网站导航

1 生鲜小时断货与清仓分解

全文共 3920 字,阅读约需 8 分钟

1 生鲜小时断货与清仓分解: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。

← 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。

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。

1 生鲜小时断货与清仓分解

1.1 先问要估计哪一种需求

目标有两种,不能混为一列:

  1. 当天实际价格政策下,假如一直有货,可能卖多少。
  2. 假如晚上也不打折,在指定客流情景下,正价可能卖多少。

第一种用于理解缺货;第二种是价格情景。第二种需要额外假设,不能把第一种直接当作正价自然需求。

输入fresh_hourly.csv共7天×12小时=84行,每天8—19时。config明确预期这12个营业小时,缺行或迟到不能偷偷把11小时改称全天。前6天为历史,第7天为目标日,判断时点为第7日20:00 UTC。字段有小时销量、价格/价格状态、有货分钟数、有货与无货独立会话数、无货PV、事件结束和数据到达时间。历史晚上既有正价也有折价,可在相同小时内比较。每个有效会话最多购买1件是本例假设。

UV在这里不是笼统的“访客人数”,而是去重后定义一致的独立会话数。PV可以是同一人刷新多次。本例oos_pv=2×oos_unique_sessions,只作审计,不能拿PV直接乘按UV估计的转化率。

1.2 把第7日12时这一小时展开

当天12:00—13:00只在前24分钟有货,卖8件。无货时有100个独立会话,原始无货PV为200。对应历史6天同一小时都正价、有货60分钟、各有200个独立会话,销量依次16、18、20、22、24、20件。

记号逐个解释:

  • s:已看见的销量,本例8件。它是事实。
  • m:有货时长,本例24分钟,范围0—60。
  • u:无货时的独立会话,本例100次。
  • r:可比有货小时的平均销量率,单位件/小时。
  • p:每个可比独立会话购买1件的概率,无单位,范围0—1。
  • D̂:根据假设得到的需求估计,单位件。帽子表示估计,不是补出来的真实订单。

方法一:可比小时的时间率。

r=(16+18+20+22+24+20)÷6=20件/小时。无货36分钟等于36÷60=0.6小时。

D̂时间=s+r×(60−m)÷60=8+20×0.6=20件。

如果可比小时的率取观察到的最小16、最大24,则条件情景范围是:

下端=8+16×0.6=17.6件;上端=8+24×0.6=22.4件。

这里保留8件事实,只对缺失的36分钟补估。不能先估全小时24件,再把已经卖出的8件加一次。

方法二:无货会话的转化率。

历史总销量120件,总会话6×200=1200次,所以p=120÷1200=0.10。

D̂会话=s+p×u=8+0.10×100=18件。

历史最低/最高转化率分别16÷200=0.08和24÷200=0.12。条件情景范围为8+0.08×100=16件到8+0.12×100=20件。

两种结果20和18不同,原因是时间法假设无货时每小时的购买强度像历史,会话法允许这一时段的流量不同。不要为了给出一个漂亮答案,未经论证就平均或取两个区间的交集。它们依赖不同假设。

1.3 什么是真的可识别

单凭这行销售与库存,只能确认需求不少于8件;没有额外限制时,无法给有限的事实型上界。本课输出factual_lower_bound=8,factual_upper_bound为空。

17.6—22.4和16—20是“假设成立时的敏感性范围”,不是95%置信区间,也没有保证覆盖真需求。历史最小和最大不是总体的数学上下界。缺货会改变点击、顾客会转购、无货提示会吓退访客,都会使p不能从有货样本搬到无货样本。

若没有可比有货历史,程序输出unidentified_no_comparable_support和空估计,不把0销量当0需求。如果全天没有货,但能找到足够的可比会话且记录可靠,可以做有条件的会话情景;没有这些支持时仍不可识别。本例只提供小时级支持,不主张一套率适用于任意时间尺度。

目标日12时整行缺失,和“该小时有记录、销量为0”是两件事。删除该行或把它延迟到第8日,程序会列missing_hours=[12],全天observed_total等总量为空;只另报明确标为partial的小计,例如已知11小时销量155。若目标整天未到,状态为no_target_observations,全天不是0,CSV只保留表头,评分分母为0并返回空分数。day/hour标签也必须与实际event_end_at一致。

1.4 正价和晚间折价要分开

第7日17—19时价格从10元降至6元。实际价格政策下的估计只能匹配历史同小时、同价格/价格状态的有货行。正价情景另匹配历史同小时的正价行。

全日已观测销量163件;时间率补足后214件;会话转化补足后212件。若保持当天会话数不变,套用同小时正价转化率,正价情景为168件。

212−168=44件只是本例设定下的政策情景差。不能说“折价在真实经营中因果增加44件”:价格本身也可能改变客流,历史正价/折价日可能有不同天气或活动。删掉折价行不会自动使剩余数据无偏。必须明确是否假设曝光、营业时长和其他条件可比。

隐藏评分文件fresh_truth_scoring_only.csv只在估计完成后读取。模拟器设置的目标日潜在需求合计212件,因此会话法在本批模拟里MAE为0,时间法小时MAE为2÷12≈0.1667件。这只是生成机制恰好与会话法相符,不说明真实门店可以零误差。不能将隐藏真值加入特征或拿它选择当天模型。

1.5 独立作业与答案

  1. 在fresh_hourly_results.csv找到12时行,复算20、18与两组范围。
  2. 把所有无货PV乘20,保持独立会话不变。答案:预测不变,因为分母不是PV。
  3. 去掉所有历史,只保留目标日。答案:缺货小时返回数据不足,事实下界仍保留。
  4. 把一行历史available_at改到第8日。答案:第7日预测不能使用它,比较样本数应减少。
  5. 画12小时销量与估计双折线,事实用实线、补估用虚线;在17时标折价。写清“价格情景不是因果效应”。

验收不靠图形好看:必须能从84行输入重算全日163/214/212/168,不能把其中任一估计改写成实际销售。

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。