网站导航

预测之前,先把问题与数据说清楚

全文共 6280 字,阅读约需 13 分钟

从模拟食材耗用与服装订单出发,明确预测目标、单位、信息截止点,用14天数据检查主键、缺失与缺货。

供应链预测与计划 · 第02篇

“预测明天的销量”为什么还不能直接交给算法?这一篇从虚构禾味的食材耗用与匿名服装的订单事件出发,把目标、单位、时间粒度和信息截止点写成可验收的任务,再用14天模拟数据检查主键、缺失与缺货。先把数据里每个数字的含义说清楚,后面的回归与时间序列模型才有共同的起点。

预测任务必须同时说明对象、数量口径和信息截止时间

采购人员问:“明天鸡腿肉备多少?”技术同事回答:“可以先做销量预测。”这段对话听起来已经明确了方向,实际还隔着几层问题:销量是鸡腿饭的份数,还是食材的公斤数?备货说的是净料、毛料,还是扣除库存后的采购量?结果必须在今天18点前给出,还是等23点结算完也可以?

如果这些问题没有谈清,双方可能拿着一张计算正确的表,作出不同的解释。

第一篇《数学桥梁》解释了怎样读符号、算均值与误差。这一篇接着解决数据进入公式之前的事,依据预测课堂《定义问题与数据地基》重新组织为独立文章。阅读时只需要四则运算;先完成手算,再用实践包检查。

**禾味为虚构餐饮案例,保留2家门店、8个食材SKU的设定;匿名服装沿用订单与生产协同的业务背景。文中日期、订单、数量和演示规则均为教学模拟。**本文不训练预测模型,不报告准确率提升,不代表真实经营收益。14天样本不是此前D9—D13实验数据的截取,也不是新的盲测集。

1 把一句愿望写成可以验收的任务

先不写“使用某种模型”,把禾味的需求改成下面这段话:

每天北京时间18:00,以当时已到达并通过核验的数据,预测A、B两店各食材SKU次日营业日的净耗用量,单位为公斤;每个门店与SKU输出一行,附预测起点、目标日期和版本。采购人员在18:30截单前查看结果,结合库存、到货与包装规则决定是否下单。预测结果不自动生成采购订单。

这个练习中的营业日统一为北京时间00:00至24:00;另假定A店11月8日23:00前已收工,此后没有耗用,因此当日净耗用可在23:00核验完成。现实如果跨午夜营业,要另定归属规则,不能把一个门店的自然日与另一个门店的营业日直接混在一起。

这段任务有七个可以追问的地方:

  1. 对象:哪家店、哪个食材SKU。鸡腿肉与大米分开,A店与B店也分开。
  2. 目标:次日实际净耗用量。它是供给与营业条件下的实际使用量,不能改个名字就当作货源充足时的潜在需求。
  3. 单位:公斤,且明确为净料口径。
  4. 粒度:一天一条。小时高峰不会在日总量里完整保留。
  5. 范围:明天一天。它不同于未来7天逐日预测,也不同于未来7天合计。
  6. 时点:今天18:00发出,只使用那时确实可得的信息。
  7. 动作:供采购人员参考。下单还需要另一组数据和约束。

如果采购必须18点截止,而模型18点以后才开始跑,即使输入没有泄漏,结果也赶不上决策。预测任务还要给数据到达、计算与人工检查留时间。本例把采购截单设为18:30,是为了把这两个时点分开,不是通用业务标准。

先明确使用者、对象、频率和预测范围,再寻找数据,是预测项目的基本步骤。FPP3第1章也按这个顺序讨论任务定义。

2 从100份鸡腿饭走到采购量,中间还缺什么

为了看清单位,先做一组独立手算:假设明天鸡腿饭销量已经被某个外部情景设为100份,每份标准净用鸡腿肉0.18公斤。这不是本文模型预测出来的结果。

净料需要量=份数×每份净用量

=100份×0.18公斤/份=18公斤净料

乘式里的“份”相互抵消,剩下“公斤”。0.18是配方标准,不是从这14天数据学习出来的模型系数。实际净耗用还可能因配方执行、加工与报损口径而不同。

再假设毛料经过处理后,90%的重量成为可用净料。这个90%叫出成率,写成小数是0.9:

毛料需要量=净料需要量÷出成率

=18÷0.9=20公斤毛料

为什么要除?因为20公斤毛料×0.9,才得到18公斤净料。若用18×0.9,会得到更少的16.2公斤,方向就错了。如果0.18本来就是每份毛料标准,就不能再除一次出成率。

到这里仍然没有得到采购量。仅在“同一种毛料、同一可用时点、不考虑损耗和其他占用”的简化条件下,若已有6公斤可用库存、另有4公斤确定在使用前到达,可先算一个毛料缺口:

毛料缺口=max(0,20−6−4)=10公斤

max的意思是“从括号里的数中取较大者”。它让缺口至少为0,避免把库存过剩写成负采购量。这10公斤还没有考虑包装、最小起订量、保质期、到货风险和安全库存,所以不是下单建议。把预计销量、理论净料、毛料缺口和采购订单分列,才知道每一步加了哪些假设。

服装也存在类似区别。顾客想买10件M码,门店只剩4件,售出4件只证明成交了4件,不能据此说完整需求只有4件。反过来,若任务本来就是预测现有供给条件下的成交量,那么库存约束必须成为任务条件。

3 数据属于昨天,不等于昨天已经知道

现在站在2026年11月8日18:00,准备预测11月9日。以下时间均为北京时间。

记录对应业务日期模型可读取时间18点能否使用
A店SKU01净耗用34公斤11月7日11月8日10:00能,但要承认它是延迟到达
A店SKU01全天净耗用28公斤11月8日11月8日23:00不能,当天尚未结束
11月9日预订100份11月9日11月8日17:30能,未来日期的计划也可提前知道
同一预订更正为120份11月9日11月8日18:30不能,更正在起点之后
11月9日23:00预报温度19℃11月9日11月8日17:00能,使用当时发布的预报版本
11月9日23:00实测气温18℃11月9日11月9日23:00不能,这是事后观测

同一预测起点下,已知预报可以使用,未来实际和晚到更正不可使用

这里需要至少两个时间字段:business_date说明事情属于哪一天;known_at说明数据何时真正可被预测流程读取。前者帮助按日汇总,后者决定能不能进入某次预测。

如果用T表示预测起点,一条候选输入必须先满足:

known_at ≤ T

“≤”读作“小于或等于”。本例就是可读取时间不能晚于11月8日18:00。通过这个检查,只说明时间上可用,还要继续核对字段含义、单位与数据质量。

同一个字段可能有多个版本。先删掉T之后才到达的版本,再在同一对象、业务日期和字段内取剩下的最新版本。因此11月9日预订在18点应取100份;如果直接查今天数据库中的最新值,会取到120份,把未来更正带回过去。

现实还可能有业务发生时间、源系统更新时间、入库时间和校验通过时间。known_at应采用预测流程实际能使用该值的时间,不能只拿业务发生时间冒充。没有历史版本或到达记录,就不能声称已经重现“当时能看到的数据”。

**未来的日期不等于未来才可得的信息。**星期几、已发布的活动安排可以提前知道;未来实际销量、实际温度通常不行。回测时同样要守这个边界。FPP3的时间序列交叉验证要求每次预测只利用目标之前的训练信息;实际业务还必须进一步处理上述数据到达延迟。

4 224行数据,究竟是224个什么

禾味完整小样本按“一天×一家门店×一个食材SKU”记录。两家店、8个SKU、14个自然日,日期骨架应有:

2×8×14=224行

每一行的联合主键是business_date、store_id、sku_id。所谓主键,就是能唯一指认一条记录的字段组合。只拿日期不能区分门店;只拿商品不能区分哪天。

这批数据共有2×8=16条日序列,每条14个点。它不是一条拥有224天历史的序列,也不是224个相互独立的样本。把不同商品串成一条线,会把“换了商品”误看成“需求突然变化”。

完整主样本假定每天营业、记录完整且无缺货;8个SKU都使用公斤净耗用口径。日期为2026年11月2日至15日。A店SKU01鸡腿肉这一条沿用教程的手算数列,本文把第1天明确落到11月2日星期一;其他序列按实践包中的固定规则生成,不代表真实商品之间的比例。

周次周一周二周三周四周五周六周日合计
第1周20222123303428178
第2周22242325323630192

表中每天的数值单位都是公斤。第二周的每个对应星期比第一周多2公斤,周合计相差7×2=14公斤。这种整齐规律是人为设定的,用于核对程序,不是从真实业务中发现的增长结论。

A店SKU01的14天模拟净耗用,第二周各对应星期均比第一周多2公斤

最先检查四件事:是否恰好16组店货组合;每组是否有14个连续日期;联合主键是否重复;单位与数值是否合法。总行数恰好224还不够:漏掉一行再重复另一行,总数一样,内容已经错了。

看图时也要限制解释范围。这里可以看见人为设置的星期起伏,却只有两个星期一、两个星期二。它不足以证明周规律长期稳定,更无法验证年度季节性。即使扩成180天,也没有覆盖一个完整年度。

5 零、空白与缺货,不能用同一个办法处理

在完整主样本之外,实践包另放了四条互不混用的异常情景。它们用于检查含义,不会覆盖上面的14天数列。

情景已记录净耗用标记可以怎样理解
正常营业且记录完整0公斤营业、未缺货该目标确实为0;仍不能仅由此推断潜在需求
当天闭店0公斤闭店实际耗用可以是0,但不能当作普通营业日
接口漏数空白记录缺失尚不知道实际值,保留缺失
食材供应不足2公斤缺货实际只耗用了2公斤,未受限需要量仍未知

若任务预测实际耗用,闭店日的0可以作为带状态的真实记录;若任务是“正常营业、货源充足时需要多少”,闭店与缺货的记录就不能未经处理充当完整标签。处理方法要服从目标定义。

还有一个手算陷阱。三天记录是10、空白、14公斤。若把空白填0,三日平均变成(10+0+14)÷3=8公斤。若只看两个已观测日,平均是(10+14)÷2=12公斤。

但12也不是已经恢复的三日均值,因为缺失日仍未知。它只能叫“两个已观测日的平均”。程序可以保留空白、报告缺失数量,不能为了让公式运行就替业务作出事实判断。

同理,给缺货日补了一个估计值,也必须保留原始观测、补值结果与补值原因。之后若用它评价模型,应说明它是估计标签,不能称为真实需求。

6 匿名服装案例,先把待发、取消与退货分开

服装生产协同中,订单表看起来常常比门店日表更丰富,但字段多不代表目标更清楚。

假设匿名服装的一批S01-M规格订单合计100件,全部已确认,数量与订单标识均为模拟。观察截止时,发货前取消10件、已经发货60件,其余仍待发30件。这里不新增订单、不拆换货、不重复记事件:

待发件数=已确认件数−发货前取消件数−已发货件数

=100−10−60=30件

检查数量守恒:10件取消+60件已发+30件待发=100件初始确认。它说明这批记录在这个时点能够对上账,不说明未来取消率或需求已经预测准确。

100件订单在取消、已发与待发之间守恒;售后退货另行记录

后来已发货商品中有3件发生退货。退货属于售后事件,不能再从这30件待发里减掉,否则会把同一批商品放进错误的状态。累计发货仍为60件;若业务另定义“累计发货减退货”,可以得到57件,但那是另一个口径,不是待发数量。

退货申请、仓库收到货、质检通过与重新可售也不是同一时点。仅知道退货3件,不能立即给库存加3件。实践包只记录退货事件,不模拟质检、可售回流或采购。

因此要先选清楚模型想预测什么:新确认订单、现有订单未来取消、某天待发总量,还是未来发货量。对生产排程而言,已确认的30件待发是当前状态;对它未来是否取消、何时要用料的判断,才是另外的预测问题。还需要交付日期、BOM、库存和产能,才能形成生产计划。

7 “多参数”到底多在哪里

任务清楚之后,再区分几种常被混用的“多”。学习预测时说“从单一参数到多个参数”,可能实际想问的是怎样增加输入信息。

先看一个只解释结构的规则:

预测净耗用量=a+b×预订份数

预订份数是一个特征,必须在预测时点已知;a、b是两个参数。a的单位是公斤,b的单位是公斤/份。即使只有一个输入特征,也可能已经有两个参数。本篇不估计a、b,所以不能从这个式子推出有效的业务预测。

三个“多”要分别理解:

  • 多特征:同时用预订、价格、星期、已排定活动等输入预测一个目标。
  • 多序列:处理2店×8SKU这16条历史。它们可以分别建模,也可以在适当方法中共用模型。
  • 多目标或多输出:例如同时输出耗用与报损,或一次输出未来7天各日结果。要为每项输出说明含义与单位。

“门店A”“鸡腿肉”“蓝色”“M码”是类别标签。怎样编码是模型输入问题;同时预测多个门店或尺码则是多序列与分组问题。增加一个类别字段,不等于已经完成层级预测。

线性回归与时间序列也不必二选一。回归描述如何建立输入与输出的关系;时间序列强调数据的时间顺序。使用历史耗用、星期与已知预订预测明天,可以使用回归方法,也可以采用其他方法,评价时都必须尊重预测时点。下一步选择模型前,至少先保证它们在回答同一个问题。

8 动手做一次数据验收

本篇实践包使用Python 3.10或更高版本,只用标准库。解压后进入含run.py的目录,运行:

python3 run.py
python3 -m unittest -v

Windows可将python3替换为py。输入和输出使用UTF-8。**run.py会重新生成并覆盖output目录;单元测试验证程序与生成规则,不验收你手改后的输出文件。**包中有数据生成规则、CSV字段字典、完整小样本、独立异常情景、带版本的时点记录、服装事件表,以及可重复执行的检查。它是本篇独立微型练习,不是教程P01全套清洗作业的替代品。

先手工写答案,再核对程序输出:

  1. 两店8SKU14天应该有多少行、多少条序列?从CSV找出A店SKU01,核对两周合计178、192公斤。
  2. 站在11月8日18:00,能否使用当天完整耗用?11月9日预订应取100还是120?分别写出依据的可读取时间。
  3. 运行下面的独立扰动练习,把18点以后的预订更正、未来实测气温改大,18点快照应不变;再把18点前的已知预订从100改成101,快照应改变。后一个反向对照,防止程序无论输入怎样都返回同一份答案。这个检查只验证本例的取数函数,不代表真实系统已经消除全部泄漏。
  4. 检查四条异常情景:哪一条保留空白?哪一条必须带闭店标记?哪一条不能用来声称完整需求只有2公斤?
  5. 重算服装守恒式,并解释为什么退货3件既不把待发变成27件,也不自动产生3件可售库存。

第3项运行命令如下,脚本会读取版本文件、保存独立练习副本并打印两组对照,不用run.py重新生成原值来替代实验:

python3 demo_future_perturbation.py

若想自行编辑数据,先复制output中的版本JSON,再使用check_asof.py读取你指定的副本;具体参数见实践包README。不要把“程序没有报错”当作实验完成,必须检查读入的是哪份文件、哪些值被改过,以及快照是否按预期变化。

最后写一张你自己的任务定义,包含对象、目标、单位、粒度、范围、发出时间、可用信息和使用人。暂时不填算法名称。请另一位同事只看这张定义,指出应取哪一列作目标、哪天作预测、哪些版本不能使用。如果两人理解一致,才算完成这一课。

这一步交付的是可解释的数据与边界。后续可以据此学习简单基线、回归和多特征;如果标签仍混着销量、耗用和采购量,再复杂的模型也无法替你决定究竟要回答哪一个问题。

资料与复现说明

配套文件包括完整文章、黑白配图及可编辑SVG、独立实践包。全部数字来自文中明示的教学设定与手算,或实践包的确定性生成规则。本文没有实施真实采购、发货或生产动作,也没有宣称完成预测训练与真实业务验证。

下载配套材料

下载包保留原始字节与校验文件。所有案例和数据均为教学模拟。

← 返回专题

供应链预测与计划

从高一数学和手算开始,用模拟数据学习需求预测、概率与计划决策;每篇都有可复算的练习。

章节导航