网站导航

鞋服A5:预售等了十天,还要为多少单备货——条件留存而非重复扣取消

全文共 2612 字,阅读约需 6 分钟

鞋服A5:预售等了十天,还要为多少单备货——条件留存而非重复扣取消:本篇依据用户上传《供应链预测与计划全景白皮书》3.1、3.2以及第一部分四层闭环架构,将其中的行业业务转成可以实际完成的教学实验。预售案例另衔接白皮书预售专项。下列企业、订单、数量、成本、传感器读数及模型参数全部为独立模拟数据,不是企业真实

← 学习路线
课程目录与学习记录 0 / 109

学习进度仅存于本机浏览器。原教程站的记录不会跨域自动迁移;可先在原站导出留存,新站按实际完成情况重新勾选。

入门数据与作业包

禾味数据为 2 店 × 8 SKU × 180 天,共 2,880 行,是可见教学数据,不是封存盲测集。起步包是模拟夹具,不表示已完成六行业预测实验。资源中心另有四专项工程、模型实验和计划实验,使用前请阅读各自能力边界。

鞋服快反 · 第5个独立案例。数据、参数及结果均为教学模拟;本例小样本演算不是大规模模型训练或真实业务效果。
下载本行业案例输入、说明与可运行计算器

共同阅读与提交约定

行业案例实验室:生鲜食品与鞋服快反

阅读前说明

本篇依据用户上传《供应链预测与计划全景白皮书》3.1、3.2以及第一部分四层闭环架构,将其中的行业业务转成可以实际完成的教学实验。预售案例另衔接白皮书预售专项。下列企业、订单、数量、成本、传感器读数及模型参数全部为独立模拟数据,不是企业真实结果,也不是既有D9—D13实验的数据。原文没有可核验来源的行业收益百分比不作为本教程结论。

这里明确分开三件事:预测回答“未来可能发生什么”;计划回答“约束之下准备多少”;执行回答“谁批准并落实”。以下只生成教学建议和检查报告,不发采购单、不改效期、不下生产单。案例是教程站点的课程与作业,不是已发布的12lab专题文章;完成实验后才能把证据整理为专题文章。

本篇共10个不同场景,每个行业5个,难度由观测与算术逐步到概率、约束与条件概率。学习顺序建议:数学桥梁→数据粒度→预测基线/误差→概率预测与库存→本行业实验室→预售等专项。每例核心用时约60—90分钟,可拆成读题15分钟、手算20分钟、表格或Python实现25分钟、边界检验15分钟。所有日期都是实验时钟;只能使用预测时点已经知道的信息。

共同提交要求

每例建立单独目录,包含input.csv(保留本文输入)、result.csv(逐行结果)、answer.md(逐步解释和适用边界)、一张图和checks.md(至少正常、边界各一例)。下文写明每个项目的具体图与验收数值。读者可用电子表格完成,不要求会微积分、矩阵或概率论证明。百分比先换成小数再计算,例如80%=0.8;“期望值”是许多重复情况的长期平均,不承诺这一次恰好发生。


鞋服A5:预售等了十天,还要为多少单备货——条件留存而非重复扣取消

1. 场景和模拟数据

匿名服装企业预售产品的第10日仍有80单有效、未发货,每单1件。预测这些当前有效单到第20日仍未取消的件数。教学表来自更早的独立模拟同类订单,分两个阶段,每阶段取消概率已知,暂不加入发货;不使用未来信息估参数。

阶段进入阶段订单数阶段取消数阶段末留存数
0—10日1002080
10—20日802060

另有第60日未发货强制关闭规则,是虚构平台情景约定,不是行业统一政策。第20日后数据未给出,不允许外推到60日仍用同一比例。

2. 符号和计算

h_1=20÷100=0.2、h_2=20÷80=0.25;h表示在已活到阶段开头的前提下,本阶段取消的概率,无单位。第一阶段留存S(10)=1−h_1=0.8;S(20)=(1−h_1)(1−h_2)=0.8×0.75=0.6,S是概率不是订单数。

已经在第10日的80单,不该再承担过去已发生的取消。条件留存=S(20)÷S(10)=0.6÷0.8=0.75;预计第20日有效数=80×0.75=60单;预计新增取消20单。

错误做法80×S(20)=48,会把前10日取消重复扣一次。另一个测试:若当前有效数是50而非80,预测50×0.75=37.5单。这是期望,可为小数;实际执行需选合适分位数、产能和服务策略,不简单把37.5称作实际订单。

3. 删失、发货与边界

若订单第12日发货后不再允许取消,其离开取消风险集;它不是“永不取消的普通样本”。若优先发货的订单与未发货订单风险不同,发货删失可能有信息性,不能无条件宣称估出了“假设一直不发货”的取消曲线。入门项目明确无发货;进阶才加入竞争事件与假设检查。60日强制关闭应单独输出forced_close,不能混成自愿取消率训练目标。

4. 项目及标准答案

输入2行阶段统计+1行当前订单规模,输出h、S、条件留存、预计取消/留存;画S阶梯图,另标第10日预测起点。验收h为0.2/0.25,S为0.8/0.6,条件留存0.75,80单预测60;当前50单预测37.5;S(10)=0时无法条件化,必须报“不存在此条件下有效风险集”,不能除0。answer.md必须解释为什么48错误,并说明当前证据不足以推算60日、不能把期望留存直接当审批后的生产单。


教学参考与白皮书映射

  • F1对应3.1真实需求还原;F2对应3.1报童;F3对应3.1批次FEFO;F4对应3.1加工出品率/分割平衡;F5对应3.1冷链传感与动态货架期的前置风险特征练习,不冒充经过安全验证的效期模型。
  • A1对应3.2属性冷启动;A2对应3.2小单快反与贝叶斯;A3对应3.2动态尺码配比;A4对应3.2面料前置/延迟制造;A5对应3.2预售对冲及预售专项。
  • 预测与数据泄漏、回测可读《Forecasting: Principles and Practice》第3版5.8 Evaluating point forecast accuracy、5.10 Time series cross-validation:https://otexts.com/fpp3/accuracy.html 与 https://otexts.com/fpp3/tscv.html 。本篇新增行业题为教学推导,不把这些网页误标为行业案例数据来源。
  • 生产实践需另取得商品质量标准、业务效期政策、实际BOM、产能及批准流程;本页不提供医疗/食品安全有效性保证。

本组案例的毕业检验

学习者应能够解释:销售何时只是需求下界;预测期望与库存分位数为何不同;总库存和可售批次库存为何不同;不同部位和不同尺码为何不能随意相抵;先验如何影响小样本;当前有效订单为何必须用条件留存。任选生鲜与鞋服各一例,在不改原始输入的情况下复现答案,再改一个约束并解释决策变化。只有数字、单位、时点、边界均通过,才进入专题文章证据整理。

可运行配套包

配套 cases-fresh-apparel-data 提供11份CSV(A5历史与当前存量分开)和只读输入的 check_answers.py。运行 python check_answers.py --self-test,输出计算答案、输入摘要及11项扰动/非法输入测试;输入文件不会被覆盖。运行时可指定自己的输入目录,修改CSV将改变计算结果。固定成本、容量等题目政策参数范围见包内README;自动检查仅覆盖数值核心,完整作业还需提交图表、业务解释和边界分析。

配套实现特别约定:F1历史任一时段缺货或非正价,整日不参与p估计,避免仅删除缺货行后分母仍受删失;F5检查每批时段1/2/3是否齐全,缺失输出data_incomplete与人工复核,不产生安全结论;A5当前单量使用独立current_orders输入,不能修改历史风险集来模拟当前50单。

仅保存在本机当前浏览器,无账号云同步;清除浏览器数据会丢失。不自动认定你通过测试。建议先保留输出文件和计算过程。

所有数据、系数与业务场景均为教学模拟。预测不等于采购或排产指令。来源与修订说明。