预售净留存与小型来源联合分配
全文共 2752 字,阅读约需 6 分钟
预售净留存与小型来源联合分配:更新:本课保留分开求解的基础对照。core-13 已新增预售与PO/STO/WO联合的有限教学模型,并非通用生产优化系统。
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。
更新:本课保留分开求解的基础对照。core-13 已新增预售与PO/STO/WO联合的有限教学模型,并非通用生产优化系统。
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-06 预售净留存与小型来源联合分配
覆盖 A07 的剩余预售链,并给出有边界的MRP/APS/多地点资源联算。目标是分清“取消后的净需求”“防风险的备货量”和“从哪儿补”。
1 订单数不等于最后留存数
除了已确认的OMS30瓶,新增一组独立预售100瓶。它们不在POS390瓶中,也不在已确认30瓶中。三个可得情景是:留存40、70、90瓶,概率0.2、0.5、0.3。每个概率无单位,和必须等于1。
E[N] = Σ(概率 × 净留存)。E[N]=0.2×40+0.5×70+0.3×90=8+35+27=70瓶。预期取消=100−70=30瓶。单个订单是否取消仍未知道,不能把均值当作真实执行名单。
按均值补货:原未取整缺口208.5788+新增预期70=278.5788瓶,向上整箱为282瓶。POS安全库存仅覆盖POS残差;这里新增预售的不确定性需另处理,不能既把它并入σ又重复完整对冲。
2 用缺货和余货成本选择对冲量
q是专门为新增预售准备的数量,单位瓶。N是情景留存瓶数。每少一瓶的教学损失Cu=8元;多一瓶的教学损失Co=2元。
C(q,N)=8×max(N−q,0)+2×max(q−N,0),单位元。每个情景各算一次,再按概率加权。
- q=42时,低情景多2瓶:4元;中情景少28瓶:224元;高情景少48瓶:384元。期望0.2×4+0.5×224+0.3×384=228元。
- q=72时,低情景多32瓶:64元;中情景多2瓶:4元;高情景少18瓶:144元。期望12.8+2+43.2=58元。
- q=90时,低情景多50瓶:100元;中情景多20瓶:40元;高情景刚好。期望20+20=40元。
程序枚举q=0、6、12……102,最小值为90瓶、40元。最优90高于均值70,是缺货损失较高导致,不是“预测应改为90”。在原缺口上加此对冲量,208.5788+90=298.5788,整箱300瓶;也超过原收货容量210,因此这是待解决的冲突方案,不是已批准订单。
3 为基础210瓶挑来源
本节先只求不含新增预售的基础210瓶。PO表示向外采购;STO表示从远仓调入;WO表示本地生产。变量p、s、w都为瓶且是6的倍数。
约束:0≤p≤120;0≤s≤84−24=60;0≤w≤90。远仓必须保留24瓶。BOM还要求0.2w≤20kg、0.25w≤24m、w≤100个空瓶。本例生产能力90比材料上界更紧。
成本:3p + 2s + 12×I(s>0) + 1.5w + 20×I(w>0) + 8×缺货 + 2×多余。I条件成立为1,否则0。3、2、1.5是每瓶来源成本,12和20是启用来源的固定成本,缺货=max(210−p−s−w,0),多余=max(p+s+w−210,0)。所有项单位都是元。
穷举所有可行整箱组合,最优p=60、s=60、w=90。费用180+120+12+135+20=467元,缺货和多余都为0。它不是先排一个固定优先级后得出的“最优”,而是实际比较了本模型所有离散候选。MES产能在11:00变为60,且新需求为222时,重算p=102、s=60、w=60,成本306+120+12+90+20=548元。
4 项目 故障和答案
输入
presale.csv、bom.csv、config中的来源上界。输出
presale.trials、joint_plan、late_joint_plan。把情景概率之一改成0.9而不归一化,应该拒绝。把远仓保留量改84,调拨上界变0,最优应重新计算,而不是照抄STO60。将膜改为10米,生产不能超过40瓶,按箱规最多36瓶。
练习:为什么“282瓶、300瓶和210瓶”都出现?答案:210是不含新增预售的基础计划;282是新增预售按均值的总建议;300是采用90瓶对冲量的总建议。它们不是三张可同时相加的订单。
仍未实现: 新增预售对冲与多来源分配在本包分开求解,300瓶不能直接冒充已完成联合寻优。没有跨多期、随机交期、复杂工序、全网共享库存、通用MRP/APS/MEIO或企业级齐套系统。A07的大范围仍需保留这一未完成项。
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。