退货 GBDT 时滞回流与 ATP 采购分账
全文共 3740 字,阅读约需 8 分钟
退货 GBDT 时滞回流与 ATP 采购分账:这组补课回答五个具体问题:未发货订单今天还会取消多少;等满24小时以后该裁多少;退货预测为什么不能直接拿去向客户承诺;COD高风险单如何进入有限人审;有部分到货的PO还要等多久。读者只需会比例、乘方、平方根、坐标图和简单方程。先用小数手算,
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。
R3离线模拟专项补课。下载五模块专项实验包。PO测试P50校准警戒未通过;最终分位仅21/131张有支持,下一批7日99/131张有支持,其余留空。此处真实拟合仅限模拟数据,不是生产认证或实时业务服务。
共同运行方法与时间规则
八项专项缺口的分阶段教程与模拟项目
这组补课回答五个具体问题:未发货订单今天还会取消多少;等满24小时以后该裁多少;退货预测为什么不能直接拿去向客户承诺;COD高风险单如何进入有限人审;有部分到货的PO还要等多久。读者只需会比例、乘方、平方根、坐标图和简单方程。先用小数手算,再看模型,再运行项目。每处“最优”都只针对写出的玩具成本、容量和概率假设。
所有商品、订单、顾客、供应商、仓库和事件均为虚构模拟。项目不连生产系统,不给真实订单挂起,不联系客户,不下采购单或裁剪工单。模拟数据上的拟合、流程通过和业务效果是三种不同证据,不能混称“上线验证”。本补课对应P14、P15、R01、R04、D01、D02、L02、L03;不改写其他白皮书条目的覆盖结论。
开始之前 运行顺序与共同时间规则
项目目录是 forecast-specialty-gap-labs。需要Python、numpy、pandas、scipy和scikit-learn;确切实跑版本在包内requirements.txt。这里确实训练了scikit-learn逻辑回归与GBDT,没有安装或运行LightGBM、lifelines、AFT、深度网络或实时服务。缺依赖时程序会报缺少哪个包,不能把“给了源码”说成“在你的电脑上跑过”。无需联网取数据。
运行顺序:
python run_all.py
python -m unittest discover -s tests -v第一条生成原始CSV,再从这些CSV读取数据、建标签、训练和写结果;会覆盖包内同名数据和结果。第二条测试时间边界、计数守恒和流程。修改原始输入后运行以下命令才会保留修改:
python run_all.py --reuse-inputs六个受保护的原始输入为hazard_orders.csv、hazard_events.csv、return_order_cohorts.csv、cod_orders.csv、po_release_features.csv、po_receipt_events.csv。其余person-day、快照和输出是重建结果,手改会被覆盖。--reuse-inputs不是生产数据适配器:它仍要求本项目字段、事件类型、数值范围和完整模拟历史。空类别、单一标签、全无成熟样本等会失败,应报告不足并停止,不可补造标签。对真实未完成PO,不能强行提供未来完成事件满足模拟输入契约。
所有day都是各项目自己的整数日历。day=10表示项目起点后第10天,不是统一业务日期。as-of表示“站在那个时刻,仅允许看到当时已经发生或已公布的东西”。训练、选参数、最终评估用不同时间块;验证集只选参数,测试集不负责选参数。同一订单的多行必须留在同一块。行数多不等于独立订单多。
学习可分三遍:第一遍完成每章手算;第二遍运行并核对CSV;第三遍做改参数/破坏边界练习。模型表现不好也是结果,不能为了通过验收更换测试集。
模块 SG03 退货GBDT 时滞回流与ATP采购分账
对应R01、R04。一个订单“会不会退”与“一件退货哪天成为可售库存”是两道问题。退货申请、快递在途、仓库签收、质检合格、重新上架也不是同一状态。
第一步 给成熟标签一个明确期限
本例每行是一张一件订单。预测目标return30=1表示发货后30天内发生退货,0表示窗口结束仍未退货。刚发货三天还没退货不能立即标0。数据额外保留label_known_day=ship_day+30;训练期最晚发货99日,因此最晚129日才成熟。训练1400行,验证560行,测试560行,分别来自发货日0至99、140至179、220至259。
所有特征均在发货前或发货时可得:category品类0/1、size_mismatch尺码不合倾向0/1/2、live_channel直播渠道0/1、price100价格百元单位、promo促销0/1、history_rate当时已有历史退货率。尺码倾向在模拟中是事先可知特征,不是把这张订单退货后的原因抄回来。用户历史只用当前订单之前已经成熟的记录,不能包含自己的未来退货。
第二步 GBDT如何把多个特征变成概率
GBDT是一串逐步纠错的小树。树可以先问“是否直播”,再问“是否促销”,把满足不同条件的订单送进不同叶子。叶子贡献的是分数修正,不是最终概率。设第m轮分数为Fₘ,上一轮分数为Fₘ₋₁,小树输出为gₘ,学习率η控制每次走多大一步:
Fₘ(x)=Fₘ₋₁(x)+ηgₘ(x),p(x)=1÷[1+exp(−Fₘ(x))]。
x是这一订单的特征集合;m数第几棵树;η本项目取0.05。以一条订单为手算例,初始分数F=0,对应p=0.5,真实y=1。此时“还差多少”的方向为y−p=0.5。若一棵教学小树输出0.5,取η=0.1,则新分数0+0.1×0.5=0.05,新概率约0.5125。真正程序会同时看全部训练样本,叶子还需优化,不是每个样本独立加自己的误差。
本项目实际训练GradientBoostingClassifier,100棵树,学习率0.05,叶子至少25行,在验证集比较深度1、2、3。深度是树向下最多分几层,不是特征个数。验证选深度2;测试Brier约0.20898,训练总体均值基线约0.23654。模型比基线好只针对本合成机制,不是企业退货率或商业收益证明。
第三步 乘退货概率之后还要乘良率与时滞
对第i件新发货商品:
未来第k天预计可售回流 Eᵢ(k)=pᵢ×γᵢ×dᵢ(k)。
pᵢ是30天退货概率;γᵢ是“确实退货后最终合格可售”的概率;dᵢ(k)是“最终合格可售的退货中,发货后第k天上架”的比例。d加总为1。这里d明确以最终合格品为条件,因此再乘γ一次恰当,不能把已经含不合格概率的时滞再乘一次良率。
手算:100件,p=0.3,γ=0.8;合格退货中第7天上架占0.6,第10天占0.4。预计第7天=100×0.3×0.8×0.6=14.4件;第10天=9.6件;合计24件。小数是重复实验的平均,不是仓库真收到0.4件。良率不是退货率,0.8也不能让所有已发货100件中的80件被算作退回。
本项目按品类从成熟训练退货估γ,再从该品类实际合格退货估d;对100件新批次逐件用GBDT预测p,再相加。100件的新批次只是借用了测试表的特征模板,真实标签不用于新批次预测。默认预计30天合格回流29.4681件,且所有本模拟合格回流最晚14天;现实可能更久,不能照搬14天窗口。
多个发货日的卷积只是“把每批次移到对应日再加起来”:日t发的货若滞后k天,进入t+k日那一格。例如日0的14.4件落在日7,日1同样发货的14.4件落在日8,不可都放进日7。本补课用一个新批次展示模型输出;原专项的多批次/当前退运状态回流继续适用,二者不要重复加同一订单。
第四步 三本账放在同一张纸上
第一本是实物可售账,只认实际质检通过且已上架:期末=期初+实际入库−实际发出。退货申请和预计回流都不增加实物库存。项目七天流水从40开始,实际合格上架共10、实际PO入库20、实际发出35,最后40+10+20−35=35件。
第二本是到期可承诺账ATP。本例只讨论同一个到期日14,初始已质检可售40件、到期前确定到货20件、已有订单占用35件:
严格ATP=40+20−35=25件。
因此一个新增30件请求,在本离线例中最多分配25件,剩5件不能因为“预计退回29.47件”就默认为已承诺。20件确定到货也需符合企业对供应确定性与时间的政策;若不能当硬供应,ATP应更低。真实多日期ATP还要逐期保证每个承诺日的可用量,不能拿第14天的货承诺第2天交付。
第三本是预测采购建议。未来总需求目标100件已经包含那35件被占用订单,不能再加35;安全缓冲10件:
不计回流建议Q₀=max(0,向上取整[100+10−40−20])=50。
计期望回流建议Q₁=max(0,向上取整[100+10−40−20−29.4681])=21。
向上取整表示20.5319件改为21件。Q₁是风险较高的计划方案,不保证供应充足,也不改变严格ATP=25。要真正形成风险保证,需要退货量/时点联合分布、保守分位数、供应可靠性和服务水平约束;本例不把“扣了均值”包装成稳健优化。
第五步 验收与反例
return_atp_procurement_comparison.csv同列显示虚拟回流、严格ATP、两个采购建议;return_physical_ledger.csv独立核对真实库存。验收要求预计合格回流不超过100件,按日之和等于按品类之和,γ在0至1,ATP恰25,实际账期末恰35。把γ手算改成0,应令虚拟回流为0、采购建议回到50,但既有实物账不能回退,因为已上架的真货不能因模型变动被抹掉。
如果商品法规或卫生条件禁止二次销售,γ=0;不能为了降低采购量继续套服饰良率。退货分布变了、促销渠道变了、质检积压变了,都需要重新校准。本项目不是完整逆向仓储系统,不自动退钱、不生成采购订单,也不允许把预计库存当硬ATP。
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。