网站导航

把搜索推荐曝光当成有限资源

全文共 2118 字,阅读约需 5 分钟

把搜索推荐曝光当成有限资源: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-11 把搜索推荐曝光当成有限资源

覆盖 A10。目标是理解营销也会消耗库存,不能因为点击便宜就无限推销缺货商品。

1 先定义增量与资源

主计划满足基础需求后,另行圈定柠檬茶6瓶、桃茶9瓶作为一个小营销实验的可用库存,不能把它们同时承诺给基础订单。总曝光600次,以100次为一块。曝光是被展示次数,不是独立人数UV;一个人可能看多次。

假设每100次曝光分别新增柠檬茶2瓶、桃茶3瓶需求;每瓶毛贡献分别4元、3元;每曝光块成本1元。这些转化率是指定的合成响应,不是从观察相关性得出的真实因果增量。实际需要随机试验或可靠因果估计。

xL、xP为给两商品的曝光块数,必须是整数。各至少1块以保留教学中的公平约束,各至多5块,总和不超过6。

2 约束与目标逐项写

库存约束:2xL ≤ 6,3xP ≤ 9,所以两者最多都只能3块。

预算约束:xL+xP ≤ 6。公平/平台约束:1≤xL≤5、1≤xP≤5。

预期净贡献:4×2xL + 3×3xP − 1×(xL+xP) = 7xL + 8xP,单位元。每个乘法的单位依次是元/瓶×瓶/块×块。

程序枚举所有组合,最优(3,3):300次曝光给各商品,新增6和9瓶,贡献24+27−6=45元。若忘记库存限制,会想给桃茶5块,其新增15瓶超过可用9瓶,建议不可执行。

3 转化比预计高也可能是风险

压力情景设每块分别新增3瓶、4瓶。要求在这一较高转化情景下仍不超库存,则3xL≤6、4xP≤9,最大都为2块。最优(2,2),只用400次曝光,保留200次不用;按原均值计算净贡献30元。

资源没用满不一定是错误。如果库存不足,强行花完预算会产生超卖。可以提出补货或重新分配其他商品,但必须更新库存版本、到货时点与批准,不可假设补货必到。

4 与供应计划如何相连

本章分配的是基础预测之外的增量曝光和圈定库存。若要把营销增量并入主计划,应写 总需求=基础需求+经验证的增量需求,再重新检查补货和产能。反过来,供应短缺也能收紧曝光上界。不能用营销增加后的销量重新当“无营销自然需求”,否则下轮会重复放大。

5 项目和答案

输入 config的 exposure,输出 traffic 与 traffic_robust。把桃茶圈定库存改3,xP最多1;剩余曝光也不能自动塞给柠檬茶超过其3块上限。把总预算改1块,同时要求两商品各至少1块,答案是INFEASIBLE,不是返回0并说已优化。

练习:600次曝光是否等于600位顾客?答案不是;本包没有UV去重。能否把45元说成真实新增利润?不能,它只在指定合成转化、毛贡献和成本条件下成立。

边界: 没有真实搜索排名、推荐模型、竞价出价、用户画像、因果转化模型或线上实验;有限整数枚举只是小型资源分配教学。

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。