迪卡侬在 AWS 上规模化部署 Chronos-2 进行需求预测

全球大型体育用品零售商迪卡侬在全球拥有超过 10 万名员工与 4 亿用户，门店与品类的高度多样化使得需求预测成为其供应链的关键能力。迪卡侬在自有数据上对多款时间序列基础模型（TSFM）做了大规模基准评估后，选定 Chronos-2 作为预测栈的核心组件，并在 AWS 上搭建了覆盖多区域的周度推理流水线。本文梳理了迪卡侬的评估方法、生产架构与落地经验。

预测挑战：跨越 80+ 运动品类的双周期需求

迪卡侬的预测系统覆盖数万件产品、跨越 80 多个细分运动场景，并在欧洲、印度、中国、东南亚、拉美等区域部署，每个区域涉及最多约 25,000 个产品。系统需要在两个关键周期上预测每周销量：

12 周补货窗口：用于采购计划员向工业伙伴下单。
52 周战略周期：用于长期库存与产能规划。

不同产品（如滑雪手套与冲浪板）的需求信号差异极大，且高度季节化，预测精度直接关系到缺货与过剩风险。

既有方案的演进与局限

迪卡侬的需求预测系统经历了几轮迭代：

2021–2024：短期（1–16 周）使用 Amazon SageMaker 上的 DeepAR，长期（17–52 周）使用 Holt-Winters 指数平滑，DeepAR 每周重训以适应趋势变化。
2024 起：引入带协变量的 Temporal Fusion Transformer（TFT），提升长期预测精度。

这些方案支撑了迪卡侬的业务，但带来显著的运维成本：需要每周重训，向新区域扩展时也面临额外的工程投入。团队希望找到一种精度更高、运维更简单的方案。

为什么选择 Chronos-2：大规模基准评估

时间序列基础模型的兴起为「免训练、跨域可用」的预测提供了可能，但能否在零售场景跑赢既有方案仍是关键问题。为此，迪卡侬设计了基于自有零售数据的大规模基准测试。

基准设计要点

评估窗口：101 个滚动 cutoff，覆盖 2022 年第 48 周到 2024 年第 44 周，约 2 年。
规模：每个 cutoff 约 25,000 个唯一产品，整个评估期共约 39,000 条产品时间序列。
周期：12 周与 52 周，周频率。
主要指标：12 周与 52 周的加权绝对百分比误差（WAPE），辅以 RMSE、偏差与成对胜率。

关键结论

迪卡侬在零样本与微调两种配置下评估了多款 TSFM，核心发现包括：

零样本可用性：多款 TSFM 在不进行领域训练的情况下，就已接近甚至超过迪卡侬每周重训的现网模型。
微调带来显著增益：即便采用每 6 个月一次的低频微调，预测误差仍显著下降；Chronos-2 微调后在 12 周与 52 周两个周期上均取得最低误差。
计算效率：Chronos-2 同时支持 CPU 与 GPU，在基准中满足 25,000 个产品、每个 cutoff 推理时间低于 2 分钟的效率要求。

此外，Chronos-2 通过 group attention 机制原生支持协变量，无需额外变通处理，这一点成为其相对其他 TSFM 的关键差异化优势。

在 AWS 上的生产架构

迪卡侬将 Chronos-2 部署在 AWS 上，构建了周度运行的批量预测流水线：

数据准备层：PySpark 数据准备流水线负责组装输入时间序列。
模型训练层：基于 AutoGluon 构建微调任务，每 6 个月将 Chronos-2 在最新数据上微调一次，结果注册到 MLflow 模型仓库；中间周跳过微调。
推理与交付层：推理流水线从模型仓库拉取最新模型，按周执行批量预测；PySpark 交付流水线将预测结果下发到下游消费方。

该架构在保证精度优势的同时，降低了周度重训带来的运维负担，并为后续向中东、非洲等新区域扩展留出了空间。