网站导航

设备入退网与三阶段浴盆先验

全文共 3636 字,阅读约需 8 分钟

设备入退网与三阶段浴盆先验:这里补齐生鲜基地到门店、鞋服地域颜色尺码、延迟制造、促销透支、活动类比、制造备件及医药聚合预测之间原来未展开的步骤。所有企业、商品、事件、数据、时间和参数均为明确构造的模拟。没有真实业务数据,没有连接采购、生产、财务、配送或医疗系统。本课中

← 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。

R2独立验收的行业教学扩展。下载行业9课实验包。所有数据均模拟;修复设备、每月一次故障指示,先验非真实拟合可靠性曲线。

共同阅读约定

行业多层级预测与决策补课

这里补齐生鲜基地到门店、鞋服地域颜色尺码、延迟制造、促销透支、活动类比、制造备件及医药聚合预测之间原来未展开的步骤。所有企业、商品、事件、数据、时间和参数均为明确构造的模拟。没有真实业务数据,没有连接采购、生产、财务、配送或医疗系统。本课中的“订单”“分录”“锁产”均为离线建议或教学账,不代表已经执行。

R2补强了输入校验:重复主键、矛盾的组级份额、超出固定需求模板会报错;时间序列按时间键计算,不依赖CSV行顺序。默认手算答案不变。

先完成百分比、加权平均、库存收支和训练集/验证集的基础课,再按本课顺序学习。每课建议60到90分钟:读业务问题、逐项手算、跑代码、修改一个输入、写边界。数学只用高一可读的代数与概率;需要最小二乘时会解释其含义,代码负责重复算术,不把“调用了一个函数”当作理解。

项目包 forecast-industry-gap-labs.zip 只需 Python 3.10 或更新版本的标准库。解压并进入目录后执行:

python run_all.py
python -m unittest -v test_industry
python manufacture_pharma.py self-test

首次解压已含模拟CSV。run_all.py仅重算,不覆盖输入。要另建一份原始输入,运行 python generate_all.py --data fresh_data,随后用 python run_all.py --data fresh_data --out fresh_outputs 重算。生成器拒绝覆盖非空目录;先复制目录再改参。生成数据与运行模型是两步,脚本输出由CSV计算,不从教材答案回填。统一参考结果在 outputs/,子项目结果在 outputs/manufacture_pharma/。仅运行上面第一条不等于跑过测试。

行业补课八 从入退网队列算分龄备件需求

稳定 slug:industry-installed-base-bathtub。来源:C17,§3.5 L125。建议时间:50 分钟学习,25 分钟实验。

1 保有量不是出厂累计销量

Installed Base 是某个时点仍在使用的设备集合。累计卖出 1000 台,可能已有一部分退网,新的设备也可能刚安装。备件预测需要知道“还在服役的设备有多少、分别多老”,而不只知道历史销量。

本课不用单台序列号。把同月安装、使用同一先验的设备合成一个队列 cohort。队列记录的是匿名设备数量,不是个人信息。

每月先做四步:

  1. 读上月末仍在网数量。
  2. 加本月月初入网、减本月月初退网。
  3. 按安装月份计算年龄,把队列分进早期、稳定、磨损阶段。
  4. 每组数量乘本月故障概率、服务覆盖比例、每次故障用件量,再合计。

这里假设月初完成入退网,当月全部设备有完整一个月的风险暴露。若实际在月中安装,必须按设备天数等方式折算暴露,本例没有这么做。

2 入退网和分龄的逐符号公式

对队列 c、月份 t:

  • N_start,c,t:本月月初调整前在网数量,单位台。
  • E_c,t:本月新入网台数。
  • R_c,t:本月退网台数。
  • N_c,t:调整后的当月风险暴露台数。
  • m_c:该队列安装的月份编号。
  • a_c,t:月龄,即自安装经过了几个完整月。

N_c,t = N_start,c,t + E_c,t − R_c,t

a_c,t = t − m_c

第 1 月安装的设备在第 1 月年龄为 0,在第 2 月年龄为 1,在第 4 月年龄为 3。月龄不要误写成“第几个月”的计数。

期初两组设备:安装于 −4 月的 200 台、安装于 −12 月的 50 台。负月份只是教学时间原点之前,不是负年龄。第 1 月又安装 100 台,并退掉老设备 10 台,因此当月在网=250+100−10=340 台。

退网不能超过当时在网数量。把 50 台老设备退掉 51 台必须报错。一次故障本例假设可以维修,不会自动从在网数量中扣减;更换整机退出必须另记退网事件。

3 浴盆形状是一种先验

“浴盆”描述一种可能的风险形状:新设备早期可能出现制造、安装问题,随后进入低故障期,老化后磨损风险增加。不是每类设备都呈这种形状,更不能把设备的浴盆曲线直接套到人的健康上。

本课用三段常数近似,不声称拟合了连续寿命分布:

阶段月龄 aBeta 先验 αBeta 先验 β每台每月先验故障概率
early 早期0、1、23473/50=6%
stable 稳定3 至 111991/100=1%
wear 磨损12 及以上4964/100=4%

α(alpha)可想象为先验的“故障支持量”,β(beta)为“未故障支持量”。它们表达建模前的信念强度,不是偷偷伪装成观测的真实设备。先验均值为 h_0=α/(α+β),h_0 是本月发生至少一次目标故障的概率。

本课每台每月用一个“故障或未故障”指标,所以概率必须在 0 至 1。如果同一设备一个月会反复发生很多故障,需要计数过程或重复事件模型,不能直接把次数塞进这个二项式例子。

3.1 可以用已知历史修正先验

设 E_hist 为此前观测到的设备月暴露数,F_hist 为其中出现目标故障的设备月数,要求 F_hist≤E_hist。后验均值为:

h_1 = (α + F_hist) / (α + β + E_hist)

early 的此前历史为 50 个设备月、2 个故障设备月,所以:

h_1 = (3+2)/(3+47+50) = 5/100 = 5%

这是把先验支持与新证据相加。本课的历史全部在第 0 月已知;stable 历史为 100/1,后验仍为 1%;wear 历史为 25/2,后验=(4+2)/(4+96+25)=4.8%。输出同时保留先验版与后验版,不能混称同一组参数。

不同队列进入同一个阶段时共用该阶段先验。这里没有估计不同品牌、环境或维护策略的差别,也没有置信区间,因此是透明的小模型而非寿命认证。

4 从故障概率换成备件需求

设覆盖比例 c=0.8,表示 80% 的设备故障由本服务体系承担;每次目标故障平均使用 q=1 件备件。对每个队列:

预期用件量 = 在网台数 N × 故障概率 h × 覆盖比例 c × 每次用件量 q

然后把各队列相加。预期用件量允许为小数,它是很多可能结果的平均值,不是要求仓库发出 0.68 件实物。库存下单还需要考虑风险分位数、提前期、包装等,本课不直接输出订货量。

4.1 第 1 月手算

  • 新入网 100 台,年龄 0,early:100×0.06×0.8×1=4.8 件。
  • 安装于 −4 月的 200 台,年龄 5,stable:200×0.01×0.8=1.6 件。
  • 安装于 −12 月的 50 台,月初退出 10 台,年龄 13,wear:40×0.04×0.8=1.28 件。
  • 先验合计=4.8+1.6+1.28=7.68 件。

若忘记退网 10 台,会多算 10×0.04×0.8=0.32 件,得到 8 件。这个错误来自安装基数,而不来自需求模型公式。

后验版为 100×0.05×0.8 + 200×0.01×0.8 + 40×0.048×0.8=7.136 件。

4.2 年龄会自动跨阶段

第 1 月入网的队列到第 4 月年龄为 3,进入 stable。安装于 −4 月的队列到第 8 月年龄为 12,进入 wear。不能把“购买时属于新设备”标签永久贴在队列上。

完整 12 月还有:第 3 月稳定老队列退出 20 台;第 4 月入网 60 台;第 6 月第 1 月队列退出 5 台;第 7 月入网 40 台;第 9 月磨损老队列退出 15 台。第 12 月:

队列月龄在网数阶段先验预期备件
old_stable16180wear5.76
old_wear2425wear0.80
entry_11195stable0.76
entry_4860stable0.48
entry_7540stable0.32
合计不相加400不合并标签8.12

逐月的风险增加可能来自设备老化、入网或退网,不能只看总台数判断。

5 输入输出字段

  • installed_cohorts.csv:cohort 为队列名,installed_month 为安装月,opening_count_units 为第 1 月之前已在网台数。未来队列期初为 0。
  • installed_movements.csv:一条 ENTER 或 EXIT 事件、台数、发生月份和 known_at_month。程序在月初情景中使用本月已知事件,不提前把未来月的退网用于本月数量;known_at_month 晚于事件月的输入会被拒绝。本例不是“第 0 月已准确预知十二个月”的实际运营预测。
  • bathtub_priors.csv:三段的 α、β;边界在 age_stage() 中明确为 3 月和 12 月。
  • bathtub_history.csv:按阶段汇总的历史暴露、故障与已知月份;只能使用当月已知的历史。
  • installed_base_parameters.csv:12 个月、覆盖 0.8、每故障 1 件。
  • installed_base_by_age.csv:每月每队列的年龄、阶段、入退网、在网数和两种风险需求。
  • installed_base_monthly.csv:各月汇总,用于核对数量守恒与需求变化。

6 本课作业与精确验收

  1. 第 1 月在网应为 340,先验需求 7.68,后验需求 7.136;第 12 月在网 400,先验需求 8.12。需求的允许绝对误差为 0.000001。
  2. 检查每个队列每个月 at_risk_units=opening_units+entered_units−exited_units。所有队列必须满足,不能只检查总数。
  3. 写出年龄 2、3、11、12 的阶段,依次应是 early、stable、stable、wear。核对 entry_1 第 4 月和 old_stable 第 8 月实际跨段。
  4. 将第 1 月 old_wear 的退网数从 10 改成 0,重算第 1 月在网应为 350,先验需求应为 8.00;两次结果差正好 0.32 件。
  5. 保持原输入,把覆盖比例由 0.8 改为 0.5,第 1 月先验需求应为 4.80,设备数量仍为 340。覆盖是服务范围,不能当作设备报废比例。
  6. 将第 1 月 old_wear 的退出量改成 51,应报错。不能以 max(0,...) 悄悄吞掉不存在的设备退出。
  7. 解释为什么“故障 6%”不会自动让本例设备数乘以 94%,以及为何不能直接把 7.68 件四舍五入成唯一正确的采购量。答案必须提到可维修假设、风险平均值与库存决策不同。

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。