迪卡儂以 AWS Chronos-2 強化供應鏈需求預測

迪卡儂以 AWS Chronos‑2 強化供應鏈需求預測

迪卡儂（Decathlon）是全球最大的運動用品零售商之一，擁有超過 10 萬名同仁、4 億用戶，商品涵蓋 80 多項運動、數十萬件 SKU。為確保每間門市在顧客需要時都有正確的商品，需求預測 成為供應鏈的命脈。

背景與挑戰

• 多樣化需求：滑雪手套與衝浪板的需求走勢截然不同，卻都必須精準預測，以避免斷貨或過剩。
• 預測視窗：系統同時產出 12 週的補貨預測（供採購規劃使用）與 52 週的長期庫存規劃。
• 跨區部署：預測服務已覆蓋歐洲、印度、中國、東南亞、拉美，未來將擴至中東與非洲，每個供應區域最多 2.5 萬件商品。
• 既有流程的痛點：傳統模型需每週重新訓練，且擴展至新區域時需大量工程投入，運營成本高且彈性不足。

為何選擇 Chronos‑2

在評估多種 時間序列基礎模型（TSFM） 後，迪卡儂將 Chronos‑2 定為預測堆疊的核心。Chronos‑2 為 AWS 提供的預訓練模型，能在不從頭訓練的前提下直接套用於零售時間序列資料，理論上可超越傳統統計或機器學習方法。

架構與運作

• AWS 雲端：利用 Amazon SageMaker 進行模型部署與批次推論，結合 S3 物件儲存做為歷史銷售資料的資料湖。
• 自動化管線：每週自動抽取最新銷售數據、觸發 Chronos‑2 推論，並將結果寫回 DynamoDB 供後端系統即時取用。
• 彈性擴展：透過 EC2 Auto Scaling 與容器化服務（ECS/EKS），可根據商品數量與區域需求自動調整運算資源，無需人工干預。

商業影響

• 精準度提升：在內部基準測試中，Chronos‑2 的預測誤差明顯低於既有模型，減少了缺貨與過庫的風險。
• 運營簡化：不再需要每週手動重新訓練模型，工程人力可聚焦於業務創新而非維護。
• 快速佈局：新興市場（如中東、非洲）只需啟動相同的雲端管線，即可即時取得高品質預測，縮短上市時間。

未來展望與啟示

Chronos‑2 的成功示範了 基礎模型 在大型零售供應鏈的落地可行性。對其他企業而言，關鍵在於：

1. 資料治理：建立統一的時間序列資料湖，確保模型能取得完整且乾淨的歷史資訊。

2. 雲端原生：利用彈性雲端服務降低基礎設施管理負擔，才能真正發揮模型的即時預測能力。

3. 持續驗證：即使是預訓練模型，也需在自有業務資料上做大規模基準測試，確保其適用性。

隨著 AWS 持續優化 Chronos 系列，未來有望支援更長的預測視窗與更細粒度的商品層級，為全球零售商提供更具競爭力的供應鏈決策支援。

---

本文根據 AWS 官方部落格與迪卡儂共同發表的技術說明撰寫，未加入未經證實的數據或推測。