网站导航

两种补货策略如何权衡库存与缺货

全文共 4768 字,阅读约需 10 分钟

沿用D19冻结配置,在最后28天模拟需求中比较两种补货策略,解释平均库存、满足率、失销与订单次数,并公开逐日流水和复现代码。

D20两种补货策略如何权衡库存与缺货:冻结后测试,保留实际取舍

验证时,禾味的两种策略都没有失销。正式按冻结配置换一段需求,每日复核失销5公斤,定期复核失销8公斤。这个变化很适合拿来检验一个学习习惯:看到结果不够漂亮时,能不能先保留它,而不是重新挑参数。

D19已在开发验证段比较小网格,冻结了两案、两类策略共四套配置。今天只执行这些配置,回答《两种补货策略如何权衡库存与缺货》。所有企业场景、需求、订单与数量都是教学模拟,不对应真实客户或实际收益。

一 先交代这次测试能够证明什么

禾味是虚构的2店、8个食材SKU连锁,本篇仍只回放A店SKU01这一条公斤需求;没有把其他15条店货组合虚构成已经测试。匿名服装企业案例是单个成品库存节点,单位为件。成品回货、验收与销售之间的协同背景用于解释业务,实验不接生产系统,不生成真实采购或派车指令。

完整需求仍是180天:1—112天训练、113—140天验证、141—180天预测测试。库存使用最后28天,即第153—180天。读者不能把“预测测试40天”与“库存评分28天”当成同一窗口,也不能把禾味退回首周的14天小样本来算这次结果。

这是一项延续实验,不是一份全新盲测。 D9原测试汇总已经公开,D19开发数据也多次使用;D19首轮验证后,还将未来库存测试计划从“先热身再评分”修订为“第153日同态直接起跑”。这些事实已在D19 v2协议说明。今天按这个已公开版本执行,不重跑D9的finalize,不覆盖旧成绩,不因为结果改变Q、z、初始状态或评分起点。

原始测试CSV的哈希与既有回执核验一致。文件哈希能帮助发现内容漂移,不能让已看过的信息重新变成未知,也不是独立可信的事前注册证明。以下结果可以证明这套代码按明确规则得到什么,不能证明长期服务概率、因果收益或经济最优。

冻结边界:训练和验证后固定配置;预测测试40天,库存直接从153日起跑28天;披露历史信息接触

二 四套配置不动,公平条件也不动

两策略在同一案例使用相同原始需求、现存与在途。第153日初,禾味重置为78公斤现存,服装316件,均无初始在途。不继承验证末库存,不运行第141—152日库存热身。 因此启动日的缺口也算进结果,不因不好看而删除。

每日固定批量策略每天日末看一次库存位置IP,IP=现存+有效在途。失销当天离开,不转成欠交。IP不超过阈值s时,只下一单固定批量Q;否则不订。定期策略每3天复核一次,在第153、156……180日末,把IP补到目标S,非复核日不临时下单。

冻结参数为:

  • 禾味每日:Q=52,z=1;周期:R=3,z=1。
  • 服装每日:Q=422,z=0;周期:R=3,z=2。
  • 两案L=2,按“日初到货→当日需求→日末复核下单”执行。第t日末下单,在第t+3日初到货。
  • 每日阈值s=向上取整[未来3天预测合计+z×训练期3天累计误差尺度];周期目标S=向上取整[未来5天预测合计+z×训练期5天累计误差尺度]。

z只是缓冲倍数,不是95%服务水平。训练误差尺度用RMS,即累计误差平方的平均值再开平方;它包含偏差,不是去均值后的标准差。详细计算和3天、5天保护期推导见D19,今天不重新估它。

预测器固定为周期7的季节性朴素法。每日日末只看截至当天已经观察到的原始需求,再发出未来预测。预测可以逐日更新,冻结规则不等于冻结每一天的预测数值。第153日末可以使用届时已发生的141—152日需求,但不把某策略的实际销量、库存或失销反过来喂给预测器。

这里假设缺货时仍能完整观察需求。在现实门店,销量可能被缺货截断;服装订单也可能延迟录入。若只能看见销量,必须先处理观测问题,不能照抄本实验的预测输入。

三 四项指标,先把分母说清楚

我们不把四个数字揉成一个“综合提升率”。先逐项读:

订单次数 = 测试期内订货量大于0的事件数
平均日末现存 = 28个日末现存数量之和 ÷ 28
单位满足率 = 测试期累计履约量 ÷ 累计原始需求量
失销量 = 累计原始需求量 − 累计履约量

订单次数不是到货次数、配送车次,也不是打开复核窗口的次数。平均现存不含在途,也不是日内按时间加权的平均库存。满足率必须先加总履约与需求再相除,不能把每天的百分比直接平均;总需求为0时记为不适用。

例如禾味每日策略履约715公斤,总需求720公斤,满足率为715÷720≈99.31%,失销为720−715=5公斤。99.31%不是“有99.31%的补货周期不会缺货”,也不是每一天都能满足99.31%的需求。

四指标分开计算:非零订单次数、平均日末现存、累计数量满足率和失销量;不把配送次数或周期服务率混入

四 禾味:少下五次单,但多失销三公斤

两种策略面对同样720公斤需求。表中的平均现存与满足率只在显示时舍入,源文件保留计算值。

案例/单位策略需求履约失销平均日末现存单位满足率订单次数
禾味/公斤每日720715530.0799.31%15
禾味/公斤周期720712832.5098.89%10
服装/件每日3173310865189.8997.95%8
服装/件周期3173310469132.6897.83%10

禾味的每日策略平均日末现存约30.07公斤,周期策略32.50公斤;每日策略失销5公斤,周期策略8公斤。与此同时,每日策略下15次单,周期策略下10次单。每日策略在现存与失销上较低,周期策略在下单次数上较低,没有哪一行在所有指标上都占优。

少5次订单不能直接换算成5次运费,更不能凭空写出节约金额。供应商可能合并发运,门店可能共车配送;还缺货值、每单处理费、持有成本、缺货损失和实际合同口径。

看三天流水,比盯一个百分比更容易发现问题

每日策略第153日初有78公斤,需求33,日末剩45;此时IP=45,触发订52公斤,第156日初才到。第154日需求29,剩16;加上52在途,IP=68,恰好等于当天阈值68,于是再订52公斤。

到第155日,现货16公斤、需求21公斤,履约16、失销5。日末虽然现货为0,但已有104公斤在途,超过当天阈值78,不再下单。在途能影响下一次订货,却不能提前拿来履约。 第156日收到第一笔52公斤,才恢复可用供给。

周期策略在第155日也失销5公斤,另外在第179日失销3公斤。因此两组共同的5公斤来自这一冷启动条件,策略间的额外差距是3公斤,不能把8公斤全说成周期复核造成。

这5公斤不能事后归咎于程序“不会救急”再插一笔紧急单。当前政策本来没有紧急补货,初始在途又为空。若业务需要启动备货或应急渠道,可以另立开发实验,但不能在本轮结果出来后修改同一份冻结测试。

禾味期末每日现存39、在途104;周期现存78、在途64。现存与在途分别守恒:

每日现存:78 + 676到货 − 715履约 = 39
每日在途:0 + 780下单 − 676到货 = 104
周期现存:78 + 712到货 − 712履约 = 78
周期在途:0 + 776下单 − 712到货 = 64

期末在途仍是未来供给承诺,不能因为第180日结束就抹去。也不能把这些未来到货提前计入平均现存,制造更好看的服务表现。

五 匿名服装:少失销四件,多占用约五十七件

服装两策略总需求同为3173件。每日固定批量履约3108、失销65,平均日末现存189.89件;周期策略履约3104、失销69,平均132.68件。两者满足率约97.95%与97.83%,差约0.13个百分点,不是“提升0.13%的利润”。

两组在第155日都失销65件;周期策略还在第173日失销4件。这次冷启动缺口占了失销的大部分,不能把每日策略的65件和周期策略的69件全归为复核方式差异。

每日策略少失销4件,却多占用约57.21件平均日末现存,同时订单8次而非10次。这与D19验证里的差距很不一样:当时每日策略少失销200件、平均现存高约45.43件。不能把验证段差值当成固定收益搬到后续需求,更不能用现在只差4件就否定当时流水。

四套配置是各策略内按开发规则选出,并非在测试里二次选冠军。这里也没有显著性检验;只有两案各一条有限需求路径,不用小数位数制造结论确定性。

两策略都下单3376件,实际到货却分别2954和3092件,因为订单时间不同,期末仍在路上的数量不同。每日期末现存162、在途422;周期现存304、在途284。平均现存和期末现存回答不同问题:周期策略平均现存更低,但测试末日的现存更高。

每日现存:316 + 2954 − 3108 = 162
每日在途:0 + 3376 − 2954 = 422
周期现存:316 + 3092 − 3104 = 304
周期在途:0 + 3376 − 3092 = 284

在服装协同业务中,一笔外协回货可能先处于运输、待验状态,验收后才成为可用成品;采购单、交接单和验收单还可能指向同一批供给。接入前须先去重并明确“可用”时点。本实验假设到期供给准时、足量、合格,没有真的清洗这些业务单据。

失销模型也不代表服装合同允许欠交消失。若订单必须延期履约,就应建立欠交队列、优先级及逾期指标,重新设计实验。本结果不含BOM齐套、工序能力、良率、返工和换线,不推导排产收益。

补货比较保留取舍:现存、失销和订单次数分别报告,尾单保留,不把模拟改善写成真实降本

禾味公斤与服装件分别绘制28天日末现存曲线;每日和周期策略同初态起跑,曲线不含在途

六 预测误差相同,库存结果为什么不同

两策略使用同一个预测器,但补货动作不同。预测偏差可以改变阈值,批量决定一次补多少,复核日决定什么时候有机会下单,到货时间决定哪一天能兑现;因此预测准确率并不单独决定服务表现。

为与原计划对齐,本包另外报告第141—180天40个一步预测,以及36个完整五天累计窗口。五天起点从第140日末到175日末,目标分别为141—145到176—180,没有跨块取标签,也不借未来真实需求修订固定起点预测。

案例/单位目标窗口数MAEME
禾味/公斤1天402.17500.0250
禾味/公斤5天364.11110.1667
服装/件1天402.92500.3750
服装/件5天365.91672.1389

MAE表示绝对误差的平均值,例如误差−3和4,MAE=(3+4)÷2=3.5。ME是带符号误差平均,本篇符号为“实际减预测”,正值表示平均低估。五天行评分的是五天累计实际与累计预测之差,不是把40天单日误差切成几段后直接平均。窗口重叠,不能当作36次独立实验。

两策略共享同一预测误差表,却有不同库存、失销与订单数。写产品结论时,应该把预测评估与补货评估分开,而不是“MAE小,所以采购一定更省”。本次没有比较其他预测模型,也不依据测试成绩改换模型。

七 把结果写成可以追查的结论

可以写:“在这28天模拟需求与冻结初态下,禾味周期策略少5次下单、多3公斤失销;服装每日策略少4件失销、平均现存多约57.21件。”

不能写:“算法保证99%服务水平”“为企业降低库存成本”“安全库存减少报废”。这些表述分别缺长期概率验证、成本口径和效期模型。

禾味真实易腐补货还需要批次、到期日、预计消耗、报损、库存容量和到货可用性。服装需要齐套、产能、质检和交期承诺。先把最小回放做对,并不等于已经具备上线自动采购的条件。

若想降低现存或减少订单,可以把本轮发现记为下一轮假设,再用新的开发与评估安排验证。不要在本次测试数据上继续搜索后,仍把新参数叫作原来的“冻结结果”。

八 下载与验收:让读者重算,而不是相信截图

使用Python 3.10或以上,仅需标准库,在实践包目录运行:

python -m unittest -v
python run.py

包内保留D19冻结证据、开发及测试输入、逐日台账、订单事件、期末在途、验证与测试对照和预测窗口明细。重算不得自动覆盖固定基线或把修改后的文件登记成原证据。测试覆盖守恒、等号触发、到货时序、未来信息、销量独立、零需求、尾单、冻结参数与输入完整性。

验收时至少回答三个问题:每一条结论能否找到对应流水?不改参数重复运行能否一致?期末尚未到货的订单是否仍然保留?

参考复习范围沿用原学习计划O4:MIT OpenCourseWare Logistics Systems库存讲义,其中第11讲帮助区分随机需求、安全库存与服务口径。今天不增加新模型;本文的离散事件和统计约定以公开实践包为准。

本篇完成的是一套能够复算、能够解释限制的教学比较。下一步进入配送问题时,也要继续把“有一个结果”与“结果可行、比较公平、能否执行”分别检查。