网站导航

到复核日,再补到目标:把周期补货写成可核验规则

到复核日,再补到目标:把周期补货写成可核验规则 封面

同样看到库存位置只剩4,是今天就补,还是等明天集中复核?D17把定期复核策略写成两道判断:先看日历,再算补到目标的数量。沿用七日模拟需求,对照两种复核周期,手算禾味台账,并核验匿名服装节点的零订单、在途与尾部订单。附冻结策略卡、逐日回放、单元测试和黑白配图,分清保护期、失销与欠交,不拿短路径推导最优参数。

继续阅读 →
阅读约需 11 分钟·博客

从一条直线到多特征预测

从一条直线到多特征预测 封面

同样150份预订,周末、活动与门店怎样改变预测?先用四个点算清最小二乘,再通过匿名服装理解类别与交互,最后运行独立84天禾味实验。给定公式与实际拟合分开,保留多特征没有改善的反例,附完整数据、代码与测试。

继续阅读 →
阅读约需 21 分钟·供应链预测与计划

预测之前,先把问题与数据说清楚

预测之前,先把问题与数据说清楚 封面

预测明天的销量,究竟指份数、食材公斤数,还是采购量?用虚构禾味两店8个SKU的14天记录与匿名服装订单事件,把目标、单位、时间粒度和信息截止点写成可验收的任务。通过手算、224行模拟数据及标准库实践,区分迟到数据、未来版本、缺失与缺货,为后续回归和时间序列建模建立共同的数据起点。

继续阅读 →
阅读约需 13 分钟·供应链预测与计划

到阈值就补一批:把固定批量策略写成可核验规则

到阈值就补一批:把固定批量策略写成可核验规则 封面

库存位置降到10,应该补6还是补到16?D16沿用七日模拟需求,区分固定批量与补到目标两种动作,用两组参数手算禾味台账,再检查匿名服装案例。重点拆开等号触发、一次需求跨过阈值、订后仍低于阈值却不能继续追单等边界。附冻结策略卡、原始数据、逐日订单事件、测试与黑白配图,先把日末检查规则写对,不用七天结果替代经营验证。

继续阅读 →
阅读约需 9 分钟·博客

库存够不够,先看时点:库存位置与到货时序

库存够不够,先看时点:库存位置与到货时序 封面

仓里剩5公斤、路上还有8公斤,究竟该补多少?D15从一张七日模拟台账出发,区分今天能用的现货与补货时需要考虑的库存位置。把日初到货、当日需求、日末复核下单固定成可执行顺序,解释为什么L=2的订单要到t+3日初才能使用,以及失销为什么不能再扣成欠交。附双案例原始数据、逐日台账、边界测试和黑白配图,先把库存流转算对,再谈策略与收益。

继续阅读 →
阅读约需 9 分钟·博客

先做基线,再谈智能:需求预测的模型选型边界

先做基线,再谈智能:需求预测的模型选型边界 封面

季节性朴素、移动平均和指数平滑都跑通后,该不该换复杂模型?D14把双案例的已有结果放回同一评价口径,解释一步、五日累计以及MAE、RMSE为何给出不同排名。再以一页选型卡整理SARIMA、Croston类和树模型需要的证据,区分已完成的开发回放与尚未验证的路线。附可复算结果、反例测试和黑白图,不重用已曝光测试选参,也不把预测误差写成业务收益。

继续阅读 →
阅读约需 9 分钟·博客

数学桥梁:把预测公式算明白

数学桥梁:把预测公式算明白 封面

一个预测数字从哪里来,又能用于什么决定?用虚构禾味的三天食材需求和匿名服装的两天取消记录,把下标、均值、误差、标准差、条件概率、期望与logit逐步算清。每个符号都有含义,每组结果都能手算和用Python复核,帮助只有高一数学基础的读者跨过预测公式的第一道门槛。

继续阅读 →
阅读约需 13 分钟·供应链预测与计划

滚动回测:预测时还不知道的事,不能提前用

滚动回测:预测时还不知道的事,不能提前用 封面

每天都算一次预测,再把五天结果加起来,就能评价五天前的决策吗?D13沿用前140天模拟开发数据,记录每个预测的起点、日期、步长和参数,比较28个一步目标与24个固定起点五日窗口。用未来扰动检验信息边界,再通过独立缺货模拟区分真实零需求、休店、缺测与销量截断。附完整回测、测试、配置冻结回执和黑白图重绘包。

继续阅读 →
阅读约需 13 分钟·博客

需求预测怎么比较:平均偏差接近零,为什么仍然不准

需求预测怎么比较:平均偏差接近零,为什么仍然不准 封面

模型平均偏差只有零点几,为什么仍可能在周末低估、平日高估?D12沿用前140天模拟开发数据,在相同日期比较季节性朴素、移动平均和指数平滑。通过手算、总体与工作日/周末误差表,区分平均偏差与预测准确性,解释MAE和RMSE为何可能排名不同、WAPE为何不能随意平均。附逐行预测、指标函数、独立算术测试及黑白图重绘包。

继续阅读 →
阅读约需 13 分钟·博客

简单指数平滑:参数调大,需求预测就更准吗

简单指数平滑:参数调大,需求预测就更准吗 封面

昨天需求突然上升,预测应该跟多快?D11沿用D9、D10的模拟开发数据,手算简单指数平滑,比较α为0.2、0.5、0.8时的响应与误差。禾味食材与匿名服装终端订单两个案例显示:单日误差下降,五天累计误差却可能上升。文章区分当日更新后的水平与提前一天的预测,保留季节性朴素基线,附原始数据哈希、逐行结果、测试与黑白图重绘脚本。

继续阅读 →
阅读约需 12 分钟·博客