网站导航

在同一十四天账本比较三项业务指标

全文共 2479 字,阅读约需 5 分钟

在同一十四天账本比较三项业务指标: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。

← 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。

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-10 在同一十四天账本比较三项业务指标

覆盖 G11。目标是把预测改动放进同一库存规则中,比较缺货、损耗和周转,而不是只报告预测误差。

1 公平比较先固定什么

两个方案使用相同需求、初始20瓶、交期1天、每天收盘下单、次日开门到货、1瓶包装单位、MOQ=0、同样的一日标签有效期以及相同先销售再清理规则。每日剩余必须在当天闭店报废,不能留给第二天。这个极短保质期是专门的压力情景,不是前面主商品10天期限的默认参数。

共同补货规则:次日订单=max(0,次日预测+SS−次日可用结转)。一日效期下结转为0。旧方案用固定预测20、SS=0;新方案用7日前同星期实际销量、SS=2。新旧改变的是预测/缓冲参数,库存执行规则不变。首日库存20相同,不能让新方案偷偷换一个更合适的起点。

需求14天为8、32、9、30、11、28、10,再重复一次。第0天前的七天历史为10、30、10、30、10、30、10。新方案下第1天预测使用历史30而不是明天实际32。第7天以后才使用已经发生的第0天以后数据。

2 每天的守恒

销售 = min(开门库存,需求);缺货 = 需求−销售;闭店报废 = 开门库存−销售。本例无退货,无跨日剩货,所以开门库存=销售+报废。

第0天两方案都是20瓶,需求8,销售8,缺货0,报废12。

第1天旧方案到货20,需求32,销售20、缺货12、报废0。新方案前一天只知道同星期历史30,加SS2订32,到货32,销售32、缺货0、报废0。

第2天旧方案20对需求9,销售9、报废11;新方案12对需求9,销售9、报废3。每个数都可以在 policy_daily.csv 找到,不能只看汇总好看的那几天。

3 三个指标与各自分母

缺货率=累计未满足瓶数/累计需求瓶数。旧60/256=23.4375%;新0/256=0%。本包是假定缺货丢失销量,没有延期欠交。

损耗率=累计报废瓶数/期间全部可用瓶数。旧84/280=30%;新38/294≈12.9252%。这里分母包含相同首日20瓶和期间实际到货,不是销售额或订单数。

先估算每日平均在手:(开门库存+报废前剩余)/2,单位瓶。它是线性耗用近似,不是真实逐秒积分。将14个日均值取平均,旧为13瓶,新为11.8571瓶。

14天周转次数=期间销售瓶数/平均在手瓶数。旧196/13=15.0769次;新256/11.8571=21.5904次。这是14天窗口,不是年周转。销售和库存同为同一SKU瓶数,才能约掉单位;多个不同成本商品通常要用一致的金额口径。

指标旧方案新方案
需求256256
销售196256
缺货瓶数600
报废瓶数8438
缺货率23.4375%0%
损耗率30%12.9252%
平均在手1311.8571
14天周转15.076921.5904

4 结果怎样表述才准确

这个可复算场景中三个指标都改善,但合成需求含强星期重复,恰好有利于lag7方法。不能外推为真实企业必然降低多少成本,也不能宣称全年周转提升42%。还要在不重复的需求、促销、缺货截尾、交期波动、误差相关及真实成本上重新验证。

5 项目与答案

输入 policy_demand.csv;输出逐日账和两组汇总。把第6天实际改999,检查第5天给第6天的订单是否跟着改。答案不应改变,因为第5天并不知道第6天实际值;第13天的lag7预测可以在第6天发生后受影响。

练习:为什么新方案供给294比旧280更多,平均库存反而低?答案:到货更贴近高需求日,卖出了更多,低需求日积压较少;“总进货少”与“在手少”不是同一指标。

边界: 已实现14天同规则回放,不含多批次FIFO、随机寿命、真实销售漏斗、欠交或资本成本;它提供机制证据,不是原文经营改善里程碑的验证。

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。