3 鞋服测款后验与生命周期追单
全文共 3996 字,阅读约需 8 分钟
3 鞋服测款后验与生命周期追单:本课把白皮书中的温度动态货架期、鞋服贝叶斯测款与生命周期追单、VMI协同、生鲜小时缺货和联名首二配补成完整小实验。读者只需会百分比、乘除、比较大小和按时间记账。先用本文数字手算,再运行同目录项目包,最后故意修改输入,看结论是否随约束改变。
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。
R3模拟教学实验,16份CSV/149行。下载行业机制扩展 R3。温度风险不授权延长标签效期;缺货需求不可直接观测;VMI实物账与当时可见信息分开。程序结果不是自动补货、食品放行或实际收益证据。
共同运行与验收方法
行业缺口补课与五个可复算实验
本课把白皮书中的温度动态货架期、鞋服贝叶斯测款与生命周期追单、VMI协同、生鲜小时缺货和联名首二配补成完整小实验。读者只需会百分比、乘除、比较大小和按时间记账。先用本文数字手算,再运行同目录项目包,最后故意修改输入,看结论是否随约束改变。
所有企业、日期、温度、数量、参数和历史活动均为独立模拟。它们不是食品安全验证数据、真实商业预测或收益证据。脚本仅在本地读写CSV/JSON,不登录业务系统、不发采购单、不改标签效期、不放行食品、不调价或配送。
阅读顺序:小时销量与不可观测需求 → 温度累计与批次 → 测款概率与生命周期 → VMI物理账 → 联名分配。每节约60—90分钟:15分钟读题,20分钟手算,25分钟运行与改参,15分钟写清边界。不要先背模型名。
配套包为 forecast-industry-expanded-r3.zip。第三版补强小时完整性、实物与信息分账、主键/外键与活动时钟校验。解压后在包内依次执行:
python generate_data.py
python run_labs.py
python -m unittest -v test_labs仅需Python
3.10或更新版本的标准库。生成器会重建data中的原始模拟输入,因此想保留改参实验时先复制目录。run_labs.py始终从CSV重新算,数值不从固定答案抄回。参考结果在outputs/results.json,异常测试记录在outputs/test_report.txt。建议把原始版与改参版分别输出到不同目录:python run_labs.py --data data --out outputs/my_run。
本课覆盖白皮书§3.1的小时断货/清仓与温度轨迹、§3.2的测款/生命周期/返单、第二部分制造业VMI、§3.4的联名首二配。它不替代多级库存优化、两阶段面料、尺码纠偏、多层BOM、完整APS等其他课程,也不把这五个项目宣称为整本白皮书所有内容都已验收。
6 完成标准与如何使用项目包
每节都要交四件东西:原始输入、逐符号手算、程序结果、假设和失败情景。脚本跑通不代表理解;会手算也不代表已验证模型有真实预测能力。
data内有16个CSV与config.json;输入记录共149行,不计表头和JSON。精确文件行数/字段见包内DATA_DICTIONARY.md与MANIFEST.json。outputs包含完整JSON、两份VMI逐事件账、小时估计、联名分配和测试记录。模拟真值文件只用于评分/回放,绝不能作为决策时点已知特征。
第三版55项正常路径和异常路径均由test_labs.py执行,包含独立审查发现问题的回归:温度缺测/晚到/标签截止;漏斗分母/无数据/季末到货;VMI延误/晚通知/守恒/待检;小时样本缺失/PV误用;联名晚到核销/重复事件/运力改变/非法时段份额。还共同拒绝NaN和无穷大。
课程采用的是可解释的最小模型,不要求每个领域都训练复杂网络。以后增加树模型、温度非线性模型或联合优化,仍必须保留这里的时点、单位、口径与库存账。任何“精度提高”“更安全”“利润改善”都需要另外设计真实数据验证或授权试验;本包不给这类外推结论。
概念出处:用户上传《供应链预测与计划全景白皮书》的行业场景。原文未核实的收益比例没有转写为事实。Beta—二项共轭、区间累计和库存收支式是本课明确给定模型的数学推导;所有具体参数及数值由本包模拟生成。范围索引:C01/C02小时缺货与清仓、C04温度累计、B02/C08测款到返单、B05的VMI子机制、C14联名首二配。
3 鞋服测款后验与生命周期追单
3.1 先分清漏斗与件数
本例新品X在第0日上架,第3日结束72小时观察后决定是否追单。库存表明确款号style与上架时点launch_at,只允许一款和一条库存快照;生命周期第一段起点必须等于(origin−launch_at)换算的天数。只改决策日期而不改阶段窗口会被拒绝,不能仍从第3日机械算交期。原白皮书“上架前72小时”与使用上架后转化信息相冲突,本课明确使用上架后72小时,不据原文歧义倒填数据。
三行是三个不重叠的24小时窗口:
| 窗口 | 曝光 | 点击 | 加购会话 | 收藏会话 | 合格独立会话n | 首单件数x | 缺货点击 | 重复点击 |
|---|---|---|---|---|---|---|---|---|
| 0—24小时 | 1000 | 100 | 25 | 20 | 80 | 8 | 10 | 10 |
| 24—48小时 | 1600 | 160 | 40 | 32 | 120 | 18 | 25 | 15 |
| 48—72小时 | 2000 | 200 | 50 | 40 | 100 | 20 | 55 | 45 |
合格会话定义为去重后、在可买库存/选项下被完整观察的会话,每个会话最多买1件。每行合格+缺货+重复=点击。收藏和加购可以重叠,不能互相相减或强行视为同一个严格串行漏斗。
CTR=点击÷曝光=460÷4600=10%。加购/点击=115÷460=25%;收藏/点击=92÷460=20%。本节贝叶斯模型估计的是合格会话的购买概率p,不是CTR,也不是全流量买家比例,更不是生命周期总销量。
3.2 Beta更新可以理解为累加两本计数账
先验取Beta(α,β)=Beta(2,18)。α、β是正数、无单位。可把2和18理解为固定教学先验中的成功/未成功权重,先验均值为2÷(2+18)=10%。不是额外观测到20个真实顾客。
观察n个合格会话,其中x个购买。在条件独立、同一p、无重复计数的模型下:
α后=α前+x;β后=β前+(n−x);p后均值=α后÷(α后+β后)。
逐步算:
- 第1天n=80、x=8:α=2+8=10;β=18+72=90;均值10÷100=10%。
- 第2天再n=120、x=18:α=10+18=28;β=90+102=192;均值28÷220≈12.727%。
- 第3天再n=100、x=20:α=28+20=48;β=192+80=272;均值48÷320=15%。
也可一次汇总:n=300,x=46;(2+46)÷(2+18+300)=48÷320=0.15。原始46÷300≈15.333%,先验轻微拉回。不能把三个每日百分比简单平均,因为每日分母不同。
为什么加起来合理?若你先学了幂次,Beta先验对p的相对权重含p(α−1)(1−p)(β−1),n次中x次成功带来px(1−p)(n−x)。同底数相乘指数相加,新的指数就是α+x−1与β+n−x−1。不需要先学积分证明,先理解“成功加到α,失败加到β”。
脚本还计算在该模型和先验条件下的95%后验区间,约[0.11308,0.19107]。这是p的可信区间,不是未来销量必在某两个整数之间,也不涵盖错误人群匹配、季节过时或流量计划失准。后验概率P(p≥0.12)≈0.94055;算法用整数参数的Beta/二项恒等式数值计算,不能靠四舍五入的0.15替代这一步。
缺货会话被排除并不自动消除偏差。如果买得最快的尺码缺货,合格会话可能偏向其他尺码。把这个p推广到将来,必须假设未来可售选项和人群足够可比,或另分层建模。本例不声称已经恢复缺货顾客的真实偏好。
3.3 从转化概率走到生命周期数量
第3日以后还有9天销售期。未来合格会话量是业务情景,不是已观测事实。生命周期阶段的转化倍率也是预先冻结的模拟参数,不能利用当前款未来销量反推。
| 阶段 | 天数 | 每日合格会话 | 转化倍率g | 购买概率p×g | 阶段期望件数 |
|---|---|---|---|---|---|
| 第3—6日 | 3 | 400 | 1 | 0.15 | 3×400×0.15=180 |
| 第6—9日 | 3 | 300 | 0.8 | 0.12 | 3×300×0.12=108 |
| 第9—12日 | 3 | 100 | 0.4 | 0.06 | 3×100×0.06=18 |
公式D̂阶段=天数×每日会话×p×g。剩余期望306件,已售46件,加总生命周期期望352件。不能写成“15%转化,所以生命周期352件必定卖完”。曝光少一半,p不变,数量仍会明显减少。
若中期会话300改成0,剩余期望从306降到198件,追单建议也可变0;这是真正区分“测款概率”与“销量计划”的测试。
3.4 追单只能服务到货之后
首单100件,已售46件,现存54件。新订单交期3天,第6日到货;另有20件已确认在第6日到货。第12日季末结束。每箱10件,MOQ50件,供应上限120件。
先算时间:追单到货前的均值需求情景为180件,现存只有54件,差126件。这126不能用第6日以后的追单倒回去满足。没有延期交付、替代购买和跨期等待是本例假设。
到货时原库存剩余的均值情景为max(54−180,0)=0;加确认在途20件,追单前可用20件。到货后需求情景108+18=126件,净缺口126−20=106件。
按整箱向上取整:ceil(106÷10)×10=11×10=110件。ceil表示向上取最近整数。110满足MOQ50与上限120。
教学追单门槛预先设为P(p≥0.12)≥0.8。0.94055≥0.8通过,最终输出110件草稿建议,均值情景期末余20+110−126=4件。
这里max(现存−平均需求,0)不等于“剩余库存的数学期望”。库存截断是非线性的;我们明确在均值情景上演示计划,并未积分全部需求不确定性。真正比较期望利润或缺货风险,需对需求、曝光与到货时间联合采样,再逐情景回放库存。0.12和0.8是教学门槛,不是已优化的商业最优阈值,不能宣称110件利润最优。
3.5 必须做的失败测试
- 第3天漏斗到第74小时才到达:第72小时只能用前两行,后验变Beta(28,192),不能读未来窗口。
- 所有合格会话为0:保留先验,但状态必须为insufficient_observations,不凭先验自动追单。
- 将新交期改到季末:到货第12日,输出arrival_after_lifecycle与0追单。
- 购买数大于合格会话,或重复窗口重叠:拒绝输入,不能得到大于100%的“转化率”。
作业提交漏斗分母对账、三次后验更新、三阶段需求、到货前后库存时间线、改参结果。验收答案为48/272、0.15、306/352、到货前缺126、到货后净缺106、整箱追单110。不要把352当成发货承诺。
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。