多数日子没有订单,偶尔一单很大:零需求该怎样预测
供应链预测与计划 · 第9篇
第8篇解决了“总部和门店的数字怎样加得起来”。但把口径协调一致之后,底层数据可能仍然很难看:一款特殊颜色尺码,十几天没有补单,突然出现120件;一道低频菜使用的原料,好几天不消耗,某天又用了4公斤。
把这些序列画成曲线,大部分位置贴着零,少数位置竖起高峰。直接套平滑模型不是绝对错误,但首先应该问:这些零究竟是什么?我们要预测的又是每天的订单,还是未来一段时间的总需求?
本文从“零”的业务含义出发,手算 Croston、SBA 和 TSB,再用两个可复现的模拟序列做比较。重点不在找一个永远获胜的算法,而在理解:平均需求率不是订单日历,误差低也不等于缺货少。
本文全部数量和结果为教学模拟,不连接真实系统,不构成采购或排产建议。服装企业匿名;禾味为虚构品牌。本篇只生成两个单序列各180天,并非完整的两店、8食材SKU面板;原有14天样本只是系列背景。算法由本文用Python标准库教学实现,不宣称复刻某个商业软件。
一、先分类零,再选择模型
| 观测状态 | 服装例子 | 禾味例子 | 应怎样处理 |
|---|---|---|---|
| 真实零需求 | 有货可售,但没有补单 | 正常供应却无人点单 | 可以作为零需求观测 |
| 供给受限 | 缺面料导致零出货 | 原料缺货导致零销售 | 不能直接代表零需求 |
| 计划不供应 | 款式下架 | 当天菜单不供应 | 使用生命周期或菜单日历 |
| 数据缺失 | 接口漏传订单 | 门店尚未上传记录 | 标记缺失,不悄悄补零 |
预测目标应是“确认后的需求数量”,不能把发货数量当需求。否则模型可能将生产能力不足学成市场不再需要。
禾味的菜单尤其重要。如果未来哪天供应某道菜已经确定,优先利用已知日历,并对供应日的需求建模;没有必要让间歇模型重新猜日历。本文的实验只比较不使用日历特征的需求率方法,不声称它优于日历模型。
二、两个描述数:多久来一次,一次有多大
先看8期需求
[0, 2, 0, 0, 4, 0, 0, 0],单位为件。总共8期,只有2期为正。
ADI = 观察期数 ÷ 非零期数 = 8 ÷ 2 = 4期/次。
它描述这一段数据的稀疏程度,不是承诺以后严格每4期来一次。首尾截断会影响它;它也不一定等于直接把两次事件间的间隔取平均。
再只看非零批量 [2, 4]:均值是3件。本文用样本方差:
s² = [(2−3)² + (4−3)²] ÷ (2−1) = 2件²。
分母是样本数减1,因此这里只有1。再除以均值的平方:
CV² = s² ÷ 均值² = 2 ÷ 9 ≈ 0.222。
CV²没有单位,衡量正批量的相对波动。它不包含零日期,否则就和我们要描述的东西不同了。只有一个正值时,样本方差无法按这一定义计算;全零时,ADI与CV²都记为“不适用”,不是无穷大或零。
日数据稀疏,按周加总后可能连续。因此这里不使用固定阈值自动决定模型。先确定决策周期,再把这些数作为候选模型的线索。
三、Croston:批量除以间隔
设 z 是对非零批量的估计,a 是对事件间隔的估计。平均每期需求率为:
r = z ÷ a。
如果 z=400件/次、a=3周/次,则r约为133.3件/周。单位相除后,“次”抵消,留下“件/周”。这不是下一周一定有133件订单,而是把不规则批次折成平均速度。
新来一笔600件订单,距离上一笔5周。设平滑参数 α=0.2,也就是新信息占20%、旧估计占80%:
- 新z = 0.2×600 + 0.8×400 = 440件。
- 新a = 0.2×5 + 0.8×3 = 3.4周。
- 新r = 440÷3.4 ≈129.41件/周。
这次订单更大,但间隔也拉长,所以平均需求率反而略降。只盯着600件这个峰值,会漏掉后一半信息。
Croston通常只在非零事件出现时更新z和a。连续零需求期间,r保持不变。该机制适合表达“还在等待下一笔订单”,却不擅长应对真实的持续衰退。其比率估计也存在偏差问题。原始研究对这些限制的讨论
四、SBA与TSB,不是同一件事的两个名字
SBA:给比率做近似偏差校正
本篇采用批量与间隔共用α的版本:
r_SBA = (1−α/2) × z/a。
α=0.2时,校正系数为0.9。上面的129.41件/周乘0.9,得到116.47件/周。“近似校正”不等于每条有限样本都更准,也不等于消除了所有偏差。它仍然不会在连续零期间逐步衰减。
TSB:每期更新发生概率
TSB把间隔换成发生概率p。记I为本期是否有正需求:有则I=1,无则I=0。设概率参数β=0.1:
新p = β×I + (1−β)×旧p。
无需求时I=0,所以新p=0.9×旧p;有需求时加上0.1。正批量z仍只在有需求时平滑更新。最终:
r_TSB = p × z。
例如p=0.25、z=400件,原需求率为100件/周。连续4周无单后,p=0.25×0.9⁴=0.164025,r=65.61件/周。每一步的“0.9”表示保留90%的旧概率。
这里的p是自适应估计,不是经过概率校准检验的保证。正常的长间隔也会让TSB下调;已确认停售时,应由明确的业务状态停止供给,而不是等模型慢慢猜。
五、从手算到实验:先冻结比较规则
实验有两个独立序列:匿名服装单个款色码的日补单件数,以及禾味一家店一个低频原料的日需求公斤数。禾味不是直接把菜销量当原料需求,假定此处已按固定净料口径换算,实验不模拟损耗。
生成器用固定算术规则制造稀疏事件,不调用随机数:服装约每11天有单,前段叠加少量其他订单;禾味前段约每7天有需求,后段降低频率。这些规则只是构造可重复的教学情景,不是拟合出的真实规律。如果这些日历已知,日历模型应成为额外基线,本实验没有做那一比较。
按180天划分:前112天训练,第113—140天验证,第141—180天测试。训练段服装有13个正需求日,ADI约8.62;禾味有16个,ADI为7。CV²分别约0.0482和0.1088,都是按非零批量样本方差算出。
每次预测未来5天总需求,每5天向前滚一次,使用当时已发生的数据重算状态:
- 验证目标窗口为113—117、118—122、123—127、128—132、133—137,共5个;138—140不计入验证评分,避免跨到测试段。
- 测试目标窗口为141—145起,到176—180止,共8个,不跨边界。
- 测试开始时可以使用截至140天已经发生的需求;之后也可以更新模型状态,但不能重新选择参数或方法。
零预测和历史均值做基线;Croston、SBA、TSB各比较α=0.1、0.3。TSB为限制教学搜索量,设β=α,并未独立优化两个参数。均值使用截至预测时点的全部历史,不是“非零日均值”。
初始化也会改变结果:第一次正需求位于第k天时,令z等于该批量、a=k、p=1/k;首次正值之前统一预测0。每个预测原点从可见历史按同一规则重放。全零分支只代表缺少正需求证据,不构成对未来必为零的证明。
六、指标一换,胜负就会变
主要选择指标是5天累计需求的平均绝对误差:
窗口MAE = 各窗口 |预测总量−实际总量| 之和 ÷ 窗口数。
另报告平均偏差,定义为“预测−实际”,正数代表平均高估;还报告日MAE,把每个窗口内的恒定日预测率分别与5天实际量比较。一个是窗口总量,一个是每天,不应混用单位和解释。
验证时,两案例均选中Croston、α=0.1。下面列出所有预先定义的方法在测试段的表现;其他平滑方法的α也只根据各自验证成绩选定,均为0.1。展示测试排名不是在测试集重新选型。
| 案例与方法 | 5天窗口MAE | 平均偏差 | 日MAE |
|---|---|---|---|
| 服装·零预测 | 55.00 | −55.00 | 11.00 |
| 服装·历史均值 | 56.00 | 7.57 | 21.05 |
| 服装·Croston(冻结选择) | 55.00 | 11.89 | 21.70 |
| 服装·SBA | 55.00 | 8.55 | 21.17 |
| 服装·TSB | 67.95 | −4.72 | 19.56 |
| 禾味·零预测 | 1.00 | −1.00 | 0.20 |
| 禾味·历史均值 | 1.78 | 1.36 | 0.60 |
| 禾味·Croston(冻结选择) | 1.77 | 1.40 | 0.61 |
| 禾味·SBA | 1.68 | 1.28 | 0.58 |
| 禾味·TSB | 1.62 | 0.49 | 0.46 |
服装前三列数量单位为件,禾味为kg;MAE不是百分比,不跨案例直接相加。表格四舍五入到两位,原始精度保留在CSV/JSON。
服装的零预测、Croston、SBA窗口MAE并列,但偏差完全不同。禾味的零预测甚至赢了两种MAE,因为后段事件更少。这个结果不能藏起来,也不能据此声称“以后都不备货”。零预测意味着所有正需求都被预测为零;测试段禾味累计实际需求仍是8kg,服装为440件。
这里没有库存、交期、缺货损失或报废成本回放,所以不能把误差改进翻译成库存节省,也不能证明某个模型最适合补货。真正选择供给策略,要回到第5—7篇的保护期、库存位置、批次和服务约束。
MAPE在实际值为零时无法直接计算,本篇不用它。WAPE在整个评估段总需求为零时也无正常定义,不能给分母偷偷加一个极小值,再拿结果做业务排名。
七、落地前,产品需要保留哪些证据
建议在预测结果里同时保存:目标对象、单位、时间粒度、零值状态、历史可见截止日、初始化方式、模型与参数、训练/验证/测试边界、原始预测率和业务处理后的数量。
原始率可以是小数。若下游只能整件下单,应在库存净额、采购批量与约束阶段取整,不要在算法中每天先把0.4件变成0,从而损失累计量。概率×正批量也只是条件均值,不能直接当P90或安全库存。
AI Agent可以帮助检查字段、生成对照图、解释异常;计算仍由确定性脚本执行。遇到“缺货”“停售”“缺失”时应输出待核对原因,而不是自作主张补零。预测工具不应拥有采购或排产写入权限。
八、自己复现与反证
实验包包含data.json、run.py、test_run.py、results.json、predictions.csv、说明和审查报告。Python 3.10以上,无第三方运行依赖。运行:
cd practice
python run.py
python -m unittest -v脚本会在practice目录重建模拟数据和结果文件,请在副本上实验。先复算一个窗口,再把测试段改成全零:验证选型应保持不变,第一次测试预测也不应提前知道被修改的未来。下面这段代码直接在内存中修改数据,不会被生成器覆盖,也不改已保存的结果文件:
python - <<'PYTEST'
from run import generate, experiment, evaluate
original = generate()
baseline, _ = experiment(original)
changed = {k: v[:] for k, v in original.items()}
changed['apparel'][140:] = [0] * 40
rerun, _ = experiment(changed)
assert baseline['apparel']['frozen_selection'] == rerun['apparel']['frozen_selection']
_, old = evaluate(original['apparel'], 140, 180, 'croston', .1)
_, new = evaluate(changed['apparel'], 140, 180, 'croston', .1)
assert old[0]['forecast_5'] == new[0]['forecast_5']
print('未来扰动检查通过')
PYTEST随后可以改变α,观察零尾部响应,记住此时是新的探索,不能覆盖已冻结成绩。
本篇回答的是“已有历史,但大部分期为零”。下一篇将转向另一种困难:新品、新店连足够的历史都没有,第一版预测要从哪里获得信息。两者都不能靠把没有观察到的东西写成零来解决。
参考与边界
- Teunter、Syntetos、Babai,2011:间歇需求与库存淘汰:用于方法机制与偏差限制;本文不是论文仿真实验复刻。
- StatsForecast:Croston Classic、SBA、TSB:可用于对照库实现;本篇不依赖这些库,也不保证初始化逐位相同。
- 本文生成器、手算示例、代码与图均为原创教学材料。有限的两个序列和少量验证窗口不能支撑行业泛化结论,更不能证明实际经营收益。