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。

需求出现频率与非零批量要分别理解

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%:

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。

连续零需求期间,Croston保持,TSB逐步下降

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:

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。

验证选择与测试结果并不总一致

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

从零值语义到计划决策,不应跳过中间检查

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