网站导航

医药案例 P3:外部先行指标怎样进入预测,又怎样避免偷看未来?

全文共 1993 字,阅读约需 4 分钟

医药案例 P3:外部先行指标怎样进入预测,又怎样避免偷看未来?: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

← 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。

医药流通 · 第3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。


医药案例 P3:外部先行指标怎样进入预测,又怎样避免偷看未来?

阶段:单变量→多变量回归与特征可得时间。 匿名流通仓预测下周SKU出库盒数。示例只使用模拟公开区域关注度指数与已公布的节假日,不作疫情、疾病诊断。

输入与预测合同

每周五18:00预测下周,粒度“配送仓×SKU×周”。课堂给定已在训练段拟合的式子:D_hat=40+2×x+15×h。x为本周五已发布的区域关注度指数(点),h为下周是否含已公布假日的标识(0或1),预测单位盒/周。参数2为每指数点对应2盒/周的预测变化;15为假日项15盒/周;截距40盒/周。它们不是因果效应。

四个独立验证周的x、h、实际依次为:(5,0,52)、(10,0,58)、(10,1,80)、(15,1,82)。所有x均需有发布时间。

公式拆解与逐步演算

第一周40+2×5+15×0=50;第二周40+2×10=60;第三周40+20+15=75;第四周40+30+15=85盒。绝对误差为2、2、5、3,合计12盒;实际合计52+58+80+82=272盒,因此WMAPE=12/272≈4.41%。预测合计270,Bias=(270−272)/272≈−0.735%,轻微低估。

去掉指数、只使用均值基线60盒/周,绝对误差8、2、20、22合计52,WMAPE=52/272≈19.12%。这只说明在本模拟验证集上新模型较好,不说明任何真实业务收益,也不支持因果结论。

项目操作与答案

输入四行带feature_available_at的验证数据,以及冻结参数。输出p3_forecasts.csv和预测-实际图。添加一行“下周日才发布的修订指数”,测试数据管道必须拒绝其进入本周五特征;另外保存可用原版指数,避免用回修数据偷看未来。

验收:四个预测50、60、75、85,WMAPE≈4.4118%、Bias≈−0.7353%;一个未来发布时间必须被拒绝。再把h从1改成0,预测应减少15盒而非15%。扩展项目比较朴素、单特征、多特征模型,参数只能在训练段估计。

边界: 指数与销量相关不证明它导致销量变化;缺货会截断观察销量。新范围的x不能无限外推;区域关注度不等于真实患病率,不能据此进行诊疗或风险人群判断。


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。