退货:概率、时滞与可售回流
全文共 1482 字,阅读约需 3 分钟
退货:概率、时滞与可售回流:问题:第8天发100件,第7天发50件;退货率20%、退回良率80%;可售回流时滞2天占40%、3天占60%。第10天预计可售回流多少?
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。
完全模拟的可复现实验,不连接生产。下载四专项完整工程包(20,000/12,000/10,000/2,000实体)。运行前阅读覆盖data/outputs的说明。固定模拟世界的指标不是企业收益。
练习2:退回了不等于能卖
问题:第8天发100件,第7天发50件;退货率20%、退回良率80%;可售回流时滞2天占40%、3天占60%。第10天预计可售回流多少?
- 第8天批次贡献100×0.2×0.8×0.4=6.4件;第7天批次贡献50×0.2×0.8×0.6=4.8件;共11.2件。期望可有小数,实物库存没有0.2件。
- 从
data/returns/events.csv挑一条有restocked的实体,写出发货、申请、到仓、质检、上架五个日期。计算发货到可售时滞,不只计算退回运输时间。 - 在
test_cohort_predictions.csv核对p_eventual_restock=p_return×conditional_quality_yield。 - 在
test_cohort_daily_restock.csv累加预期和实际回流。解释为什么某天误差变小,不代表每一天都变好。 - 在
state_conditioned_next7_daily.csv看当前状态预测。为何已经restocked的订单未来不能再加一次?
交付:一条实物事件链、一个日回流复算、分清“预计供应”和“现有可售”的两列。
手算答案:11.2件;若不可再售食品良率=0,预计可售回流也=0。
验收:质检前不入可售;单件未来回流总概率≤1;训练窗口未成熟负例留空;食品情景全部0。
模型实现及未实现范围
B. 退货回流
实现:退货二项概率的品类收缩;退货条件下质检良率;条件于最终可售的发货至可售时滞经验分布;批次卷积;测试批次日回流MAE/WAPE、总量对照;实时状态的历史路径条件匹配;不可再售食品情景0回流;质检后上架才加实物。
形式为 p(退货)×p(可售|退货)×p(时滞=d|最终可售)。最后一项的条件必须写全,不能把所有退回件的时滞与可售件的时滞混用。模型在品类内用完整训练路径,不读当前订单未来结果。
当前状态基线直接筛历史相似路径:没有申请时,未退货历史与“当时仍未申请”的退货历史都进入分母;已经申请但在途时,只保留当时尚未到仓的历史路径。每条路径最多贡献一个将来可售单位,所以7日预测之和不超过1。
关键假设:本模拟所有退货最晚29日闭环,所以观察30日即可确定负例。下一周状态类比假设同品类历史的剩余路径可用于当前订单。没有证明现实同样成立。
未实现:跨季节退货尾部、右删失退货生存模型、退货再换货、部分退货、一行多件、质检错误纠正、缺失事件、批次保质期、食品重新上架资格判定、库存销售占用或未来尚未发货批次的回流预测。最后一点表示当前7日回流只来自预测起点前已发出的件。
实际运行结果与解释
2. 退货:单件概率与日回流分开看
- 测试2612个发货行。退货Brier:分组0.144113,总体0.153057。
- 测试批次日回流MAE:分组1.926件/日,总体1.921件/日,不回流基线5.243件/日。本次分组误差不低于总体。
- 测试批次预计最终回流387.76件,实际367件;日回流WAPE为36.73%。实际回流总量为0时,WAPE分母为0而无定义,仍可报告MAE。
- 第180日起下一周按当前状态预测:日MAE 2.163件/日;无历史支持实体数0。这是另一个预测起点和口径,不与上项混比。
查看:returns/daily_restock.svg、returns/test_cohort_daily_restock.csv、returns/state_conditioned_next7_daily.csv。
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。