把 WMA 星期 安全库存和箱规接在一起
全文共 2576 字,阅读约需 6 分钟
把 WMA 星期 安全库存和箱规接在一起:这套补课把同一瓶合成的柠檬茶,从销售记录、订单、仓库、工厂、物料清单一直追到预测、建议单、审批和模拟反馈。读者只需会四则运算、百分数和平方根。每章先手算,再运行程序,最后故意破坏一个输入,看系统有没有拒绝错误。
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。
新增离线教学实验,非生产流程。下载核心12章实验包。core-13已新增有限预售/PO/STO/WO联合实验;通用跨期联合优化未实现,审批、回写和执行仅在本地模拟。
共同运行方法与边界
从数据到离线决策的十二个补充实验
这套补课把同一瓶合成的柠檬茶,从销售记录、订单、仓库、工厂、物料清单一直追到预测、建议单、审批和模拟反馈。读者只需会四则运算、百分数和平方根。每章先手算,再运行程序,最后故意破坏一个输入,看系统有没有拒绝错误。
所有商品、销量、价格、人物角色和指标都是合成数据。所有订单、价格、曝光与反馈都只写入本地模拟账本。没有真实采购、调拨、制造、营销、食品放行或对外发送。 这些实验展示机制,不能作为生产就绪、真实收益、质量安全认证或完整企业系统的证明。
主商品是 SPU TEA 下的 SKU T-L(500 ml
柠檬茶一瓶)。另一 SKU T-P 只在流量实验作为桃茶对照。SKU
是可独立计数的商品,SPU 是产品家族。这里“一瓶”记作 ea;6
瓶为一箱。原料有糖浆 R-SYRUP、包装膜 R-FILM
和空瓶 R-BOTTLE。
统一决策时点为 2026-06-15 08:00 UTC,主要计划到货日为
06-17。event_date 是业务发生日期;target_date
是记录适用的预测/计划日期;known_at
是我们最早能使用这条记录的时间。三个字段不能互换。
阅读与运行
解压 forecast-core-gap-labs.zip,进入包目录,用 Python
3.10 或更高版本运行:
python core_lab.py --self-test只依赖 Python 标准库,不需要联网、账号、密钥或安装第三方包。程序读取
data/ 下的 CSV/JSON,输出
output/report.json、policy_daily.csv、orders.csv、approval_audit.csv
和 four_dimensions.csv。正常运行不会重建输入,所以修改 CSV
后能观察结果变化。--generate-fixtures
会明确重建合成输入,只在想恢复初始数据时使用。非法选项退出码为
2,不能当作实验通过。
所有练习修改都应在复制出来的实验目录做。--self-test
包含初始数据的标准答案断言,修改数据后这些断言可能失败,这正是需要解释的差异。想只计算修改后的输入,用
python core_lab.py --output-dir output_changed。不要为了得到“全部通过”而把错误答案写进断言。
预期阅读顺序:业务限制 → 主数据 → 可得时点 → 四层链路 → 补货算式 → 预售与来源分配 → 状态机 → 库存差异 → 采纳 → 三指标 → 流量 → 事件联动。每章的需求编号用于追溯原范围,不代表该范围已由独立审查判定完整。
core-05 把 WMA 星期 安全库存和箱规接在一起
覆盖 G05。目标是用同一输入从历史销量算到最终补货,同时保留每一步造成的增量和冲突。
1 先去掉星期效应
WMA 是加权移动平均,越近的数据给更大权重。若原销量含星期高低,就先除星期系数再求趋势,最后乘未来星期系数,避免把周末效应重复算两遍。
b_t = y_t / s_t。y_t 为第t天销量,单位瓶;s_t
为该星期的无量纲系数;b_t
为去星期的日基准,单位瓶/日。固定七天系数为0.9、0.9、1.2、1.0、1.1、1.0、0.9,平均为1。
最近三天为:周五132÷1.1=120,周六120÷1=120,周日126÷0.9=140。
B = (w1×b1 + w2×b2 + w3×b3)/(w1+w2+w3)。B是新日基准,权重无单位。用1、2、3:分子120+240+420=780,分母6,所以B=130。
预测_t = B × 未来星期系数_t。周一130×0.9=117,周二117,周三130×1.2=156;三天总计390瓶。
2 再估计误差缓冲
四次已到期、无泄漏的单日误差为−10、10、−10、10瓶。此处误差定义为实际减预测。每个误差平方100,均值100,开平方得到10瓶。
σ = sqrt[Σ(e_i²)/n]。σ是本实验使用的残差均方根,单位瓶;e_i是误差;n=4。它不是已知总体真实标准差,仅是极小教学样本的估计。
SS = z × σ × sqrt(H)。SS为安全库存,单位瓶;z=1.65是本实验指定的无量纲风险系数;H=L+R=3;所以SS=1.65×10×√3=28.5788瓶。平方根成立依赖每日误差近似无偏且互相独立。残差有关联、交期随机或需求非正态时,这个式子不能直接保证95%服务。
动态的意思是每个新的决策cutoff,都可以用当时已到期的新误差重新估计σ。不能用尚未发生的未来误差更新今天SS。若σ变20,其他相同,SS变57.1577瓶。
3 库存位置与整箱
IP = 可售 + 可靠在途 − 独立已承诺数量。IP=180+60−30=210瓶。POS目标不含那30瓶OMS需求,因此减预留没有重复计数;如果预测已包含OMS,就不能再这样减一次。
Q_raw = max(0, Σ预测 + SS − IP)。max表示若结果为负就取0,不能订负数。Q_raw=390+28.5788−210=208.5788瓶。
MOQ是“有下单时的最低量”,本例12瓶。箱规c=6瓶/箱:
Q = 0(当Q_raw=0);否则 Q = c × ceil[max(Q_raw, MOQ)/c]。
ceil是向上取到整数。208.5788÷6=34.7631箱,取35箱,再乘6=210瓶。多出的210−208.5788=1.4212瓶是包装约束造成的,不是预测需求。
4 冲突账
| 步骤 | 数量或状态 |
|---|---|
| 三天POS预测 | 390瓶 |
| 误差缓冲 | 28.5788瓶 |
| 库存位置 | 210瓶 |
| 未取整缺口 | 208.5788瓶 |
| MOQ/箱规后 | 210瓶 |
| 基准收货容量 | 210瓶,正好可容纳 |
| 故障容量180 | BLOCKED_CAPACITY,缺30瓶容量 |
如果容量只有180,不能悄悄把210改为180又显示“成功”。要输出冲突,再讨论分批、不同日期或降低服务目标。本包只报冲突,不替人决定如何承担后果。
5 项目与答案
输入
pos.csv、snapshots.csv、config.json,输出
pipeline、capacity_conflict。将最近误差幅度从10改20,未取整量237.1577,取整240瓶,超过210容量,应挡住。若Q_raw=1、MOQ=12、箱规6,答案12;Q_raw=0时答案0,而不是强行凑MOQ。
故障注入:交期改3但未来系数仍只有三天,HORIZON_MISMATCH。正确修复是新增第四天的合法预测和信息契约,不是关掉断言。
边界: 星期系数、权重、z及误差样本都是合成给定参数,没有通过真实回测确定;输入准备与模型选择仍需独立验证。
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。