制造主计划计数分布与产权责任
全文共 5465 字,阅读约需 11 分钟
制造主计划计数分布与产权责任: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
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;给定VMI产权合同、固定单位价值、无财税/法务认证,非通用APS。
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。
行业补课七 冻结主生产计划 计数分布与 VMI 责任账
稳定 slug:industry-mps-count-vmi。来源:B05,第二部分
L65–67。建议学习时间:三段各 35 分钟,作业 30 分钟。
1 这节课解决什么问题
制造企业会同时遇到三种问题:下一季至明年每周安排多少产出,某网点下个月会领几件备件,以及供应商放在厂里的货到底是谁的。三者时间、单位和责任不同,不能拿一张日销量预测表替代。
完成本课后,你应该能够:
- 编制同一起点的 13 周和 52 周主生产计划,保持前四周冻结,并把缺口显示出来。
- 用相同的训练期、测试期比较 Poisson 与负二项分布,而不只比较平均数。
- 按发运、收货、产权转移、领用、报废、退回、付款逐笔核对数量、价值和责任。
2 主生产计划 MPS 的期限与冻结区
MPS 是 Master Production Schedule,即主生产计划。本课以一个成品为单位,输出每周预计完成并可用的成品数量。它不是采购订单,也没有把这些成品进一步展开成多层 BOM。
本例在第 0 周编计划:
- 13 周版看未来约一季;52 周版看未来约一年。52 周远期数字仍需修订,不能把“看得远”理解为“承诺得更确定”。
- 两版从同一周开始,前四周使用已批准计划,冻结区外允许重算。
- 周产能最多 100 件,每批 10 件,期初库存 40 件,希望周末至少留 20 件。
- 原需求按 60、70、80、90 四周循环。原计划前四周产出为 40、70、80、90。
- 第 0 周收到新信息:第 2 周需求由 70 增到 170。新信息已知,但前四周产出不因此自动改变。
“冻结”表示不能由算法擅改已批准数量。遇到严重缺口,程序提出变更请求,交给业务流程处理;本项目不模拟审批通过,不偷偷解冻。
2.1 每个符号只代表一件事
设某周编号为 t:
- D_t:本周需求,单位件。
- Q_t:本周计划可用的成品数量,单位件。
- N_(t−1):上周末净库存,单位件;正数是现货,负数表示欠交。
- N_t:本周末净库存。
- S:期望保留的安全库存,本例 20 件。
- C:周产能上限,本例 100 件。
- L:批量大小,本例 10 件。
- F:冻结周数,本例 4;Q_old,t 是旧批准数量。
- max(a,b) 取较大值,min(a,b) 取较小值;ceil(x) 向上取整,例如 ceil(2.3)=3。
先算不考虑冻结的产出建议:
需要量 = max(0, D_t + S − N_(t−1))
产出建议 = min(C, L × ceil(需要量 / L))
再执行冻结规则:前 F 周用 Q_old,t,其余周用产出建议。然后逐周递推:
N_t = N_(t−1) + Q_t − D_t
现货 = max(0, N_t);欠交 = max(0, −N_t)。
例如 N_t=−80 表示现货 0、欠交 80,不是货架上存在“负 80 件”。下一周先弥补欠交,再满足新增需求。程序的安全库存目标是软目标,产能不足时允许达不到,但把结果列出。
2.2 手算前八周
| 周 | 新需求 D | 旧计划 | 是否冻结 | 本次产出 Q | 期末净库存 N | 期末欠交 |
|---|---|---|---|---|---|---|
| 1 | 60 | 40 | 是 | 40 | 20 | 0 |
| 2 | 170 | 70 | 是 | 70 | −80 | 80 |
| 3 | 80 | 80 | 是 | 80 | −80 | 80 |
| 4 | 90 | 90 | 是 | 90 | −80 | 80 |
| 5 | 60 | 60 | 否 | 100 | −40 | 40 |
| 6 | 70 | 70 | 否 | 100 | −10 | 10 |
| 7 | 80 | 80 | 否 | 100 | 10 | 0 |
| 8 | 90 | 90 | 否 | 100 | 20 | 0 |
第 2 周:20+70−170=−80。若允许改变计划,算法最多也只能建议 100 件,而不是不顾产能安排 170 件。由于本周冻结,保留 70,另输出变更请求。
第 5 周:需要量=60+20−(−80)=160,产能只允许 100,净库存=−80+100−60=−40。第 7 周欠交消除,第 8 周安全库存回到 20。13 周与 52 周版的前 13 周一致,因为本例使用同样的输入和逐周规则,没有远期全局优化。
2.3 数据与输出
mps_parameters.csv:每行一个计划期限。horizon_weeks为 13 或 52;opening_units、safety_units、capacity_units、lot_units的单位都是成品件;freeze_weeks是冻结周数;planning_as_of_week=0为信息截止周。mps_demand.csv:一周一行,共 52 行。base_demand_units是用于生成旧计划的原始需求留痕;重算实际使用revised_demand_units与prior_receipt_units。known_at_week必须不晚于计划截止周。mps_13.csv和mps_52.csv:保留旧数量、建议数量、实际采用数量、冻结标志、净库存、现货、欠交、冻结变更请求。
本例假设本周 Q 可用于本周需求,已经把前置投料安排折合进完成量;没有显式计算工序提前期、共享物料、换线或跨工厂产能。它是小型离线 MPS 机制练习,不是 APS 最优排程。
3 为什么平均每月两件仍然可能需要不同模型
设 K 是某网点某个月领用备件的件数,它只能取 0、1、2……。两条序列平均都等于 2,不代表风险一样。
- regular:每六个月为 0、1、2、2、3、4。
- bursty:训练期每六个月为 0、0、1、1、2、8。
每种模式重复四次,形成 24 个月训练期。随后保留 12 个月作为测试:regular 延续原模式,bursty 改为 0、0、0、1、3、8,重复两次。测试期不参与拟合。全部都是人为构造,不能据此推断真实备件需求分布。
3.1 均值与样本方差
记训练观测为 k_1 到 k_n,n 是月份数。μ(读作 mu)是均值:
μ = (k_1 + ... + k_n) / n
样本方差记为 s²:
s² = [(k_1−μ)² + ... + (k_n−μ)²] / (n−1)
平方是为了让正负偏差不会相互抵消。本课使用 n−1 作分母,不要与除以 n 的“总体方差”混用。
bursty 的一组总和为 12,均值=12/6=2。一组偏差平方和为 4+4+1+1+0+36=46,四组为 184,所以 24 个月的 s²=184/23=8。它的方差比均值大,称为过度离散。
3.2 Poisson 分布的概率
Poisson 常译作泊松。假设每月事件发生率相近、事件之间没有强烈聚集等因素,其均值与方差都为 μ。它给每个整数 k 一个概率:
P(K=k) = e^(−μ) × μ^k / k!
P 表示概率;e 约为 2.71828;k! 是 1×2×…×k,约定 0!=1;μ^k 是 μ 连乘 k 次。μ=2 时:
- P(K=0)=e^(−2)≈0.135335,即零需求月约占 13.53%。
- P(K=2)=e^(−2)×2²/2≈0.270671。
这不是说下一月一定有两件,而是对所有可能件数分配概率。
3.3 负二项分布增加一个分散参数
本课采用 NB2 参数化:均值仍为 μ,额外参数 r>0 控制分散程度:
方差 = μ + μ²/r
r 越小,在相同均值下允许的波动越大。用训练样本的均值和方差代入,可解得:
r = μ² / (s²−μ)
这叫矩估计,用样本的均值、方差去匹配分布,不是最大似然估计。本例 μ=2、s²=8,因此 r=4/(8−2)=2/3。
记 p=r/(r+μ),则零需求的概率是 p^r。这里 p=(2/3)/(2/3+2)=1/4,因此 P(K=0)=(1/4)^(2/3)≈0.396850。它能同时给零需求月和大需求月更高的概率。
如果想不借助高等函数算任意 k,可以从 P(K=0) 出发递推:
P(K=k+1) = P(K=k) × (k+r)/(k+1) × μ/(r+μ)
右边所有符号都已定义。代码采用等价的对数 Gamma 形式避免中间数太大,理解上述递推即可,不要求先学 Gamma 函数。
若 s²≤μ,这个矩估计不能产生合法的有限正 r。程序明确回退
Poisson,effective_model 写
Poisson,dispersion_r 留空。regular 的
s²=1.739130<2,所以不能硬造一个负 r。若训练全为零,模型把零的概率设为
1;测试突然出现正数,负对数损失为无穷,结果写
infinity,而不是静默抹平错误。
3.4 用相同测试月份比较概率
对测试月实际出现的 k,查模型分配的概率 p_k。负对数损失为
−ln(p_k),ln 为自然对数;概率越小,损失越大。测试 n_test
个月的平均值叫平均 NLL,越小越好。例如实际为 0,Poisson 给概率
0.135335,对应损失 2;负二项给 0.396850,对应损失约 0.924196。
默认数据的实际运行结果:
| 序列与模型 | 均值 | 方差估计 | P(K=0) | P(K≥6) | 测试平均 NLL |
|---|---|---|---|---|---|
| bursty Poisson | 2 | 8 | 0.135335 | 0.016564 | 2.679766 |
| bursty 负二项 | 2 | 8 | 0.396850 | 0.101403 | 1.853080 |
| regular Poisson | 2 | 1.739130 | 0.135335 | 0.016564 | 1.673057 |
| regular 负二项候选回退 Poisson | 2 | 1.739130 | 0.135335 | 0.016564 | 1.673057 |
P(K≥6) 是“6 件及以上”的概率,等于 1 减去 0 至 5 件的概率之和。bursty 测试期零需求月占 50%,两种拟合都没有精确达到 50%;负二项损失较低,也不代表概率已完美校准。
输入 branch_month_counts.csv
一行是一网点一月,known_at_month=period_month+1。第 25
月时拟合,已能获得第 24 月记录;测试为第 25 至 36 月。参数在
count_parameters.csv。输出
count_model_comparison.csv。月度备件件数不与周度成品 MPS
相加。
4 VMI 中保管货物与拥有货物不同
VMI 是供应商管理库存的协作方式,不自动决定产权。买断货也可能由供应商管理。本课特别约定“寄售式 VMI”:供应商保留远端仓、在途和厂内寄售区的货权;厂方领用时才转移产权。
这只是例题合同假设。真实业务应依据合同、会计政策和适用法律确认。本账用于数量与价值责任核对,不是法定会计分录模板。
4.1 先写清口径
供应商期初有 100 件,每件教学价值 10 元。供应商账面成本和转移给厂方的价格都设为 10 元,忽略毛利、税费、汇率和减值,因而可以做简明的价值守恒。
- 位置分为供应商远端、在途、厂内供应商货、厂内厂方货。
- 产权分为供应商与厂方。所有在途货在本例都由供应商持有产权,承运人保管不代表承运人拥有。
- 已消耗和已报废另列,不再计入实物库存。
- 领用产生厂方耗用责任;供应商质量问题报废由供应商承担。
- 厂方应付与供应商应收在产权转移时同时增加;付款时同时减少。
4.2 逐笔手算
| 事件 | 实物库存 | 供应商持有数量 | 厂方持有数量 | 厂方应付 | 累计厂方耗用价值 | 累计供应商报废责任 |
|---|---|---|---|---|---|---|
| 期初 | 100 | 100 | 0 | 0 | 0 | 0 |
| 发出 40 件 | 100 | 100 | 0 | 0 | 0 | 0 |
| 厂内收到 40 件 | 100 | 100 | 0 | 0 | 0 | 0 |
| 领用触发产权转移 25 件 | 100 | 75 | 25 | 250 | 0 | 0 |
| 同日实际消耗 25 件 | 75 | 75 | 0 | 250 | 250 | 0 |
| 供应商质量报废 5 件 | 70 | 70 | 0 | 250 | 250 | 50 |
| 剩余 10 件退运并收回 | 70 | 70 | 0 | 250 | 250 | 50 |
| 厂方付款 100 元 | 70 | 70 | 0 | 150 | 250 | 50 |
产权转移与使用在输入中是相邻、同日、同数量的两笔子记录,便于看清两个账的变化;完整业务处理要求它们匹配。第一笔只换所有者,第二笔才减少实物。程序拒绝缺少匹配使用、日期不匹配或数量不匹配的输入。
供应商最终远端库存=100−40+10=70,厂内寄售区=40−25−5−10=0,在途为 0。厂方应付=25×10−100=150;供应商应收也为 150。付款是模拟记录,不是实际转账。
4.3 三条守恒必须同时成立
设 I_s、I_f 为供应商和厂方拥有的实物件数;U 为累计耗用件数;W 为累计报废件数;v 为每件价值:
期初100 = I_s + I_f + U + W
期初价值1000 = I_s×v + I_f×v + 厂方累计耗用价值 + 供应商累计报废责任
厂方应付 = 供应商应收
期末代入:100=70+0+25+5;1000=700+0+250+50;应付=应收=150。不要把现金付款再加进库存价值式,它结算往来,没有再消耗 10 件货。
vmi_parameters.csv
给期初数量和单位价值;vmi_events.csv
给有序事件、发生日、已知日、数量及付款金额。输出
vmi_responsibility_ledger.csv
逐行保留所有位置、产权、耗用、报废、应收、应付与两个守恒残差。残差应始终为
0。
5 本课作业与精确验收
每次实验先复制默认 data/ 到新目录,编辑副本,然后用
run 计算。输入文件应保留模拟标签。
- 原样复现。 13 与 52 周分别有 13、52 行;前四周产出都为 40、70、80、90;最大欠交 80;冻结变更请求 3 次;期末现货 20、欠交 0。两份计划前 13 周逐行相同。
- 撤销需求冲击。 把
mps_demand.csv第 2 周的revised_demand_units从 170 改回 70。重算后欠交峰值为 0、冻结变更请求为 0,前四周产出仍为 40、70、80、90。只改base_demand_units不会改变本次重排,这是留痕字段与实际输入字段的区别。 - 检查分布。 手算 bursty 的 μ=2、s²=8、r=2/3;程序结果允许绝对误差 0.000001。解释为何 regular 不应得到负的 r。两类序列均为训练 24 月、测试 12 月,不允许把测试行混进均值和方差。
- 改变付款。 将 VMI 最后一笔付款 100 改成 150。最终应付与应收均变为 100 元;库存仍为 70 件,耗用价值仍为 250,报废责任仍为 50;所有守恒残差仍为 0。
- 故意破坏领用。 将
USE的 25 改成 99,必须报错。程序不能产生负库存后继续声称账平。 - 解释业务边界。 写出至少三点:冻结异常需要业务处理;月度计数不是周排产;VMI 不必然寄售;本账不替代法定会计;任意三点正确即通过。
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。