概率预测与库存决策
全文共 3819 字,阅读约需 8 分钟
概率预测与库存决策:均值预测关注长期平均需求。中位数即 P50,表示至少一半的概率不超过它,同时至少一半的概率不低于它。对离散需求,某个取值可能集中较大概率,不能简单说恰好一半在它下方。P90 是第 90 百分位,通常取累计概率首次达到或超过 90% 的值;若
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。
7 概率预测 把不确定性连接到库存决策
7.1 均值 中位数 分位数分别是什么
均值预测关注长期平均需求。中位数即 P50,表示至少一半的概率不超过它,同时至少一半的概率不低于它。对离散需求,某个取值可能集中较大概率,不能简单说恰好一半在它下方。P90 是第 90 百分位,通常取累计概率首次达到或超过 90% 的值;若分布和校准恰当,离散需求下的覆盖率可能高于名义 90%。
均值不一定等于 P50。偏态或间歇需求尤其如此。例如大多数周没有订单,少数周有大批量订单,P50 可以为零,但均值明显大于零。
P10 至 P90 是一个名义 80% 的中心预测区间,不是 90% 区间,也不是“模型有 80% 的概率是正确模型”。对每个对象都报很窄的区间并不意味着模型更好,首先要检查它是否覆盖真实结果。
7.2 分位数损失如何改变模型目标
设真实值为 y,预测分位数为 qτ,误差 e=y-qτ。分位数损失定义为:
这里τ是0到1之间的目标概率,qτ下标表示这个概率水平,不是q乘τ;y、qτ、e和损失都有相同数量单位,例如件。损失是评分工具,不自动等于元成本;要得到业务成本必须另乘与缺货/过量对应的成本系数。
- 如果 e≥0,损失为 τ×e。
- 如果 e<0,损失为 (1-τ)×(-e)。
τ=0.5 时两侧权重相等;τ=0.9 时,对低估的惩罚是同等幅度高估的 9 倍。通过最小化这个损失,可以训练相应分位数预测。scikit-learn 分位数损失说明
手算:真实需求 100,P90 预测 80,低估 20,损失为 18;若预测 120,高估 20,损失为 2。这说明它为何倾向给出更高的预测,但仍会惩罚无限抬高。
若分别训练 P10、P50、P90,可能出现分位数交叉,即 P90 小于 P50。产品验收应检查单调性,并采用适合的联合训练或后处理;修正后仍需重新评价校准。
7.3 库存决策通常关心提前期累计需求
设 L 为补货提前期,R 为库存检查间隔。两种常见策略的保护期不同:
- 连续检查库存、到达订货点即下单的简化策略,订货点主要覆盖提前期 L 内的需求。
- 每隔 R 期检查并下单的周期检查策略,补至目标通常需要覆盖保护期 L+R 内的需求。
例如禾味下单后 2 天到货,若连续检查,基本保护期为 2 天;若每隔 1 天检查一次,周期检查策略的基本保护期为 3 天。具体还需与订单截止、到货时刻和当天消耗顺序对齐。服装面料采购可能有更长提前期和更高波动。
统一用 H 表示该策略的保护期,D(H)=未来 H 期需求之和。订货点或补至目标需要 D(H) 的分布,不能只用单日点预测乘 H,更不能机械相加每日 P90。后续 4 周服装算例假定所需保护期 H=4 周;它可以对应连续检查且 L=4 周,也可以对应周期检查且 L+R=4 周,不能在解释中随意互换。
提前期本身如果不稳定,要把延迟风险也纳入。简单的平方根时间法则依赖独立、同分布或相应近似等条件,促销、周末和连续天气冲击下未必成立。
7.4 服装累计需求的完整手算
设一个低频补单 SKU 在未来每周独立地以 25% 概率产生一笔 400 件订单,否则为零。这里“独立、概率固定、每笔固定 400 件”都是为方便计算而作的教学假设,不是对真实服装订单的结论。
先把“发生订单”记为1,“不发生”记为0。每周各有两种结果,四周共有2×2×2×2=16条可能路径。例如1000表示只在第1周有单,0100表示只在第2周有单。这16条路径并非等概率,因为一周有单概率0.25,无单概率0.75。
四周独立这个教学假设,让一条路径的概率可以逐周相乘。例如1000的概率是0.25×0.75×0.75×0.75=0.10546875;1100的概率是0.25×0.25×0.75×0.75=0.03515625。把订单次数一样的路径放在一组,就可以得到整张概率表:
| 订单次数N | 路径或路径数量 | 一条路径概率 | 该组概率 | 累计需求D=400×N |
|---|---|---|---|---|
| 0 | 0000,共1条 | 0.75⁴=0.31640625 | 1×0.31640625=31.640625% | 0件 |
| 1 | 1000、0100、0010、0001,共4条 | 0.25×0.75³=0.10546875 | 4×0.10546875=42.1875% | 400件 |
| 2 | 1100、1010、1001、0110、0101、0011,共6条 | 0.25²×0.75²=0.03515625 | 6×0.03515625=21.09375% | 800件 |
| 3 | 1110、1101、1011、0111,共4条 | 0.25³×0.75=0.01171875 | 4×0.01171875=4.6875% | 1200件 |
| 4 | 1111,共1条 | 0.25⁴=0.00390625 | 1×0.00390625=0.390625% | 1600件 |
表里0.75⁴表示0.75连续乘4次,百分比是小数概率乘100%。五组概率相加恰好为100%。这类“固定次数、每次独立、发生概率固定”的计数分布叫二项分布,简写为N服从Binomial(4,0.25);4是试验次数,0.25是每次发生的概率。你现在已经用枚举算出了它,不必先背组合数公式。
累计概率是从小到大不断相加:到0件为31.640625%;到400件为31.640625%+42.1875%=73.828125%;到800件再加21.09375%,得到94.921875%;到1200件再加4.6875%,得到99.609375%;到1600件为100%。
平均需求按“每种需求×相应概率”相加:0×0.31640625+400×0.421875+800×0.2109375+1200×0.046875+1600×0.00390625=400件。平均400件不表示每个周期都恰好400件,也不代表90%的周期需求都小于400件。
因此,4 周平均需求为 400 件,P90 为 800 件。若目标是覆盖至少 95% 的这种模拟周期,800 件仍稍低,需达到 1,200 件才能满足这个离散分布的要求。
这也说明不能直接相加单周 P90。单周 P90 是 400 件,四周相加是 1,600 件,但四周累计 P90 只有 800 件。真正需要的是累计分布及相关结构。
换一个数再算。 若每周有单概率从0.25改成0.5,其他条件不变,每条路径概率都是0.5⁴=0.0625,五组概率变为6.25%、25%、37.5%、25%、6.25%。累计到800件只有68.75%,到1200件达到93.75%,所以四周P90为1200件。不能只把原来800件按概率变化比例乘2,因为分位数由累计概率跨过门槛的位置决定。
该算例不自动决定应买多少面料。还需扣除可用库存、在途、已分配量,并考虑订单批量、替代材料和交期。若订单在促销期间集中出现,独立性假设失效,上述分布必须重建。
7.5 禾味的缺货与报废成本决定目标分位数
在简化的单周期、风险中性、没有追加补货机会的报童模型中,少准备一单位的边际损失为 Cu,多准备一单位的边际损失为 Co,则目标分位数为:
τ = Cu ÷ (Cu+Co)。
假设禾味某食材的有效少备损失为每公斤 20 元,多备的净损失为每公斤 5 元,教学模型给出 τ=0.8,应关注 P80,而不是自动选 P50 或 P95。成本应包含实际增量影响,避免把销售额、毛利、补救成本和顾客损失重复计算。Cornell 大学报童模型教材
如果该保护期需求 P80 为 30 公斤,预测均值为 26 公斤,可把相对于均值的 4 公斤理解为这一简化策略下的风险缓冲。若库存位置为 12 公斤,未考虑包装约束的补至目标量为 18 公斤。这里假设可用库存与到货时间匹配、无保质期问题,实际系统还应按批次和有效期计算。
P80 也不等于“满足 80% 的需求量”。周期服务水平关注一个补货周期是否缺货,满足率关注多少需求单位被满足,二者不是同一指标。多周期、替代、随机提前期和产能约束下,不能直接套用这个简单临界分位数。
7.6 概率预测如何验收
至少一起看四项:
- 分位数损失,检查对应分位数的预测质量。
- 覆盖率,检查 P10 至 P90 区间是否接近名义 80%。
- 区间宽度,在校准合理前提下比较信息量,而不是越窄越好。
- 业务仿真,比较相同库存政策下的缺货、报废、库存占用和成本。
还要分促销与非促销、旺季与淡季、新品与成熟品、不同步长检查。总体覆盖率为 80%,可能掩盖促销期只覆盖 50% 的问题。
基于历史残差校准区间是一种可选做法,但普通 conformal 方法的有限样本保证依赖交换性等条件。时间相关、分布漂移和分组小样本会影响适用性;不能宣称“套上 conformal 就无条件保证未来覆盖率”。Conformalized Quantile Regression 原始论文
本节练习。 某模型 P10 至 P90 区间过去只覆盖了 58% 的需求,而且促销日漏得最多。最先做什么?
答案:先检查输入时点、促销条件、分组覆盖和误差分布,评估是否需要分组校准、增加促销信息或重建模型。不能把它当成可靠的 80% 区间继续展示给采购。
本阶段项目与验收
阶段7:从点预测走到概率与补货(3课)
课程:①频率概率、分位数与预测区间;②缺货成本/剩余成本和报童;③库存位置、提前期、箱规与模拟。
项目P07“同一个均值,备货为什么不同”:给需求场景[80,100,120,140]等概率,Cu=6元/件、Co=2元/件,临界分位数0.75,最小满足累计概率的Q=120;对比Q=100/120/140的逐场景成本。再回放禾味净料需求和服装件数的两种策略。
交付:scenario_costs.csv、库存/缺货/报损曲线、decision_contract.md。
验收:P75=120;Q120平均成本(80+40+0+120)/4=60元,Q100=(40+0+120+240)/4=100元,Q140=(120+80+40+0)/4=60元。离散情况下120和140都可最优,禁止将120称唯一最优。库存扣减不得为负;P90不是90%满足率;周期保护期=L+R,连续检查通常=L。
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。