制造案例 M2:连续几周没人要的汽车备件,预测应怎样下降?
全文共 2012 字,阅读约需 5 分钟
制造案例 M2:连续几周没人要的汽车备件,预测应怎样下降?:本补充教材基于《供应链预测与计划全景白皮书(1).md》第二部分行业矩阵、第三部分3.5、第四部分专项四、第五部分实施路线及第六部分指标。白皮书提供方向,不是这些数值的来源。以下企业、物料、日期、订单、参数和结果全部为教学模拟,不代表真实项
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。
制造与备件 · 第2个独立案例。数据、参数及结果均为教学模拟;本例小样本演算不是大规模模型训练或真实业务效果。
下载本行业案例输入、说明与可运行计算器
共同阅读与提交约定
制造与医药流通预测教学案例:10个不同业务问题
阅读与实施约定
本补充教材基于《供应链预测与计划全景白皮书(1).md》第二部分行业矩阵、第三部分3.5、第四部分专项四、第五部分实施路线及第六部分指标。白皮书提供方向,不是这些数值的来源。以下企业、物料、日期、订单、参数和结果全部为教学模拟,不代表真实项目收益。医药仅讲仓储、配送与需求计划,不给诊断、治疗、用药、处方替代建议,也不处理患者明细。
十个案例不是“换商品名称重算平均数”:制造分别解决成品需求与齐套约束、零需求更新、保有设备分龄、供应交期、跨周期VMI;医药分别解决批次可售时间、聚合复购漏斗、先行指标、政策断点、冷链质量状态。预测提供不确定估计,计划把预测转换为受约束建议,执行必须另行获得业务授权。
统一零基础数学约定
×是乘,/是除;max(0,x)在0与x中取较大值,防止出现负采购量;min(a,b)取较小值,例如库存只能卖到可用数量为止。floor(x)向下取整数:floor(3.8)=3,表示不够一整套就不能算完整成品。ceil(x)向上取整数:ceil(3.1)=4,表示整箱订货至少要4箱。- 带帽子如
D_hat表示预测,普通D表示实际。百分数是无单位比例:20%=0.20。平均数=总和÷个数。这里用“单位/一个预测周期”解释预测速率;一天、一周、一个月绝不混用。 - 单个小例用于学会计算,不足以证明模型有效。扩展作业至少使用180天模拟数据,按时间顺序划为训练112天、验证28天、封存测试40天。5天评价窗口不得跨分块;周/月级模型按完整周期聚合,不为凑行数拆开一个业务周期。调参只能用训练/验证,测试不得反复挑最好参数。
- 每例都保存
origin_time(当时发出预测的时间)和available_at(数据当时可获得时间)。只允许available_at≤origin_time的输入。下文“次周实际”只用于事后评分,不能回填为预测特征。 - WMAPE=绝对误差之和÷实际数量之和;本教材Bias=(预测数量之和−实际数量之和)÷实际数量之和,正号为高估。分母为0时不输出百分比,改报绝对误差。不同SKU若计量单位不同,应分组评价或先经过有记录的标准化,不能把盒、毫升、台直接相加。
每例都有两层作业:先完成下列小数据手算和边界测试,再做阶段项目的时间回测。小例通过不等于上线;模型收益须在独立回测和业务实验后判断。
制造案例 M2:连续几周没人要的汽车备件,预测应怎样下降?
阶段:间歇性需求→TSB。 某服务网点预测一种备件下周需求。过去大量周为0,不适合直接把“非零订单平均值”当每周用量。
输入与预测合同
粒度“网点×备件×周”,每周日结账后预测下一周。起始状态来自更早训练段:非零发生概率p=0.50,发生时平均数量z=4件/次;发生概率更新系数β=0.20,正需求量更新系数α=0.50,均无单位。之后三周观察量为0、0、6件,最后一周周日预测第四周。
公式拆解与逐步演算
把本周是否发生需求写成o:数量大于0时o=1,否则o=0,无单位。每周更新p_new=(1−β)×p_old+β×o。它把旧概率占80%、本周事实占20%。只有出现正需求时,才更新z_new=(1−α)×z_old+α×y;y为该周正需求数量(件/次),无需求时z保持不变。下一周预测D_hat=p_new×z_new,单位件/周。
第一周y=0:p=0.8×0.5+0.2×0=0.4,z=4,预测0.4×4=1.6件/周。第二周y=0:p=0.8×0.4=0.32,z=4,预测1.28。第三周y=6:p=0.8×0.32+0.2=0.456,z=0.5×4+0.5×6=5;第四周预测0.456×5=2.28件。
期望值2.28不是“可以发0.28件”。预测保留小数;采购如何按箱规取整是后续政策。若第四周也为0,新p=0.3648、z=5,下一周预测1.824件。
项目操作与答案
输入三行周需求和四个初始参数。输出m2_tsb_states.csv,逐周列原始需求、o、更新前后p和z、下一周预测;绘制包含0需求的阶梯图,不删除0行。
验收:第三周后p=0.456、z=5、预测2.28;追加0周得到1.824;把第三周6改成0时第三周后预测0.256×4=1.024。容差1e−9。扩展项目用长序列比较TSB、Croston、简单平均,分别报告零需求周和正需求周误差。
边界: TSB更新的是发生概率与正需求大小,不能说它和Croston都在更新“间隔”。Croston建模正需求大小与间隔,其标准版在连续0时不这样衰减。初始p、z和α、β必须由历史训练/验证确定;停产淘汰会使非平稳性更明显,不应把模型输出当必须采购的命令。
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。