四专项工程:运行与实际能力
全文共 2905 字,阅读约需 6 分钟
四专项工程:运行与实际能力:所有订单、包裹、商品、供应商与事件都是程序生成的虚构数据。不是企业真实数据,不接入生产系统,不会发邮件、改价、取消订单或下采购单。
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。
供应链预测四专项:可复现模拟项目包
所有订单、包裹、商品、供应商与事件都是程序生成的虚构数据。不是企业真实数据,不接入生产系统,不会发邮件、改价、取消订单或下采购单。
本包把“预售取消、退货回流、COD拒收、PO收齐交期”做成四个可以从头运行的小项目。目标不是证明复杂模型一定更好,而是让你亲眼检查:答案什么时候才知道、哪些记录还没结束、预测与实物账为什么不能混在一起。
先看什么
- 不想安装软件:先打开
outputs/RESULTS.md看这次实际跑出的结果。CSV可用表格软件打开,SVG可用浏览器打开。 - 想自己运行:按下节只执行一条命令。不需要注册账号、联网下载数据或安装第三方Python包。
- 想改参数:先读
docs/EXERCISES.md,一次只改一个参数,记下改动后重新跑。不要挑最好看的测试结果当最终成绩。
运行:只有 Python 标准库
要求 Python 3.10 或更新;本交付在 Python 3.12.14 实际运行。没有numpy、pandas、scikit-learn等第三方依赖。
解压后打开终端,进入本文件所在文件夹:
python run_all.py某些Mac/Linux用 python3 run_all.py,Windows若
python 不存在可试
py run_all.py。命令会生成数据、拟合基线、评估、画图、运行测试,覆盖本包的
data/ 和 outputs/
中同名生成文件。它不会修改文件夹之外的内容。
正常结束应看到 Ran 23 tests、OK 和
Complete。测试详情在
outputs/test_results.txt。其中包含不同种子的完整重跑、报告结论方向变化、零退货、PO全部删失、PO收齐年龄与收货顺序投毒测试。如果有失败,先看报错的测试名,不要把未通过的结果解释成业务结论。
已有数据,只重跑模型与测试:
python run_all.py --skip-generate只运行测试:
python -m unittest discover -s tests -v换种子作为一个新实验:python run_all.py --seed 20261107。若同时使用
--skip-generate,会直接读取现有数据,因此种子参数不起作用。默认交付种子是20261106;改变种子后以实际
data/manifest.json 的行数和 outputs/RESULTS.md
的结论为准,不沿用默认版成绩。
运行时间取决于电脑。程序无训练进度条,看到
Evaluating returns ...
后暂时不打印并不代表卡住。完整数据、结果和测试日志已随包附上。
数据规模与日历
所有日期以 2025-01-01为第0日,每个项目有独立账本,不可以用相同日期把四套虚构业务强行合并。
| 项目 | 独立实体数 | 创建/发货日期范围 | 观察到第几日 | 默认交付种子事件行数 |
|---|---|---|---|---|
| 预售 | 20,000单 | 第0至359日,360天 | 第419日 | 80,000 |
| 退货 | 12,000行,每行1件 | 第0至179日,180天 | 第209日 | 33,053 |
| COD | 10,000包裹,每包1至4件 | 第0至179日,180天 | 第209日 | 34,319 |
| PO | 2,000条,每条一种模拟物料 | 第0至359日,360天 | 第449日 | 7,659 |
预售的20,000单在两种发货机制下重复模拟,是同一批订单的成对实验,不是40,000个独立样本。事件数含创建事件。退货多观察30天是生成器的明确假设:本模拟所有回流路径最晚29天结束;现实若存在60天退货,不能照搬这个成熟标准。
文件地图
src/generate.py:固定种子20261106,各项目用种子加0/100/200/300。生成机制可逐行检查。src/labels.py:只看指定截止日之前的事件重建标签。src/models.py:可读的分组概率、逻辑回归、条件回流路径、Kaplan–Meier等基线。src/evaluate.py:按时间训练、在验证集选参数、冻结后评估测试集。tests/test_project.py:23项契约测试,检查时间、成熟度、状态守恒、未来事件隔离、手算、变种子重跑、动态报告及删失/零回流边界。data/manifest.json:种子、规模、时间分块、数据文件SHA-256校验值。- 每个
data/项目/:features.csv是评分当时可用的特征;events.csv是事后逐步发生的事件。 ORACLE_DO_NOT_TRAIN.csv:模拟器知道、现实运营人员不知道的潜在真相。不能并入训练特征。仅预售诊断用它比较偏差。outputs/项目/:已经运行出的预测、账本、图、模型选择与评估。docs/DATA_DICTIONARY.md:字段、单位、空值含义和事件口径。docs/TIME_AND_LEAKAGE.md:日期切分、成熟缓冲、防泄漏规则。docs/MODEL_CARDS.md:实现了什么、没有实现什么、结论不能怎么用。docs/EXERCISES.md:面向高中读者的四个动手步骤及答案检查。
四项任务各交付什么
1. 预售取消
先画训练风险集,再计算未平滑/平滑的每日取消率。以验证集选择平滑强度;测试集只评分。survival.svg
对比独立发货、信息性发货与模拟潜在真值。conditional_pending_demand_scenario.csv
从当前未发订单出发计算条件留存;它是明确假设“不发货”的情景,不是可售库存,也不声称能还原真实消费者意愿。第60日强制关单单独计数,不训练成自然取消。
2. 退货回流
分别估计退货概率、退回后的可售良率、最终可售件的发货至入库时滞,再按发货批次加到对应日期。test_cohort_daily_restock.csv
只比较测试批次,避免把其他批次混进分母。下一周预测另用当时的无申请/退运/待质检/待上架状态筛选历史相似路径,已经回流的件不会再加一次。actual_physical_stock_ledger.csv
只认实际质检及上架事件;食品不可再售情景的回流固定为0。
3. COD拒收
比较训练期平均概率与标准化逻辑回归。在验证集前半段只校准截距,后半段选择人工复核阈值。测试集输出Brier、对数损失、分组校准和假想成本。成本里的复核有效率是假设,不能当作干预效果证据。actual_inventory_and_expected_sales.csv
分列在途、实物库存和测试批次预期净销售,发出100件就扣100件,不因为预计会拒收而少扣。
4. PO交期
每条PO可分三次收货,未收齐仍保留。比较固定交期、只看已完成样本的朴素分位数、包含右删失的Kaplan–Meier。P90证据不足时留空,不凭空填一个“保守值”。coverage_bounds.csv
显示覆盖率上下界与可预测样本数;已完成样本上的pinball仅作有选择偏差的诊断。
不要跳过的边界
- 所有“效果”都只针对这里的随机机制,不能直接迁移为企业ROI或上线依据。
- 有代码和测试,不等于识别了因果关系、消除了所有模型风险或完成了生产工程。
- 测试集中的COD风险有预设上移,故校准后模型也可能变差。请如实保留。
- 预售低Brier可能只因取消较少,不能单凭低分证明潜在留存曲线正确。
- PO“尚未收齐”不是“永远不收齐”;右删失也不是取消。
- 本包没有生产连接、模型服务、权限体系、实时数据管道或自动业务动作。
课程中如果还有单独的60日确定性手算表,那是另一套教学设定。不要把它的每日取消率当成本包随机数据的真值。
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。