺货就是4个（这里不考虑替代品的因素，就是可口可乐售罄的情况下用户去买雪碧），缺货损失就等于缺货个数×该商品的售价，则可口可乐的缺货损失就是4*3=12元。那么一台机器第二天的缺货损失就等于该机器所有商品的缺货损失之和。
这里面为了更精细，我们还分布会预测上午（13点之前）和下午（13点之后）分别的缺货损失，以便在补货推荐决定那台机器先去补的问题，实现更精细化的补货推荐。
在有了缺货损失的情况下，每台机器都会有一个缺货损失的金额，那么我们应该怎么去确定缺货损失金额达到多少的时候就需要去补货呢？
这里面的决策逻辑主要有2个，一个就是上文说到的运力，也即一个运营员一天只能补20台，那么我们每天给运营员推荐的机器就应该不超过20台。但是这种方案会带来一个问题，就是按照排序的逻辑有些机器缺货损失为0的情况下有可能也被推荐补货，所以这种方案被我们放弃了。
另外一个决策逻辑就是使单次补货的收益最大化，也即每次补货的商品价值最大，同时需要最大限度的降低缺货损失金额。
最终，我们通过大量销售数据、补货数据，定义了如下补货推荐的关键指标：
预计明日缺货率，也即（当前缺货量+明日预估销量）/机器理论满库存，我们通过数据观测发现，当机器缺货率达到一定比例时，会影响机器的销量；
预计明日缺货损失销量（销售金额），如果是饮料机因为饮料的销售金额差距不大，可以直接用缺货损失销量，如果是零食饮料混合机器，因为零食和饮料的销售金额差距比较大，所以可能需要用缺货损失金额。
预计明日缺品率，也即预计明日售罄的商品数/总售卖商品数
预计明日缺货损失占比，也即预计明日缺货损失销量/预计明日总销量
距离上次补货天数（太长时间不去补货，会导致商品过期造成食品安全问题）
这里面可能还有存在一个机器故障需要去处理的，这里就不单独说明了，会在之后的章节专门说明机器故障的闭环处理。
通过定义补货推荐的关键指标，结合我们的销售数据以及最大限度的提升补货效益，最终我们的补货推荐策略如下：
距离上次补货天数≥T
其中应该是上午去补货还是下午去补货，主要看预估上午还是下午的值达到阈值条件，另外针对一天需要多次补货的机器，需要单独的算法去预估机器当天需要补货几次。
四、总结
通过引入销售速度预估算法、销售损失、预估明日的缺货量、预估明日缺货率，缺货损失占比等指标，直接由系统傻瓜式通过补货推荐决策的策略告知运营员需要补货的机器，那么我们怎么去观测这个策略是不是比运营员根据经验进行补货的效果更好呢？
主要通过以下方面去评估和观测该策略的效果：
通过对比方法，直接对比某台线路通过系统补货推荐的补货量和销量情况，与运营员自己根据经验补货的补货量与销量；
通过大盘数据，直接观测全国的机器如果使用系统推荐的单机补货量，以及观测第二天的销量情况，同时对比运营员自己补货的数据；
最终我们补货推荐策略所达到的效果如何了，从原来单机单次平均补货量40个提升到单机单次平均补货量60个，提升了50%的补货量，同时每天的补货台数降低了30%，节省了30%的运力成本，同时因为补了那些需要补货的机器，降低了因为没有补货带来的销售损失。
