1. 课程导论
1.1 需求预测驱动供应链计划的核心价值
在供应链计划体系中,需求预测并非孤立的统计活动,而是驱动采购、生产、库存、配送与财务计划协同的“第一推动力”。预测的精度与响应速度直接决定了供应链的运营效率与服务水平。
| 价值维度 | 传统计划模式(无预测驱动) | 预测驱动模式 |
|---|---|---|
| 库存周转 | 依赖经验安全库存,库存积压与缺货并存 | 基于预测波动动态调节,库存周转率提升 20%-40% |
| 订单履约 | 被动响应,紧急补货频繁 | 提前预判需求变化,OTIF 达成率提高 15%-25% |
| 产能利用率 | 按历史均值排产,旺季产能不足 | 预测驱动产能预留,利用率波动降低 30% |
| 供应链总成本 | 高安全库存 + 加急物流 + 过期报废 | 预测-库存-补货联动,总成本下降 10%-18% |
关键洞察: 需求预测每提升 10% 的预测精度(以 MAPE 衡量),可带来安全库存水平约 5%-8% 的降低,同时维持相同服务水平。这是本课程联合优化的核心杠杆。
1.2 场景仿真与安全库存联合优化的必要性
传统安全库存计算通常基于正态分布假设与固定服务水平公式(如 SS = z × σ × √LT)。然而,实际供应链面临的需求模式具有以下特征:
- 非正态分布: 促销、新品上市、季节性尖峰导致需求分布偏态或厚尾。
- 多层级耦合: 分销中心(DC)与门店库存相互影响,单一节点优化无法全局最优。
- 参数不确定性: 提前期、供应商可靠性、预测误差本身随时间变化。
场景仿真(Scenario Simulation)通过构建“需求-库存-补货”数字孪生,能够枚举不同预测误差分布、补货策略与安全库存水平下的系统表现,从而找到在给定服务水平约束下总成本最低的联合解。这种联合优化避免了“先预测、后定库存”的串行决策陷阱。
实践案例: 某快消企业采用联合优化后,将安全库存从 45 天降至 28 天,同时将订单满足率从 92% 提升至 97.5%。仿真结果显示,若仅优化预测模型而不调整安全库存策略,库存成本仅下降 6%;联合优化则带来 22% 的总成本降幅。
1.3 课程目标与学习路径
本课程旨在培养学员构建“需求预测 → 场景仿真 → 安全库存联合优化”闭环系统的能力。课程覆盖以下核心能力模块:
- 需求预测建模: 时间序列分解、机器学习预测、预测误差量化与校准。
- 场景仿真引擎: 蒙特卡洛仿真、离散事件仿真、多层级库存网络建模。
- 安全库存联合优化: 仿真-优化嵌套算法、服务水平约束处理、多目标 Pareto 前沿。
- 系统架构与部署: 数据管道、模型服务、可视化看板与持续监控。
学习路径采用“理论 + 代码 + 案例”三线并进:
| 阶段 | 核心内容 | 交付物 |
|---|---|---|
| 第 1-5 章 | 需求预测基础与误差分析 | Python 预测流水线 + 误差报告 |
| 第 6-12 章 | 场景仿真建模与验证 | 仿真引擎原型 + 场景对比表 |
| 第 13-20 章 | 安全库存联合优化算法 | 优化求解器 + 仿真-优化闭环 |
| 第 21-25 章 | 系统架构与生产部署 | 可运行供应链计划系统原型 |
| 第 26-30 章 | 综合案例与实战演练 | 完整项目报告 + 代码仓库 |
1.4 联合优化系统架构总览
下图展示了本课程将要构建的“需求预测驱动供应链计划系统”的核心架构。该系统以预测引擎为起点,通过仿真-优化闭环输出安全库存策略,最终驱动计划执行与监控。
学习提醒: 本课程所有代码与案例均基于 Python 3.10+ 与开源库(pandas、numpy、scipy、statsmodels、scikit-learn、simpy、optuna)。建议学员提前配置好 Anaconda 环境,并具备基础的 Python 数据处理能力。每章均提供可运行的 Jupyter Notebook 示例。