供应链预测与计划 · 离线阅读版 · 教学模拟

采购、调拨还是生产:把预测缺口变成可比较的供给计划

供应链预测与计划 · 第06篇

第五篇算出了补货缺口,也留下两个没有解决的问题:禾味有些食材来不及到,服装企业即使买够面料,也未必有足够产能。继续追问,就会遇到另一张选择题:缺口到底向谁补?从供应商采购、从另一个地点调拨,还是自己生产?

单看报价,答案似乎很简单:先用最便宜的来源。但调拨可能有一笔固定运费,远端门店不能被调空,生产要同时占用材料和产能。需求又不只有一个数。把低价来源排在前面,并不能自动得到一份费用最低、且能执行的方案。

这一篇把这些选择放到同一张表里。先手算一个固定费用反例,再用禾味与匿名服装两个小实验,把“选择什么、不能违反什么、如何比较”逐项写清。程序会真正枚举所有允许的候选,而不只是展示一个预先指定的答案。

全部企业、需求、费用、资源与结果均为教学模拟。禾味保留2家门店、8个食材SKU的背景,本篇只计算A店SKU01的一次供给决策,B店只是一个受保留量约束的调出点;其余7个SKU不参与本次实验。服装只取一个匿名款码。两个案例不使用真实客户、实际单据或真实经营收益。

本篇承接第五篇:受约束的补货建议,依据预测课堂:预售净留存与小型来源联合分配重新组织。数据为独立指定的单周期情景,不是前几篇数据的延长,也不是D19、D20库存回放的新版本;不训练预测模型,不运行真实采购、调拨或生产。

第六篇封面:从净缺口到多来源建议

1 先把“需要多少”与“从哪儿补”分开

前四篇讨论过点预测、分位数和订单留存,第五篇把这些判断接到库存、时点与执行约束。现在把输入再说得具体一点。

站在今天的决策时点,计划窗口和可用时点已经核对。预测的总需求扣除该窗口内能够实际使用的自由现存、已有及时在途,形成一个尚待补齐的净缺口。本篇表里的需求情景,全部指这个净缺口,不是采购量,也不再重复扣一次现存。

例如,窗口总需求可能为30、40、50公斤,而已经确认有10公斤可用,净缺口就是20、30、40公斤。这里只是解释口径,正式练习直接输入净缺口;它没有再建立这10公斤的批次账。若原始需求已经扣过现存,不能再扣。若旧订单留存已包括在需求中,也不能再把它加一次。

计划的输出则是一组动作数量:外购多少、调拨多少、生产多少。它们可以相加成为新增供给,但不能反过来更改需求。算法决定只准备30公斤,不等于它“预测需求为30公斤”。

为把选择过程算清,本篇统一采用以下假设:

这些条件比“预测准不准”更先决定方案能否落地。如果现实中存在午餐前与晚餐前两个截止时点,就不能把它们压成同一周期后照搬本篇公式。

2 三个词,把优化问题讲清楚

可以把“小型优化”理解为三件事:列出能选的数量,划掉不允许的组合,再在剩余组合中按规则比较。

决策变量是你可以选择的数。本篇用p表示采购量,t表示调拨量,m表示内部生产量。它们都是本次新动作,不是现有库存。禾味的单位是公斤,服装的单位是件,两个案例绝不直接相加。

约束是不允许越过的界线。例如p≤40表示采购不超过40公斤;t≤20表示调拨不超过20公斤。如果每箱5公斤,还要让p、t只能取0、5、10……。这里“≤”读作“小于或等于”。

目标是可行方案之间的比较办法,例如期望总费用尽量低,或者先要求高需求情景也不缺货,再比较费用。目标可以不同,不能把自己选的目标隐藏成“唯一正确的商业答案”。

设新增供给量为q。禾味q=p+t;服装q=p+t+m。不能先把q算出来后,假定任意来源组合都一样,因为每个来源的上限、费用和资源消耗不同。

Google的OR-Tools优化介绍也从变量、约束和目标来说明优化问题。本篇暂不用求解器,只把小规模候选全部试一遍。后续规模扩大,才需要考虑整数规划等方法。

决策前固定候选,再逐个评价情景

3 为什么最低单价有时更贵

先做一个独立手算。假定净缺口恰好10公斤,且采购与调拨都能及时满足。

如果只按单价排序,会先选调拨。实际费用为1×10+30=40元;全部采购是3×10=30元。低单价来源反而多花10元。

固定费用只收一次,不是每公斤再收30元;不调拨时也不收。写成公式:

来源费用=3p+t+30×I(t>0)。

I是“条件是否成立”的记号。t>0时I=1,固定费用计30元;t=0时I=0,计0元。读者不必先学特殊函数,只要把它当开关。

什么时候调拨开始不吃亏?单独用一个来源补q公斤,调拨费用为q+30,采购费用为3q。要求调拨不比采购贵,就有q+30≤3q,两边减q,再除以2,得到q≥15。15公斤时两者都45元;20公斤时调拨50元、采购60元。这里还假定调拨上限允许对应数量。

这个例子说明固定费用会让成本随数量出现跳跃。它不说明调拨永远差,也不说明必须给调拨添加一个永远优先或永远靠后的标签。

4 禾味:三种需求情景,一份事先决定的方案

现在回到禾味A店的鸡腿肉SKU01。今天要为同一用货窗口选择采购与调拨数量。下面所有量均为教学设定。

项目 本篇输入与含义
净缺口情景 低20、中30、高40公斤
情景概率 分别0.2、0.5、0.3,合计1
外购p 0至40公斤,5公斤一批,3元/公斤
从B店调拨t B店自由可用35公斤,必须保留15公斤,所以t≤20;5公斤一批
调拨费用 1元/公斤,启用一次另付30元
A店新增接收容量 p+t≤50公斤,已为本SKU预留,不是全店容量
缺口罚损 每未满足1公斤计10元,用于教学取舍
余货额外成本 每多出1公斤计1元,表示本周期结束的额外处理成本

B店保留15公斤是输入的硬界线,不是本程序预测出来的安全库存。我们没有对B店再建立需求分布,因此不能声称B店今后绝不会缺货。实际协同要另核对B店的承诺与风险。

用s表示情景编号,Dₛ表示该情景的净缺口,πₛ表示其概率。下标只是索引,不是乘法。固定一组(p,t),所有情景共用同一个q=p+t。

少供量Uₛ=max(Dₛ−q,0),余量Vₛ=max(q−Dₛ,0)。max取两个数里较大的一个,因此不会出现负的缺口或余货。情景费用为:

Cₛ=3p+t+30×I(t>0)+10Uₛ+Vₛ。

前半部分是来源费用,后半部分是这个需求情景下的罚损与额外余货成本。数量乘元/公斤,最后全部是元。

这里来源费用已经按准备的全部数量支付,无论是否卖完。余货1元是来源费用之外的额外成本,不是第五篇报童模型中已经净额处理过的“多备损失”。实际业务若把采购成本和残值预先装进某个净损失系数,就不能再照搬此式把相同成本加两遍。我们也没有在此模型计销售收入,所以结果叫所声明的费用,不叫真实利润。

期望费用是按情景概率加权:

E[C]=0.2×C低+0.5×C中+0.3×C高。

E表示在这个指定分布下取平均。概率没有单位,所以期望费用仍是元。期望值不是某次真实账单,也不保证每次都接近这个数。

取一个候选:采购10公斤、调拨20公斤。来源费用=3×10+20+30=80元,新增供给q=30公斤。

情景 净缺口kg 少供kg 余量kg 来源费用元 罚损及余货元 总费用元
低,概率0.2 20 0 10 80 10 90
中,概率0.5 30 0 0 80 0 80
高,概率0.3 40 10 0 80 100 180

因此E[C]=0.2×90+0.5×80+0.3×180=18+40+54=112元。

注意这张表的正确读法:今天先选(10,20),明天可能遇到三种需求之一。不是低情景选一组、中情景换一组、高情景再换一组。后一种算法等于提前知道未来,用它评价今天的一次决策会过于乐观。

5 “平均便宜”与“高情景不缺货”,为什么选出不同方案

实际枚举可以很朴素。p有0、5、10……40九种取值;t有0、5、10、15、20五种,共9×5=45组。去掉p+t>50的三组,还剩42组可行候选。程序逐组计算三种情景费用,再求期望,没有凭直觉跳过候选。

在这些输入下,最低期望费用选出p=10、t=20,也就是上一节的30公斤方案,期望费用112元。

现在另加一个硬约束:“高需求40公斤出现时也必须供足”。因为低、中情景都不超过40,且供应确定到齐,本例等价于p+t≥40。重新在满足这个条件的候选中找最低期望费用,得到p=20、t=20,共40公斤。

40公斤方案来源费用=60+20+30=110元。低、中、高情景分别剩20、10、0公斤,对应总费用130、120、110元。期望费用=26+60+33=119元。

比较项 最低期望费用 高情景保供约束
采购/调拨kg 10/20 20/20
新增供给kg 30 40
期望费用元 112 119
期望少供kg 3 0
期望余量kg 2 9
所列情景中完全不缺的概率 70% 100%

多花7元期望费用,换来了本情景集合内少供从3降到0,但期望余量从2升到9。这不是一个方案全面胜出,而是两个不同目标下的取舍。对真实易腐食材,还需要更细的批次、效期与分时消耗模型。

“期望少供3公斤”来自0.3×10,不代表每个周期恰好缺3公斤。低、中情景不缺,高情景缺10。平均净缺口为0.2×20+0.5×30+0.3×40=31公斤。按期望满足量÷期望净缺口口径,数量满足率是(31−3)÷31=28÷31≈90.32%。它与70%的完全不缺概率不是同一个指标。这里分母仅为本次剩余净缺口,不是全门店总需求。

表里的100%只针对明确列出的三种需求、确定供应以及本次资源限制。若出现50公斤需求,或供应商迟到,不能继续声称已经得到真实100%服务保证。“高情景保供”也不是对所有未知未来的鲁棒保证。

禾味两种目标下的供给与费用

6 匿名服装:生产来源要同时过材料和产能两道关

服装场景再增加内部生产m。所有数量都指同一个匿名款码的可交付合格成衣件数,计划窗口和交付截止时间相同。外购成品、调拨成品、内部生产成品才可以相加;面料米数不能直接加到成衣件数里。

净缺口为60、80、100件,概率仍为0.2、0.5、0.3。这些是已完成需求去重后的指定情景,不再另外叠加一次预售订单留存。

来源或资源 本篇约束与费用
外购成品p 0至80件,每10件一批,8元/件
调拨成品t 远仓自由可用70件,必须保留30件,故最多40件;每10件一批,3元/件,启用另付60元
内部生产m 每10件一批,机器窗口最多60件;4元/件,启用另付40元
唯一建模的材料 本款可用面料100米,每件固定消耗2米毛布,因此2m≤100
新增接收/交付缓冲容量 p+t+m≤100件
缺口罚损/余货额外占用成本 20元/件/2元/件

这里2米已经是含既定损耗口径的毛布消耗,不再除以一次利用率;它与第五篇“净耗布÷利用率”的设定不同。不能把两个例子的公式串起来重复加损耗。面料100米是已经圈定给本次计划、可及时使用的量,不包含别的款式已占用的材料。

材料条件给出m≤50件,机器条件给出m≤60件。代码和结果字段用production,函数中的w与正文m均表示这一个生产量。两道关都要通过,所以生产上限是较小者50件。程序不会因为机器能做60,就凭空多出20米面料。辅料、工序先后、换线、在制品与返工没有建模;这只是一个单材料约束示范,不是完整BOM齐套或有限产能排程。

服装的来源费用为:

A=8p+3t+60×I(t>0)+4m+40×I(m>0)。

A记全部来源费用,单位元。每种来源启用的固定费独立支付。m=0时不收生产启用费,t=0时不收调拨启用费。

每个情景总费用为Cₛ=A+20×max(Dₛ−q,0)+2×max(q−Dₛ,0),其中q=p+t+m。

先看候选(p,t,m)=(0,40,50)。来源费用=0+120+60+200+40=420元,供给90件。

加权后为0.2×480+0.5×440+0.3×620=96+220+186=502元。

程序共检查191组可行候选,最低期望费用就是这个90件方案。若加上高情景100件也不缺的约束,则选(10,40,50)。来源费用500元;三情景总费用580、540、500元,期望536元。

比较项 最低期望费用 高情景保供约束
采购/调拨/生产件数 0/40/50 10/40/50
新增供给件数 90 100
期望费用元 502 536
期望少供件数 3 0
期望余量件数 11 18
所列情景中完全不缺的概率 70% 100%

多花34元期望费用,消除列出的高情景缺口,同时提高余货。最低期望方案的平均净缺口为82件,期望满足79件,所以数量满足率79÷82≈96.34%。仍然不能把这个数字当成真实客户交付率,因为订单优先级、具体交期及真实履约过程都不在模型里。

服装方案受材料和产能共同约束

7 公平比较,要把“先决定”写进代码

只要允许一份方案看见未来再改变,比较就不公平。本篇的正确顺序是:读取决策时点已知的输入,枚举固定来源向量,给同一向量逐个情景打分,最后按事先声明的目标选择。

例如禾味选择(10,20),就必须在低、中、高三行都使用它。不能在高情景偷偷增加10公斤采购,再声称这是原方案的效果。若确实存在需求观察后的补救动作,需要另建两阶段模型,说明何时知道需求、哪些动作还能执行、补救单价和时限是什么。本篇没有这项能力。

还有三种常见的不公平做法:

先便宜后补救,却漏算固定费。调拨每公斤便宜,但启动那辆车的费用没有进入表,就会偏向过小的调拨单。

把B店保留量当作可以商量的软提示。程序不得为了降低A店费用而突破t≤20。确实决定调整保留量时,要形成新版本,重新说明受影响的B店风险。

看过结果后更改概率或罚损,只展示满意的那一版。敏感性分析可以修改输入,但要保留原方案及变化原因,不能称为在原假设下证实了更优。

与D19、D20用共同时间路径回放库存策略不同,本篇比较的是单周期来源决策。它没有库存跨期反馈,也没有按112/28/40天训练、验证、测试,因为根本没有估计模型参数。情景枚举算对,只能证明在给定模型与候选内算对;不能借用“测试通过”冒称预测已经经过样本外验证。

8 为什么程序要输出候选与失败,而不仅是最佳方案

读者应该能查看所有候选,以及每个候选在每个情景下的费用。这样才有可能查出问题:某笔固定费是否重复收取,某个材料约束有没有漏掉,所谓最优是否遗漏了另一个同成本方案。

对于有限候选,穷举的逻辑很直接:取出每一组允许数量,检查资源约束;符合的才计算费用,再找最小值。它没有训练过程,也没有随机搜索。只要候选集合完整、公式正确,就能找到这个小模型内的全局最优。但“这个小模型”四个字不能省。

两种目标如果有并列最优,实践包保留所有并列项,再按采购量、调拨量、生产量的字典序挑一个作展示:先比较采购量,较小者在前;采购相同时比调拨量,仍相同再比生产量。这只是让运行结果可重复的展示约定,不是新增商业目标。这样处理,不能因为循环先遇到某行就把它说成唯一答案。费用与概率使用精确有理数比较,小数仅用于显示,避免把0.1的浮点舍入误当商业差异。

如果要求高需求100件供足,却把服装容量改为90件,无论组合怎样都不可能满足。此时程序应返回不可行,保留失败原因和原始条件,而不是自动降低需求到90,或突破容量到100。

产品页面可以分成四栏:

  1. 输入版本:净缺口、概率、单位、截止时间与信息可用时点。
  2. 可行来源:及时到货、批量、来源上限、保留量、材料与产能。
  3. 对比结果:各来源数量、来源费用、每种情景少供与余货、期望费用。
  4. 未解决项:不可行约束、未建模风险、待人确认的假设,以及是否允许执行。

把“不可行”清楚交给使用者,是计划系统的有效结果。输出一张全绿但偷偷改了条件的表,才会使问题消失在界面里、出现在现场。

从输入快照到审核建议的五步验收

9 两小时小项目:先复算,再改一个条件

完整包中的practice目录提供输入、标准库Python代码、全部候选结果、情景明细、测试与中文说明。建议使用Python 3.10或更新版本;核心计算不联网,也不需要安装第三方求解器。在practice目录执行:

python3 run.py --output-dir my-results
python3 -m unittest discover -s . -p 'test_*.py' -v

Windows可以用py替代python3。输入文件不会被运行过程重建;指定新的输出目录可保留旧结果,同名输出再次运行会覆盖。修改输入时先复制整个练习包,或按README指定输入目录。默认三份输入是hewei.json、apparel.json和独立手算反例counterexample.json,不能把反例当成主情景的事后改单。

分四步,约120分钟:

练习A:禾味只补10公斤。比较采购与调拨;再算15公斤时两者是否并列。答案分别为采购30元对调拨40元,15公斤两者都45元。它们是固定数量的来源费用比较,不是含原三情景罚损的最优决策。

练习B:只把服装机器上限从60改为80件。生产能变成80吗?不能,面料仍只支持50件,原材料约束继续生效。把“机器更快”写成“需求一定满足”是跳过了材料。

练习C:服装接收容量降为90件,同时仍要求100件高情景保供。应返回不可行。最低期望方案仍可以是90件;两个目标必须分别标注结果,不能把其中一个成功套给另一个。

练习D:某来源只能在用货截止后到。它不能再出现在本期供给中。迟到货未来可能有价值,但应在另一个时段建模,不应强行把可用时间提前。

练习E:输入概率合计不是1,或把批量写成0。应明确拒绝。不要自动归一化、默认补0或静默改规格,因为这会改变使用者的原始假设。

完成标准不是“屏幕输出成功”:你必须能解释固定费什么时候收、每个情景是否用了同一方案、数量满足率的分母是什么,以及不可行时是哪条约束冲突。

10 接下来怎样接到真实产品

这个小项目已经把预测与计划分成了可检查的接口。预测输出提供有单位、有时间条件的需求情景;库存、采购、仓库和生产提供当前可用资源与限制;优化层给出候选与权衡;人再根据模型没有覆盖的信息审批。

若后续把建议交给AI Agent,至少应保留输入快照、版本、计算命令、候选范围和异常原因。让模型解释“为什么用了这个来源”可以提高可读性,但解释文本不能修改求解器的数值,也不能等同于采购、调拨或排产权限。

真正扩大到多门店、多SKU和多日期,会出现共享库容、车辆、材料和产线的竞争,单独给每个SKU求最优后直接相加可能不可行。此时需要重新建联合约束;若生产分工序并有交期,要进入排程;若供应会延误,要加入有依据的供应情景。更多模型名称不能替代这些新增的数据与验证。

本篇暂不完成通用MRP、APS、多级库存优化、跨期随机规划、订单优先级或真实财务利润计算。它完成的是一组小而完整的来源选择实验:从给定净缺口出发,枚举真正允许的方案,公开费用与风险,再让人看到不能保证的部分。

到这里,读者应能把“系统建议采购多少”改问成更有用的一句话:这份建议基于哪组需求、选择了哪些来源、用了哪些资源,又留下了哪些风险?

资料与配套说明

配套包含全文Markdown、内嵌图片的HTML阅读版、1张900×383封面与4张黑白正文图、可编辑SVG与绘图源文件、双模拟案例输入、完整候选与情景结果、可复现代码及测试。计算结果仅在所声明的输入和范围内成立。文章没有发布或执行任何真实业务动作。