网站导航

阶段10|预售取消:不要用错分母

全文共 2410 字,阅读约需 5 分钟

阶段10|预售取消:不要用错分母:匿名服装企业模拟100单预售订单。第1天开始100单,10单取消、20单发货。第2天开始还在等待且未取消的是100−10−20=70单。第2天有7单取消。第1天条件取消率10/100=10%,第2天7/70=10%。如果第2天继续除初始10

← 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。

先用小表理解,再做已提供的完整工程:进入本专项实际项目、输出与模型能力说明。已实现模型以新工程模型卡为准,不把下述早期项目中的进阶模型要求视作已经实现。手算输入。

阶段10|预售取消:不要用错分母

第28课:每天仍可能取消的人是谁

匿名服装企业模拟100单预售订单。第1天开始100单,10单取消、20单发货。第2天开始还在等待且未取消的是100−10−20=70单。第2天有7单取消。第1天条件取消率10/100=10%,第2天7/70=10%。如果第2天继续除初始100,会算成7%,错误地把已经发货、已经无法观察发货前取消的订单留在分母。

把每天开始还处于风险中的订单数叫风险集R。当天取消数c,发货数sh。R下一天=R今天−c今天−sh今天。每个事件都要有时间;同一天先发货后退回的订单不是“发货前取消”。如果只有日汇总且不知道先后,必须声明简化规则,否则手算公式看似正确、业务口径仍可能错。

本手算明确约定:一天内先观察取消,发货在期末退出下一天风险集,且同一单不能同时计入取消与发货。设t为订单创建后的日序号,R_t、c_t、sh_t单位均为单,则R_(t+1)=R_t−c_t−sh_t。h_t=c_t/R_t是该日仍在风险集中的条件取消比例,无单位;R_t必须大于0,且0≤c_t+sh_t≤R_t。若R_t=0,这天的经验h没有定义,不能填0假装后续没有取消风险。真实事件时序不同应按时间戳细分暴露过程。

第29课:连乘留存与右删失的限制

若连续两天条件取消率都是10%,第一天留存率90%,第二天是在留下的人里再留下90%,累计留存率=.9×.9=.81。不能把两个10%直接相加。一般写成S(t)=(1−h₁)×…×(1−hₜ)。S是比例,不是订单数;预计剩余数量等于初始订单数乘S。

规定S(0)=1,S(t)表示撑过第t天末的留存概率;1−h_k是已经撑到第k天开始以后,再撑过这一天的条件概率。连乘来自条件概率链式法则,不要求每天取消事件独立。用N表示初始订单数(单),B_t=N×S(t)才是留存数量的期望(单);S和B不能混用同一符号。定义与删失似然的基础可查Stan官方生存模型,本课使用日离散概率,不把连续时间瞬时风险率的单位照搬过来。

在上例中实际可观察等待池第2天结束剩63单,因为20单已经发货;无发货反事实的81单是另一回事。要把观察到的取消率用来回答“假如都不发货”,需要相信发货选择不会在控制已知条件以后继续筛掉特别容易/特别不容易取消的人。如果商家优先给高风险客户发货,这个前提可能不成立。按发货快慢分组只能发现问题,不能证明没有未观察的差异。无足够证据时应叫情景推演,不叫真实取消率还原。

已经等到第a天的80单,不能再重复扣掉前a天取消风险。若S(a)=0.72、S(b)=0.54,从a到b的条件留存率=.54/.72=.75,预计剩80×.75=60单,而不是80×.54=43.2单。第60天强制取消是规则事件,应该单列,不把它训练成消费者自然取消意愿。

这里a、b都是订单年龄的日序号,观察点为第a天末,要求b≥a且S(a)>0。因为“撑过b天”的订单一定已经撑过a天,所以条件概率=两者同时发生的概率/撑过a天的概率=S(b)/S(a)。不同订单的年龄不同,应逐单或按同年龄组计算再求和。若历史到某年龄已没有足够未发货订单,后续曲线缺乏支持;不能仅凭公式把没有观察依据的尾部外推成可信60天预测。分层还需满足已知条件下的可比性及删失假设。

第30课:小样本如何向总体借一点信息

某款只有2单、取消1单,原始取消率50%。同一可比组、同一天龄的总体率10%。设参考强度m=8,把它理解为8个伪订单、其中0.8个伪取消,平滑率=(1+8×.1)/(2+8)=.18。它不是凭空增加真实订单,而是让2个样本不要决定整个排产判断。m越大越信总体,m越小越信本款。总体只能来自预测时已观察数据,m在验证集选,不默认为固定行业经验。

一般式h平滑=(C+m×h₀)/(R+m)。C为本款本日取消数、R为本款风险订单数,单位单;h₀为可比总体条件取消概率,无单位;m≥0为等效先验订单数,需R+m>0。它等价于w×(C/R)+(1−w)×h₀,其中w=R/(R+m)。本例w=2/10=.2,所以.2×.5+.8×.1=.1+.08=.18。R=0时不能使用C/R这一拆分式;若m>0且总体先验可靠,可由第一式退回h₀。此处是二项概率的伪计数收缩示例,并非证明先验适合每个新品。

项目步骤:①按以上100单例子做risk_table;②生成20,000模拟订单,先用独立发货机制,再加入“高取消倾向优先发货”;③计算未平滑与平滑hazard;④画两类机制的估计与模拟真值对照;⑤输出当前未发订单的条件留存需求。交付风险集表、留存图、假设报告、净需求表。验收R永不负、c+sh≤R、S不增加且在[0,1]、手算0.81/0.18/60正确。离散logit hazard模型不称Cox;复杂公式不能替代删失假设。

本阶段项目与验收

阶段10:20,000订单的预售风险集(3课与工程项目)

完整项目入口:四专项实验室,下载forecast-specialty-projects.zip,先读README/模型卡,再运行python run_all.py。此命令覆盖包内data/outputs同名生成文件,不改外部文件;修改数据前先保留副本。

步骤:风险集、EB与条件留存手算,再处理同一批订单的两种发货机制、年龄1–59与60日强关。

交付:手算复核、运行命令和种子、模型选择与测试结果、一项未来信息检查、一项守恒检查、未实现范围。参考输出已提供,学习者仍需自行完成解释与图表分析。

验收:终止互斥及数量守恒;无支持尾部留空;信息性删失曲线不称已识别反事实;本包未实现logit hazard或Cox。

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。