网站导航

六行业迁移工作坊

全文共 20193 字,阅读约需 41 分钟

六行业迁移工作坊:本模块是教程,不是博客文章集合。读者应先完成数据粒度、均值与比例、时间切分、基线模型和误差指标。每个行业依次完成“看懂业务 → 手算 → 建表 → 运行 → 验收”,再把自己的实验结果转成专题文章。所有数值、企业、订单与结果均为教学模拟,不

← 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。

本阶段必修:六行业手算题完整输入与说明,按本页末P08六项与追加手算课验收即可。180天模拟起步包及正文大规模建模均为选修扩展,不是核心通过门槛,起步夹具不表示已完成预测实验。

行业实验室:把预测方法放进六种业务

本模块是教程,不是博客文章集合。读者应先完成数据粒度、均值与比例、时间切分、基线模型和误差指标。每个行业依次完成“看懂业务 → 手算 → 建表 → 运行 → 验收”,再把自己的实验结果转成专题文章。所有数值、企业、订单与结果均为教学模拟,不代表真实业务收益。

使用方法与共同实验约定

六章对应白皮书第二部分的六行业及第三部分3.1—3.5;第六章是针对原文仅有矩阵行的教学补充。这里纠正并收窄原文中未经验证的行业比例、固定阈值和自动执行承诺,不把它们当作事实。

  • 学习路径:先做行业1或4,再做行业2、3,最后做5、6。每章约2—3小时,复杂扩展另算,不要求一天全部做完。
  • 数据只来自模拟生成器。每次记录随机种子、数据版本、训练结束日期、预测时点、预测对象、单位、预测跨度。没有真实数据授权时,不接企业系统。
  • 默认180天:第1—112天训练,第113—140天验证,第141—180天测试。先在验证段选择参数,冻结后仅做一次测试报告。5天评价目标必须全部落在对应分块;原点在分块前一天可以使用已发生的历史。
  • 如果这些测试数据已用于挑模型或反复调试,便不再称为“盲测”:应报告已暴露,或重新生成并预先封存独立后续数据。不得为了分数好看重复换种子。
  • 模拟日期不需要冒充真实日历。以day=1表示第1天;day=7、14等标记模拟周末时,说明它不是法定节假日。
  • 主键通常是日期+位置+SKU。任何连接都先断言主键唯一,解释一行代表什么,再核对连接前后的行数与总量。
  • 预测是对未来未知量的估计;采购、调拨、排产还要经过库存、在途、效期、箱规、产能和人工审批。练习只输出建议CSV,不下真实业务单。
  • 图表必须标注“模拟数据”、横纵轴及单位。实测指标只能由你运行得到,以下手算不是模型实际效果证明。

先统一误差的方向

本教程定义误差 e = 实际量 − 预测量。实际12、预测10,e=2,表示少预测2;实际8、预测10,e=−2,表示多预测2。平均绝对误差MAE是先把每个误差去掉正负,再求平均。两个误差为2和−2:MAE=(2+2)/2=2,但平均有符号误差ME=(2−2)/2=0。ME=0不等于每次准确。不同单位的SKU不可随意混成一个总体MAE;先逐SKU报告,再说明等权或业务权重。


行业1:生鲜零售与食品制造

1.1 这章解决什么

模拟生鲜企业有3家门店、6个SKU,每个SKU按“包”售卖;其中叶菜每包净重0.3千克。问题分两层:明天顾客可能需要多少包,以及为了形成这些成品需要多少毛菜。前者是预测,后者是加工折算。短保产品还要区分“需求很少”和“下午已经卖光”。

目标粒度:门店—SKU—天;预测跨度1天,进阶3天。成品需求单位为包,原料为千克。180天×3门店×6SKU=3,240行。小时明细是进阶任务,不强行用日数据声称恢复了小时需求。

1.2 先认识被缺货截住的销量

简化一天只有期初库存、不补货:观察销量 = min(潜在需求,可售库存)。min读作“取较小者”。需求120包、库存90包,销量=min(120,90)=90包;我们只知道顾客至少买走90包,不能仅凭销量知道真实需求一定是120。

模拟实验保留latent_demand=120作评分答案,但在模型特征中隐藏。模型只能看到sales、stockout_flag和当时已知库存。真实场景通常没有latent_demand这个字段,不能把模拟答案当成实际可获得标签。缺货日可标记为受限样本、使用区间或作敏感性分析;简单删除缺货日也可能产生选择偏差,不能宣称已还原真实需求。

1.3 手算:从成品包数到毛菜

公式:毛料需求 = 预测包数 × 每包净重 ÷ 出品率。

  • 预测包数是准备产出的成品数量,单位包。
  • 每包净重是加工后可食用部分,单位千克/包。
  • 出品率是“加工后净重÷加工前毛重”,没有单位,必须大于0且不超过1。
  • 毛料需求单位是千克。

例:预测100包,每包0.3千克,出品率75%=0.75。 1. 先乘:100×0.3=30千克净菜。 2. 再除:30÷0.75=40千克毛菜。 3. 反向验算:40×0.75=30千克净菜,30÷0.3=100包。 4. 常见错法30×1.25=37.5;加工损失占毛重,不是净重,因此不能简单增加25%。

如果配方里的用量本来就是毛料标准,则不要再除出品率,避免重复计损。

1.4 手算:多备与少备哪个更贵

单周期简化报童模型的目标分位数 p = Cu ÷ (Cu+Co)。Cu为少备一件的机会成本,Co为多备一件的净损失,均为元/包。假设需求不因备货改变、单次订货、无中途补货,且成本近似线性。此公式是库存决策规则,不是预测模型。

假设Cu=6元/包、Co=2元/包:p=6÷(6+2)=0.75。再明确模拟需求只可能为100、110、120包,概率分别0.60、0.20、0.20。因此P(需求≤100)=0.60,P(需求≤110)=0.80,最小满足累计概率≥0.75的数量是110包。这里P表示概率,“≤”表示小于或等于;三种概率合计1。不能只知道两个累计概率点就断言它们之间没有其他可能需求,也不能随意线性插值得107.5包,除非明确采用连续近似。

用成本再验一次:期望损失=各情景概率×[Cu×max(需求−备货,0)+Co×max(备货−需求,0)]的和。备货100包时为0.6×0+0.2×60+0.2×120=36元;110包时为0.6×20+0.2×0+0.2×60=24元;120包时为0.6×40+0.2×20+0.2×0=28元。因此这三个候选中110成本最低。缺货量与剩余量单位是包,乘元/包变为元。单期成本与分位数规则可查MIT官方报童模型资料。

P75是需求分位数,不保证75%的件数满足率,也不等于75%的顾客被服务。成本没有依据时,不应硬编码为P75或P90。报童模型也不能覆盖多日批次效期问题。

1.5 模型从简单到复杂

第一版用上周同一天销量作为季节朴素基线,并把缺货样本单列评分;第二版用最近7天移动平均;第三版才用历史滞后销量、已公布促销、预测时可获得的天气预报做树模型。训练时真实未来天气不等于预测时可获得的天气预报。冷链温度可以用于风险提示,但本练习不能据此延长标签保质期或替代质量放行。

1.6 小项目:叶菜加工需求单

数据:daily.csv主键(day,store_id,sku_id),3,240行,字段sales、stockout_flag、opening_stock;隐藏评分表truth.csv含latent_demand。sku.csv含6行sku_id、net_kg、yield_rate、shelf_life_days。batch.csv至少每门店每SKU2批,共36行,含批次、现存量、到期日。

步骤与用时: 1. 20分钟检查主键、非负数和yield_rate范围;统计缺货比例。 2. 30分钟仅用截至原点的历史生成1天预测,对比季节朴素和7天均值。 3. 30分钟在验证集比较总体及缺货/非缺货分组MAE;冻结方法。 4. 25分钟按毛料公式生成processing_plan.csv,按到期日检查可用批次;不要将预测需求直接命名为采购量。 5. 15分钟绘制需求/销量/预测叠线图,写限制说明。

交付:forecast.csv、processing_plan.csv、metrics.csv、stockout_comparison.png、README.md。验收:①手算100包对应40千克通过;②latent_demand不在特征名单,预测行记录origin_day和target_day;③批次过期量不计可用库存,负数和零出品率触发错误,不静默计算。

思考题:需求90、库存120时能否认定不存在未记录流失?答案:简化模拟中可以;真实业务中仍可能存在商品展示、价格或营业时段等限制,不能直接推断。


行业2:时尚鞋服与快反生产

2.1 业务场景与粒度

匿名服装企业需要给一款新上衣估计首周需求,再按颜色尺码安排小批试产。SPU表示款式,SKU表示具体颜色尺码组合;预测“款式一共120件”不能代替“黑色M码需要多少”。本章只做模拟需求估计与尺码分解,不把历史实际订单暴露到教程。

数据:12个历史SPU,每款2颜色×3尺码=6SKU,共72SKU;180天×72=12,960行。另设2个未上市新款,各6SKU,制作12行预测结果。款式属性包含面料类别、版型、季节、价格段;不含个人信息或未经授权图像。

2.2 手算:找相似款,而不是凭空猜

初学版加权均值:新款首周预测 = 各相似款“权重×首周需求”的和 ÷ 权重总和。

假设3个历史款在可比上市首周、可比店数和可比曝光条件下,需求分别80、100、140件;相似权重分别1、2、1。权重是非负相似程度,不是置信概率。 1. 分别乘:1×80=80;2×100=200;1×140=140。 2. 加起来:80+200+140=420。 3. 权重总和:1+2+1=4。 4. 预测:420÷4=105件。

如果三个历史款分别投放10、20、50家门店,不能直接平均总销量,应先转成每门店或每单位可比曝光口径,再按新款覆盖范围换算。若历史款上市时缺货,销量仍可能低于需求。

本例分子单位为件,权重无单位,分母为4而非款式数3;若所有权重为0则无法计算,需要回退到已定义的类目基线。算式是加权均值定义,选择类比对象的判断边界可查FPP3作者教材的判断预测章节。

2.3 手算:把款式拆到尺码

尺码预测 = 款式预测 × 尺码占比。暂固定一种颜色,款式预测105件,S/M/L比例0.2/0.5/0.3:得到21、52.5、31.5件。

件数要整数,可采用“最大余数法”:先向下取整为21、52、31,总计104;还差1件。小数余数为0、0.5、0.5,事先约定同余数按尺码编码排序,给M多1件,最终21、53、31,合计105。选择规则应固定并写进代码,不能每次随意调。

占比必须非负且合计1。若是颜色×尺码,先得到联合比例或明确先分颜色再分该颜色内部尺码,不要把两个各自合计1的列表直接相加。

2.4 如何逐级升级

第一版是全类目平均;第二版是相似属性加权平均;第三版用训练数据学出属性与需求的关系;更高阶才引入图片特征。新品的首周表现尚未发生时,不可把“上架第3天点击量”放进上市前预测。若要第3天滚动更新,应另设预测原点并只用前3天数据。

验证必须按上市批次向后切分,不能将同一SPU的不同尺码随机分到训练和测试,因为它们共享款式信息。历史尺码比例只由原点之前可获得的数据计算,并检查断码导致的偏差。预售订单量、预售留存量和最终签收量是不同目标,取消率属于后续专项模块。

2.5 小项目:新品首周试单看板

输入:style.csv含14款属性与launch_day;history.csv含12,960行历史模拟观察;size_profile.csv按地区/品类给出占比;new_styles.csv含2款新品。若模拟180天内不同上市日,未上市日不能被当作销售为0的正常营业日,应保留active_flag。

任务:20分钟定义上市前预测时点与相似性评分;35分钟回放历史新品,以更早上市款作候选;25分钟比较类目均值和相似款方法;25分钟分配颜色尺码并检查和数;15分钟画款式预测区间及尺码条形图。只输出首单讨论建议,不生成真实生产工单。

交付:new_style_forecast.csv、sku_allocation.csv、launch_backtest.csv、size_mix.png。验收:①示例得到105件,整数分配合计105;②每次回测候选款上市日期早于目标款,且训练信息已到达;③报告至少一个相似款选择失败案例,例如同属性但渠道不同,不编造新品必成功的结论。

练习:把相似款权重改为1、1、2,新预测=(80+100+280)/4=115件。请解释为什么结果向140件靠近,而不是声称权重越复杂越好。


行业3:快消零售与标品电商

3.1 为什么促销不能直接变成日常补货基线

模拟企业有3个区域仓、12个SKU,分别服务多个城市。预测目标是区域—SKU—天的客户出库需求,不是工厂向仓库的调拨量。180×3×12=6,480行。历史大促提高当日销量,但顾客提前囤货可能减少后续购买;这需要检验,不能规定所有商品都持续低迷两个月。

3.2 手算:基线、活动增量与活动后回落

教学分解:预测需求 = 基线 × (1 + 活动增幅) − 回落量。

基线是没有当前活动时的参考量,单位件/天;活动增幅是无单位比例;回落量单位件/天。假设基线100件/天、活动增幅40%=0.4、回落量10件/天: 1. 1+0.4=1.4,表示基线的140%。 2. 100×1.4=140件/天。 3. 140−10=130件/天。

这是可解释的记账模型,不是因果证明。活动天与活动后天通常不同,应分别建promo_flag和days_since_promo;上述同日数字仅演示允许叠加因素时的计算。若预测变负,要检查模型和回落定义,再明确采用max(0,预测)的非负裁剪。裁剪也会影响误差,必须记录。

“促销期间比平时多40%”不自动证明“促销造成40%增量”:天气、节日、价格、渠道和缺货都可能同时变化。初学项目报告预测关联,高阶因果实验另设课程。

3.3 手算:多区域合计要一致

区域A预测50件、B预测70件、C预测80件,全国总量应为50+70+80=200件。这个操作叫自下而上汇总。若另一个全国模型给210件,二者不一致,需要层级协调,不可同时向不同部门宣称两者都是唯一计划。

最简单的比例协调,把全国210按原区域占比分配:A占50/200=0.25,得到52.5;B占0.35,得到73.5;C占0.4,得到84。整数化仍需和数校验。这只是教学方法,不能保证优于统计协调,也不能解决区域容量约束。

比例无单位,三项加回52.5+73.5+84=210件,符合总量约束;若原区域预测总和为0,则这些份额无法计算,应使用另一套已验证的分配规则。分层加总与协调的定义见FPP3作者教材第11章。

3.4 模型与信息时间

第一版季节朴素;第二版用已公布的活动日历加简单分解;第三版加入价格、折扣、历史滞后量的回归或树模型。未来实际核销额、未来直播观众数和事后确认的投放预算不得用作事前特征。库存转移量不是终端需求标签,调拨是企业决策,会放大或掩盖需求波动。

网络库存风险池化效果取决于区域需求相关性、交期及服务目标,不能从“有中央仓”直接推出节约百分比。三个区域同一天受同场促销冲击时,需求往往共同上升,池化空间可能变小。

3.5 小项目:活动前后分组预测

准备daily.csv 6,480行,字段day、region、sku、sales、promo_flag、announced_discount、stockout_flag;calendar.csv至少含发布日announced_day与活动日event_day;sku.csv 12行,含计量单位和品类。所有活动特征在预测时须满足announced_day≤origin_day。

20分钟检查日历时点;30分钟构建基线和活动特征;30分钟在验证段分别报告平日、活动日、活动后7天误差;25分钟做区域和全国汇总校验;15分钟绘制活动窗口曲线。标签和预测都为“件”,不得与箱数混用。

交付:regional_forecast.csv、national_forecast.csv、event_metrics.csv、promo_window.png、feature_availability.csv。验收:①手算分解为130件;②全国每日期每SKU等于区域和;③存在一条“活动在原点后才公布”的测试记录,它不能进入事前特征;④至少比较两个活动窗口,不只挑一个表现好的促销。


行业4:连锁餐饮与茶饮

4.1 禾味案例:菜品预测不是原料采购

虚构“禾味”有2家门店、8个食材SKU、4款菜品。先用14天演示配方和库存计算,再扩展180天做预测。14天菜品日表2×4×14=112行,180天为1,440行;14天食材库存日表2×8×14=224行,180天为2,880行。

预测目标是门店—菜品—天的出品份数;配方展开目标是门店—原料—天的净用量。若直接预测原料出库,要说明它受到盘点、报废、领料频次影响,不等同于顾客真实食用需求。

4.2 手算:一道原料被两款菜共同使用

公式:原料净需求 = 所有菜品“预测份数×每份净用量”的总和。

假设菜A预测80份,每份用净鸡肉0.12千克;菜B预测50份,每份用净鸡肉0.08千克。 1. 菜A净鸡肉:80×0.12=9.6千克。 2. 菜B净鸡肉:50×0.08=4千克。 3. 合计:9.6+4=13.6千克。 4. 若出品率为0.85,则毛鸡肉需求13.6÷0.85=16千克。

符号写法:N_j = Σ_i(f_i × b_ij)。N_j是第j种原料净需求;i是菜品编号;f_i是菜品i预测份数;b_ij是菜品i每份需要的原料j净千克数。Σ读“把所有i逐项加起来”,本例就是80×0.12+50×0.08,绝不是另一个神秘运算。

4.3 手算:从需求到箱数

教学采购建议 = 箱规 × 向上取整[max(0,毛需求 + 目标期末量 − 可用现存 − 按时到货在途) ÷ 箱规]。

本例毛需求16千克、目标期末量2千克、可用现存5千克、按时在途3千克,箱规4千克: 1. 缺口16+2−5−3=10千克。 2. 10÷4=2.5箱,不能订半箱,向上取整为3箱。 3. 建议订3×4=12千克。 4. 忽略其他损耗时预计期末5+3+12−16=4千克,比目标2多2,来自整箱取整。

这是固定时点简化模型:必须检查到货是否早于使用时点、库存是否届时过期、库容能否容纳。未来才到货的3千克不能解决今天上午缺料。过期和质量待检库存不计可用现存。不得混合“天数”和“千克”直接相减。

毛需求、目标期末量、可用现存和按时在途均以千克记录。箱规是4千克/箱,缺口除箱规得到箱数,向上取整后再乘箱规回到千克;箱规必须大于0。库存递推来自期末=期初+流入−流出的守恒关系,BOM与净需求展开可查MIT官方MRP课程。

4.4 模型与配方版本

先用同星期销量、7天均值,再加营业、已知菜单调整和天气预报。活动新品可用相似活动,但只能选预测时已发生且数据可得的历史活动。菜品配方含valid_from、valid_to,按目标日选有效配方;训练数据的耗料回放按当时版本,不可全都套最新配方。

训练菜品预测时不能使用当天实际原料消耗作为输入,因为它是出品后的结果。损耗率若已经含在毛配方中,不能再除出品率或再加损耗。预测低误差不保证采购合规或操作安全。

4.5 小项目:能解释每一箱来源的订货建议

输入:dish_daily.csv、recipe.csv(4菜×8原料稀疏关系,列出非零用量,不强制每菜用满8料)、inventory_batches.csv、inbound.csv、ingredient.csv。所有8种原料至少在一道菜中使用;各单位先统一到千克或件,不把杯子除出品率。

20分钟做配方与单位校验;30分钟比较两个菜品预测基线;25分钟展开原料需求;30分钟按有效库存、准时在途和箱规生成建议;15分钟画“菜品→原料→缺口→箱数”的追溯图。核心数据用180天;14天样本只用于手算和小表展示。

交付:dish_forecast.csv、ingredient_demand.csv、order_suggestion.csv、traceability.md。验收:①示例净鸡肉13.6千克、毛料16千克、建议3箱;②故意加入逾期在途和过期库存后,它们不再抵扣缺口;③任何建议都能追溯到菜品预测、配方版本、库存批次与原点;④缺口为负时输出0,而不是负采购。


行业5:3C数码、汽车与离散制造

5.1 两个目标,不能混成一个模型

匿名装配企业的新品成品需求可能每天很多件,但售后备件经常连续多日为0。成品预测面向产品—周或天;备件预测面向服务网点—备件—天或月。两者的数据产生机制不同。这里以天为实验单位,3网点×20备件×180天=10,800行;另设2种成品、6种部件的BOM与供应表。

客户需求预测回答“可能需要多少”,齐套计算回答“现有物料最多能生产多少”。不能因为最多只能生产80台,就把需求预测改成80台。

5.2 手算:齐套能力由最短的那块板决定

单产品、无替代料情况下:可齐套数量 = 各部件“可用量÷每台用量”的向下取整值中的最小值。

假设每台用1块控制板和2个连接器,现有控制板90块、连接器160个。 1. 控制板可支持90÷1=90台。 2. 连接器可支持160÷2=80台。 3. 取较小值,最多齐套80台。 4. 若需求预测100台、产线容量75台,本期可排产不超过min(100,80,75)=75台。

这里的min仍是取较小值。单位检查:块÷(块/台)=台。多个产品共用连接器时,不能分别都把160个当作自己的可用库存;需要共享资源分配或优化,本例公式仅适用单产品独立计算。

5.3 手算:间歇需求与TSB

TSB把“今天是否发生需求”的概率p与“发生时要多少”的平均量z分开,预测期望需求为p×z。它不是把两次需求间隔直接当作概率。Croston的典型思路才是“非零需求量估计÷需求间隔估计”,不要混写。

简化TSB更新:p新=(1−β)×p旧+β×I;若当日有需求,z新=(1−α)×z旧+α×当日量;无需求则z不更新。I有需求为1,无需求为0;α、β是0到1之间的平滑速度;p在0到1之间;z单位件/次,p×z单位件/天。

假设p旧=0.2、z旧=3、α=β=0.2。今天没有需求,I=0:p新=0.8×0.2+0.2×0=0.16;z仍为3;明日期望量0.16×3=0.48件/天。

次日需求4件:p新=0.8×0.16+0.2×1=0.328;z新=0.8×3+0.2×4=3.2;下一日期望量0.328×3.2=1.0496件/天。小数是长期平均期望,不表示真的领用0.0496件。订货整数化是后续决策。

这些更新在观察当日结果之后执行,不能回填成“当日事前预测”。日需求序列是否独立、是否稳定应检查;p×z只是期望,不能给出完整需求分布。

固定一天为一个时间桶时,p为该日非零事件的无单位概率,z为发生时的件数;二者乘积是一天需求数量的期望(件),口头可写平均件/天。不要把日概率直接搬到一周而仍用同一数值。更新机制可对照Nixtla官方TSB说明及其中链接的Teunter、Syntetos、Babai原论文;本节参数和算例为独立教学设定。

5.4 零需求也要检查

0可能是真没有维修需求,也可能是网点停业、系统未上传或缺货未满足。缺失不能一律补0。装机保有量和设备年龄有助于解释需求,但必须是预测原点已知的存量;未来实际故障数绝不能作为特征。本章不假设所有备件都服从泊松分布,也不把任意间隔说成泊松分布。

5.5 小项目:备件预测与齐套是两个输出

生成spares_daily.csv 10,800行,包含day、site、part、demand、active_flag、observation_complete;bom.csv记录2产品×部件的非零用量;supply.csv记录物料可用数量和明确到达日。

20分钟识别真0与缺失;35分钟实现TSB并逐日先预测后更新;25分钟验证α/β候选仅取0.1、0.2两个小范围,不用测试挑选;25分钟独立计算单产品齐套并展示共享部件冲突;15分钟画稀疏需求与p、z轨迹。

交付:spares_forecast.csv、tsb_state.csv、ctb_check.csv、shared_component_conflict.md。验收:①两步TSB算例得到0.48和1.0496;②连续零需求时p下降,z保持;③无观察日跳过更新而不是当零;④共享物料总占用不得超过可用量,需求、齐套和排产量分别列出。


行业6:医药流通与连锁药房(教学补充)

6.1 本章边界

本章只研究匿名、聚合的流通需求与库存数据,不研究诊断、处方、剂量、治疗建议,也不做个体患者画像或真实药品替代推荐。使用“品项A”等模拟编码,不出现患者姓名、联系方式、疾病或处方明细。任何实际经营、质量放行、处方审核和合规阈值应由具备资格的人员根据适用规定确认。

白皮书中的“180天预警锁库”不能当成所有药品统一法定要求。本教程将预警天数作为显式、可配置的模拟业务政策,并区分预警、隔离和到期不可用,不自行延长效期。

6.2 预测对象与样本

4家模拟门店、10个模拟流通品项,门店—品项—日表共4×10×180=7,200行。汇总到门店—品项—周时,只使用完整7天周;180天可分25完整周和5天尾部,不把不足7天的一周与完整周直接比较。

目标是未来一周的门店需求件数,用于库存讨论。公共宏观指数、日历、天气可作为滞后特征,但本入门项目不包含疾病数据,也不推断个人健康状态。聚合外部指数也需检查发布日期,不能使用预测当时尚未发布的修订值。

6.3 手算:一个朴素但能复核的周预测

3周移动平均 = 最近3个完整周的需求和÷3。最近3周模拟需求为12、18、15盒:先求和12+18+15=45,再除3,预测下周15盒。每周是相同长度且门店营业条件可比才便于这样比较。若一周停业,应记录营业天数,不应悄悄把低销量视为需求下降。

这里n=3是历史周窗口长度,不是“模型有三个业务因素”。多变量是同时有价格、日历等不同输入;窗口长度与特征数量是不同概念。

6.4 手算:账面有货,不等于能覆盖未来需求

到期日与需求日期要对齐。例:周一开始有批次A共6盒,周三营业结束到期;批次B共10盒,月底到期。本周需求按周一至周日为2、2、2、3、2、2、2盒,总计15。

按先到期先出库(FEFO): 1. 周一从A发2,A剩4;周二发2,A剩2;周三发2,A剩0。 2. 周四到周日从B发3+2+2+2=9,B剩1。 3. 本情景需求15盒全部可覆盖,不是因为总库存16>15这么简单,而是到期前消耗匹配。

改变需求为0、0、0、6、3、3、3,总量仍15:周三结束A的6盒未使用并到期;后4天只能靠B的10盒覆盖15盒,出现5盒缺口。两条需求路径同总量却不同结果,说明周总量预测不能替代逐日效期回放。

“库存覆盖周数=可用库存÷平均周需求”是辅助比例。10盒÷15盒/周≈0.667周;仅在需求平稳、库存可用且无额外到货时有参考意义。需求为0时不得除零,也不能显示无风险;应输出不可定义并检查需求历史。

上述两条逐日路径是直接的数量守恒演算,不需要假设某条统计分布;到期时点“周三营业结束”为本练习约定,不是法规结论。移动平均与时间评估可参照FPP3作者教材第5章,任何真实效期合规另核当地适用的官方规定。

6.5 模型与合规约束分层

预测层从3周移动平均或上周值开始。若长期稀疏,再参考间歇需求模块;若需季节解释,应有足够历史,180天不能学习完整年度季节。规则层检查批次效期、质量状态、运输与储存要求。不要让模型分数绕过不可售状态;也不要用“模型建议”自动生成真实采购或调拨。

未来最终质量检验结论、未来停售公告、月底实际库存都不可提前作为事前特征。已知将发生的停止销售等信息若在原点前已经公告,可以作为规则约束,但需保留公告时间和来源。

6.6 小项目:带效期约束的周计划

数据:daily.csv 7,200行;batches.csv至少4门店×10品项×2批=80行,含batch_id、qty、expiry_day、quality_status;policy.csv含模拟预警阈值及生效日;inbound.csv包含预计到货日,允许迟到情景。品项单位固定为盒,不混用片、瓶、盒。

20分钟检查完整周与批次;30分钟做上周值与3周均值;30分钟逐日回放FEFO;25分钟比较同总量不同日分布及到货迟延情景;15分钟制作可解释风险清单。只生成教学风险标记,不替任何专业人员作放行或治疗决定。

交付:weekly_forecast.csv、batch_daily_balance.csv、expiry_risk.csv、scenario_comparison.png。验收:①12/18/15的预测是15;②两条需求路径分别无缺口与缺5盒;③过期、质量隔离库存不进入可用量;④预警阈值写明“模拟政策”,无“全行业法定180天”的表述。


六行业综合毕业小项目

选择两个行业,必须分别完成预测表与计划约束表,而不是只换企业名称。可以选择“匿名服装企业+禾味”,也可以选“生鲜+医药”研究两类效期约束。统一提交:问题卡、数据字典、模拟数据版本、公式手算页、时点特征清单、验证选择记录、冻结后的测试报告、失败案例、可运行说明。

建议评分(100分):口径和单位20、公式解释20、时间切分/泄漏20、数据与实验可复现20、计划边界与失败解释20。达到80分且无以下硬性失败才能进入专题文章加工:真实敏感数据、模拟数字冒充实际收益、未来信息泄漏、单位混算、无依据法规断言、把模型输出直接当真实执行权限。

文章不是把教程逐字搬过去。教程保留完整练习与答案;专题文章从已完成实验中选择一个问题、一个反直觉发现、一个图表和一个局限。结果未运行时写“待验证假设”,不能写“证明提升”。

与白皮书的对照及阅读边界

  • 行业1:白皮书3.1;保留缺货、报童模型、加工出品率,删除未经证实的效果百分比;动态货架期仅作风险建模方向,不代替质量判定。
  • 行业2:白皮书3.2;保留新品相似款、尺码分解、快反层次;原文粘连数字不猜测恢复为事实,也不采用无来源的新品率断言。
  • 行业3:白皮书3.3;保留基线/活动、层级网络;不把关联增量宣称因果效应,不保证风险池化节省。
  • 行业4:白皮书3.4;将“零人工订货”改为可追溯建议与审批,强调配方版本和单位。
  • 行业5:白皮书3.5;区分Croston间隔法与TSB概率法,限制单产品齐套公式的适用范围。
  • 行业6:补充白皮书第二部分医药行的教学内容;所有示例为物流和库存教学,不提供医疗建议,不将示例效期规则解释为法律。

阅读建议:先读白皮书对应节,再查《Forecasting: Principles and Practice》第3版关于时间序列交叉验证、回归、层级预测的章节;间歇需求另查TSB原始论文“Intermittent demand: Linking forecasting to inventory obsolescence”(Teunter、Syntetos、Babai,2011)。不编造页码或声称已复核全文。

可运行起步包

配套文件:industry_lab_starter.py。它只用Python标准库,不安装依赖、不联网。运行:

python industry_lab_starter.py --output industry_lab_output

脚本生成六个行业的180天模拟日表(分别3,240、12,960、6,480、1,440、10,800、7,200行)、禾味14天展示表、部分主数据,以及manifest.json;同时断言检查本教程中的毛料、整数分配、箱规、TSB与两种FEFO算例。各行业的location_id在业务上分别解释为门店、区域或网点。

这是起步数据与数学校验,不是六个项目已完成的答案。学生仍需按各章补充新品上市批次、配方版本、在途与库存事件,编写基线、时点特征、回测和图表。尤其服装生成器仅有在售历史SKU,不能用它直接证明新品冷启动能力;医药批次文件是前30天手算夹具,不是180天持续补货完整台账。脚本输出全部日期为便于练习,若用于新实验,应先封存测试部分,不能看过测试后仍称其盲测。

追加:六个快速手算实验与答案

六行业迁移:同一预测框架,不同决策约束

六行业不是六种必胜算法,而是六套目标、单位、期限与约束。以下全部为模拟教学场景。对白皮书中未附原始研究、样本和评估方法的收益百分比,本教程不沿用,也不据此设定验收。医药部分仅讨论流通库存与合规数据,不提供临床建议,不自动改变法定有效期。

生鲜:短保批次与报童成本

先预测明日需求,再决定今天买多少。假设一份生鲜进价4元、售价7元、未售出残值1元,不考虑额外缺货罚金,则少备一份损失3元,多备一份损失3元。目标分位数=3÷(3+3)=0.5,即P50。若额外每缺一份计2元损失,少备成本变5元,分位数=5÷8=0.625。不是“生鲜一律用P50”,而是成本变,目标也变。存在多期库存、容量限制、替代购买时,单期报童模型只是简化起点。

取四个等概率明日需求情景[8,10,12,14]份。用D表示需求份数,Q表示采购份数,π表示本日利润(元);售价7、残值1、进价4的单位均为元/份。无额外罚金时,π(D,Q)=7×min(D,Q)+1×max(Q−D,0)−4×Q。min取两个数较小者,max取较大者;它们保证不会卖出超过库存的数量。公式来自销售收入+剩余残值−采购成本的收支记账,假设只考虑一日、售不出的货统一按残值处理、可买任意整数份。

完整手算一个采购量:Q=10。需求D=8时,利润=7×8+1×2−4×10=18元;D=10时=70+0−40=30元;D=12或14时只能卖10份,均为30元。四情景各有1/4概率,期望利润=(18+30+30+30)/4=27元。其他采购量的检查表如下,每个方括号按D=8、10、12、14排列:

  • Q=8:[24,24,24,24],平均24元。
  • Q=9:[21,27,27,27],平均25.5元。
  • Q=10:[18,30,30,30],平均27元。
  • Q=11:[15,27,33,33],平均27元。
  • Q=12:[12,24,36,36],平均27元。
  • Q=13:[9,21,33,39],平均25.5元。
  • Q=14:[6,18,30,42],平均24元。

因此Q=10、11、12都是此离散例子的最优解。最小满足累计概率达到50%的需求量是10,报童分位数规则给出一个最优解,不保证唯一。若采用上段每缺一份额外罚2元的设定,利润式必须同步再减2×max(D−Q,0),不能沿用这张无罚金表去验证0.625。成本与分位数必须对应同一业务假设。

批次必须记录生产日、效期与可售状态;温度模型只能辅助预警,不可无授权延长标签效期。库存决策与服务水平的基本框架参考MIT官方库存课程,上述算例由收支式独立构造,不是引用课程中的行业收益。

鞋服:新品、尺码与延迟制造

新品没有自己的销量历史,但可以借相似版型、面料、价格带的旧款。先选只在上新前可知的属性,保留整款上新批次做回测,不能把同款后半段销量混到训练集。假设款式总需求100件,三个尺码比例0.2、0.5、0.3,则需求20、50、30件;总和仍是100。若M码断货,观测销量比例不能直接当真实偏好。

面料通用而成衣差异大时,可以在通用面料层做预测,颜色尺码确认后再排产。模拟每件净面料1.5米,裁剪出成率0.9,100件毛面料=100×1.5÷0.9≈166.67米。若BOM本已含损耗则不可再次除0.9。预售订单需要按当前仍未取消的条件概率折算,下一专项详细讲。

快消:促销、透支与多级库存

大促前销量可能受提前囤货影响。建立“周几、促销计划、活动后第几天、价格、可售状态”特征,不把活动后才知道的实际GMV输入活动前预测。所谓基线与增量是建模分解,不自动等于因果增量;大促同时变化流量和折扣,观察数据难以单独识别价格效果。

模拟中央仓和两区域仓,两个区域各预计10件。若需求总是同涨同跌,集中库存的风险分散很有限;若一高一低可能相互抵消。不能无条件认定“安全库存都放中央仓”。调拨交期、服务承诺、干线容量和区域独立性都必须一起回放。项目中比较中央20件与两个区域各10件的配置,安排区域A需求15、B需求5,分别设即时调拨与两天调拨,解释同总库存为何不同服务结果。

餐饮:杯量、BOM与箱规

禾味2家门店、8个食材SKU的主线,先从2种菜品开始。模拟鸡肉饭100份、鸡肉沙拉50份,净鸡肉分别0.18和0.12kg,净需求=100×0.18+50×0.12=24kg;出成率80%,毛需求=24÷0.8=30kg。可用现货8kg、按时到货4kg、无欠单,净补货需要18kg;箱规5kg,应订ceil(18÷5)×5=20kg。ceil向上取整,3.6变4箱。若剩余保质期只能覆盖两天,不能只按箱规盲目加量。

每个食材的来源菜品求和叫BOM展开。这里的单份鸡肉用量单位是kg/份,份数×kg/份才得到kg;出成率0.8无单位,必须大于0且不大于1。18kg是扣除按时可用供应后的正净需求;若结果为负则订0,不能下负订单。ceil(18÷5)的单位是箱,最后乘5kg/箱回到kg。先统一g与kg,否则1000倍错误不会被复杂模型自动修正。成品退单、实际制作和食材耗用不是同一时间点,必须说明预测的是销售还是生产耗用。BOM、毛需求到净需求及交期展开见MIT官方MRP课程。

3C与汽车制造:齐套限制与备件长尾

模拟每台设备需要芯片2颗、屏幕1块。可用芯片80颗、屏幕50块,最多可齐套min(floor(80÷2),floor(50÷1))=min(40,50)=40台。floor向下取整,因为不能制造半台完整设备。若市场需求60台,预测仍是60,受供应约束的计划产量只有40,不能把实际生产40当需求标签。

售后备件多天为零,先分别研究“哪天会发生”和“发生时多少”。Croston平滑非零批量与间隔;TSB平滑每日发生概率与非零批量,每天无需求时概率仍下降。两者不相同。设备保有量和故障年龄可提供信息,但要防止把未来售出设备数量提前作为输入。

医药流通:效期、追溯与缺货责任

模拟药房库存按批次分为20盒30天到期、40盒180天到期,预测下周需求15盒。按先到期先出可优先消耗15盒近效期批次,但必须同时满足合法可售状态、储运条件、处方及业务规则。不可把“180天”当通用法定锁库阈值。具体阈值要来自真实品种、法规与企业规则,本教程仅演练参数化规则。

外部疾病指数必须使用当时已发布版本;今天看到的修订历史可能泄漏未来。隐私敏感的患者记录不进入本教学数据。间歇需求和慢病复购需要不同评估:零预测可能得到低MAE却漏掉关键需求。除误差外,记录缺货天数、到期报损和批次追溯完整率,不能以准确率代替服务或合规。

阶段小项目:同一模型,六张业务决策卡

每个行业用一页CSV或Markdown,填目标、粒度、单位、预测时点、范围、可用字段、不可用字段、基线、成本、约束。分别复现以上6个数字例题,再改变一个约束:生鲜残值、鞋服出成率、快消调拨交期、餐饮箱规、制造芯片数量、医药可售状态。

交付industry_cards.md、six_scenarios.csv和一张“预测需求→计划数量”对照图。验收:六行业都有独立说明;数学单位一致;每次改动只改变一个条件;预测、计划与实际执行分三列;未把模拟结果写成实际收益。参考可从MIT库存课程、FPP3预测实践、OR-Tools优化说明进入,法规需另查适用地区官方文件。

项目一 生鲜采购枚举

输入。 用四行数据记录scenario_id(情景编号)、demand_units(需求份数)、probability(概率),取值依次为(1,8,0.25)、(2,10,0.25)、(3,12,0.25)、(4,14,0.25)。另记录unit_price=7元、unit_cost=4元、salvage_value=1元、order_units为8到14中的整数。本项目需求情景与价格均为教学设定,不需从真实店铺采集。

操作。 对每个采购量Q和每个情景D计算sold=min(D,Q)、leftover=max(Q−D,0)、profit=7×sold+1×leftover−4×Q;再把四个情景的profit各乘0.25后相加。生成7×4=28行的fresh_results.csv,保留情景、采购、销量、剩余、利润和情景概率,另保存按采购量汇总的expected_profit。

参考答案。 采购量8、9、10、11、12、13、14份的期望利润依次为24、25.5、27、27、27、25.5、24元。采购10、11、12份在这组离散情景下并列最优,不能硬说只有一个答案。P50按“累计概率首次达到50%”定义取10份,它是这组最优解之一。例:Q=10、D=8时售8份、剩2份,利润=56+2−40=18元;D=10/12/14时利润都为30元,平均为27元。

只改残值。 把残值改为0,其余不变。七个采购量的期望利润变为24、25.25、26.5、26、25.5、23.25、21元,最优采购量变成10份。验收要求每行sold≤Q且sold≤D,利润单位为元,四个概率之和为1,并说明“库存增加”不一定“期望利润增加”。

项目二 鞋服尺码与面料

输入。 三行尺码数据:size=S/M/L,share=0.2/0.5/0.3;公共字段style_demand_units=100件、net_fabric_per_unit=1.5米/件、yield_rate=0.9。数据口径为净面料定额,不含裁剪损耗。

操作与交付。 生成apparel_plan.csv,逐行算size_units=100×share、net_fabric_m=size_units×1.5、gross_fabric_m=net_fabric_m÷0.9。再写一张新品回测卡:预测日是上新前一日,只能使用当时已上市的相似款和已确定属性;整款未来销售不得进入训练,断码观测单独标记。

参考答案。 三尺码需求为20、50、30件;净面料为30、75、45米,总计150米;毛面料分别约33.333、83.333、50米,总计166.667米。只把出成率改为0.8,需求仍为20、50、30件,毛面料总计187.5米。验收看需求总和100、比例和1、米/件×件=米;保留未舍入值汇总,最后再按真实采购单位取整。本例未提供米数最小起订量,因此不臆造实际采购单。

项目三 快消调拨与服务结果

输入。 两行区域数据:region=A/B,opening_stock=10/10件,day0_demand=15/5件;当日无额外到货。另设transfer_delay_days为0或2。评价的是第0天当天能够满足的需求,延迟满足另列,不把两天后的补发当作当天已满足。

操作与交付。 生成fmcg_service.csv,比较两个方案。方案甲允许当天把B多出的5件送到A;方案乙只能两天后送达。每行保留opening_stock、transfer_in、transfer_out、day0_served、day0_shortage、closing_stock,并绘制三天库存时间轴。暂不计运输费用,但结论要写明这一简化。

参考答案。 即时调拨下A满足15、B满足5,共20件,当天满足率20÷20=100%,最终两地库存都为0。两天调拨无法弥补第0天缺口:A当天满足10、B满足5,共15件,当天满足率15÷20=75%;A缺5件,B尚有5件待调。总现货20件不意味着当日可用量在每个地点都足够。若业务允许后补,后补量和时效另记;若客户已经流失,就不能把它算成后续成交。验收须守住逐地库存不负和跨地转移总量守恒。

项目四 餐饮BOM与箱规

输入。 两行菜品数据:dish=鸡肉饭/鸡肉沙拉,forecast_servings=100/50份,net_chicken_kg_per_serving=0.18/0.12。公共字段yield_rate=0.8、usable_stock_kg=8、on_time_inbound_kg=4、backlog_kg=0、pack_size_kg=5。本次保护期内库存都合法可售、在途按时到达,且无另外的安全库存加项。

操作与交付。 保存restaurant_bom.csv与restaurant_order.csv。先把两款菜的净鸡肉需求分别算出再汇总;统一除以出成率;扣除可用库存和按时在途;最后按箱规向上取整。计算ceil时可以先做除法,再取不小于结果的最小整数。

参考答案。 两菜净需求分别18和6kg,总净需求24kg;毛需求30kg;净补货量30−8−4=18kg;箱规5kg时订4箱,即20kg。只把箱规改为6kg,就订3箱,即18kg。需求仍为30kg,不应因为订单从20变18而改写需求预测。验收还需说明:若4kg在途迟到,则不可扣除;若配方已含损耗,则不可重复除0.8。

项目五 制造齐套与稀疏备件

输入。 两行BOM:component=芯片/屏幕,units_per_device=2/1,available_units=80/50;市场需求forecast_devices=60台。floor表示不大于除法结果的最大整数。

操作与交付。 保存manufacturing_ctb.csv,计算每种物料分别最多支持多少台,再取最小值,并与需求60台比较。输出列必须分别包含forecast_devices、feasible_plan_devices、unserved_devices,不能覆盖原需求。

参考答案。 芯片支持floor(80÷2)=40台、屏幕支持50台,最多生产40台,未满足需求20台,剩余屏幕10块。只把芯片可用数改为60,最多生产30台,未满足30台,剩余屏幕20块;需求始终为60台。

备件加练。 使用进阶间歇需求的同一手算状态:旧批量400件、旧间隔3周、新批量600件、新间隔5周、α=0.2。Croston更新后为440÷3.4≈129.412件/周;SBA为约116.471件/周。TSB另从发生概率0.25、发生时400件、β=0.1开始,连续4周无单后为0.25×0.9⁴×400=65.61件/周。这是两套独立初始化,不能把两者的输出硬当成公平性能比较。交付spares_calculation.csv,写明初始化、零值含义和每步更新。

项目六 医药批次与可售状态

输入。 两行批次:batch=A/B,stock_boxes=20/40,days_to_expiry=30/180,saleable=true/true;未来7天需求forecast_boxes=15。教学假设两批次在整个服务期内均合规可售,且企业没有另设临期禁售阈值;真实项目必须替换成适用规则。

操作与交付。 保存pharma_batches.csv,先过滤不可售批次,再在可售批次中按到期日期从早到晚分配。输出allocated_boxes与remaining_boxes,并保留过滤原因。最后做一次库存可售状态改变的压力测试。

参考答案。 基准方案从A分配15盒、B分配0盒,余量为A5、B40,共45盒可售库存。只将A的saleable改为false,则A分配0、B分配15,实物余量A20、B25;总实物仍为45盒,但可售库存只有25盒。不可把隔离/不合格库存悄悄算入可用库存,需求仍是15盒。验收要保留批次ID、效期与状态来源,不含任何真实患者记录,也不把本例阈值解释为法规。

六项共同提交与自检

把每项输入、逐步结果和一段解释放在对应文件夹。每项解释回答三句:我预测的是什么;哪个约束改变了计划;这组模拟结果不能证明什么。允许使用电子表格或短程序,先手算一行,再核对整张表。只要计算、口径和边界完整,模型没有变复杂仍然可以通过。未收集真实经营数据,因此不能用这些项目声称已提升某企业收益。

本阶段项目与验收

阶段8:六行业不是换一个名字(3课+六个短实验)

课程:①保质期/审美期/提前期/履约确定性;②统一预测接口与不同约束;③六行业迁移综合小项目。

必修项目P08:六行业手算与策略卡。 下载本课的 forecast-industry-project-data.zip,按README逐个打开7个CSV;这些是本阶段完整必修输入。下面六项都能用表格完成,详细推导见本课“追加:六个快速手算实验与答案”。共同参数重复在多行时不要加总。每个实验约20分钟,学习与复查另算,不声称全部只有120分钟。

A 生鲜:fresh_input.csv的四个等概率需求情景8/10/12/14份,售价7、成本4、残值1;枚举采购8至14份,输出逐情景利润及平均值。验收平均利润最大值27元,采购10至12份都可最优,不声称唯一解。 B 鞋服:apparel_input.csv,100件按0.2/0.5/0.3拆为20/50/30件;单件净面料1.5米、出成率0.9,毛面料合计166.6667米。验收总量100件、单位正确,款总量不得每行重复相加。 C 快消:fmcg_input.csv,A/B各有10件、需求15/5件;不可即时调拨时缺货5件,允许当日从B调5件时缺货0。验收区分网络总库存与时间可达的库存,不宣称集中永远最优。 D 餐饮:restaurant_input.csv,两道菜100/50份、净配方0.18/0.12kg;净需求24kg、毛需求30kg,现货8kg、在途4kg、箱规5kg,建议订20kg。验收不重复损耗,不重复加公共库存字段。 E 制造:manufacturing_input.csv,芯片80颗每台用2、屏幕50块每台1,齐套40台,需求仍60台;spares_input.csv作为额外手算扩展。验收计划40不偷换为市场需求40,取整正确。 F 医药:pharma_input.csv,两批20/40盒、效期30/180天、下周需求15盒,按FEFO先取第一批15盒,剩5/40盒。再把首批设不可售,应全从第二批取15,剩第二批25。验收不可售不能出库,效期数字为模拟参数不是法规。

必修交付:six_industry_cards.md、六个可复核结果表、每项一个边界反例。完成上述六个已提供输入的任务即可通过阶段8核心。大规格的180天预测、56天促销、52周备件和26周外部指标训练,以及多门店多批次库存回放,均为选修扩展;需要先补齐相应数据与生成器,不作为核心门槛,也不声称已完成。

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。