3. 缺料预警核心指标

缺料预警并非单一维度的判断，而是由多个核心指标共同驱动的决策模型。在实际供应链运营中，安全库存、提前期、需求波动率和供应商准时交付率构成了预警阈值的四大支柱。任何一个指标的偏移，都可能导致缺料风险的误判或漏判。

3.1 四大核心指标定义与业务含义

3.2 指标间的联动关系与阈值计算逻辑

缺料预警的核心公式（基于经典库存理论）可表达为：

再订货点 (ROP) = 平均需求率 (D_avg) × 平均提前期 (LT_avg) + 安全库存 (SS)

其中：
SS = Z × √(LT_avg × σ²_D + D²_avg × σ²_LT)

Z = 服务水平对应的安全系数（如 95% 服务水平对应 Z=1.65）
σ²_D = 需求波动率（方差）
σ²_LT = 提前期波动率（方差，可由 OTIF 数据推导）

从公式可以看出，提前期波动率与需求波动率共同决定了安全库存的大小，而供应商准时交付率直接影响 σ²_LT 的取值。当 OTIF 低于 90% 时，σ²_LT 会显著增大，导致安全库存非线性上升。

3.3 指标阈值调优的四个关键步骤

1. 数据清洗与异常值处理： 剔除因系统错误、退货、促销活动等导致的异常需求数据，确保波动率计算准确。
2. 提前期分段统计： 按供应商、物料类别、运输方式分别计算平均提前期和标准差，避免“一刀切”。
3. 动态服务水平设定： 根据物料 ABC 分类（A 类高价值物料设置 95%-99% 服务水平，C 类可降至 85%-90%），反向计算 Z 值。
4. OTIF 滚动修正： 使用最近 3-6 个月的 OTIF 数据，按月滚动更新 σ²_LT，使预警阈值具备时效性。

3.4 四大指标协同预警的 SVG 架构图

下图展示了四个核心指标如何协同作用于缺料预警阈值引擎，形成从数据输入到预警输出的完整链路。

3.5 指标异常场景与阈值调整策略

在实际业务中，四个指标经常出现异常波动。下表总结了常见异常场景及对应的阈值调整策略：

3.6 指标数据准备与 Python 代码示例

在开始阈值调优之前，需要将原始数据整理为模型可用的格式。以下代码展示了如何从原始订单数据中提取四个核心指标：

import pandas as pd
import numpy as np

# 示例：原始订单数据
data = {
    'order_date': ['2024-01-05', '2024-01-12', '2024-01-19', '2024-01-26'],
    'material_code': ['M001', 'M001', 'M001', 'M001'],
    'demand_qty': [100, 120, 110, 130],
    'order_lead_time': [7, 8, 7, 9],  # 单位：天
    'supplier_otif': [0.95, 0.92, 0.97, 0.90]
}
df = pd.DataFrame(data)

# 1. 计算需求波动率（标准差）
demand_std = df['demand_qty'].std()
print(f"需求波动率 (σ_D): {demand_std:.2f}")

# 2. 计算平均提前期和提前期标准差
avg_lt = df['order_lead_time'].mean()
std_lt = df['order_lead_time'].std()
print(f"平均提前期 (LT_avg): {avg_lt:.2f} 天")
print(f"提前期标准差 (σ_LT): {std_lt:.2f} 天")

# 3. 计算平均供应商准时交付率
avg_otif = df['supplier_otif'].mean()
print(f"供应商准时交付率 (OTIF): {avg_otif:.2%}")

# 4. 计算安全库存（假设 95% 服务水平，Z=1.65）
z_score = 1.65
avg_demand = df['demand_qty'].mean()
safety_stock = z_score * np.sqrt(avg_lt * demand_std**2 + avg_demand**2 * std_lt**2)
print(f"安全库存 (SS): {safety_stock:.0f} 件")

# 5. 计算再订货点
rop = avg_demand * avg_lt + safety_stock
print(f"再订货点 (ROP): {rop:.0f} 件")

3.7 指标调优的优先级矩阵

当资源有限时，需要确定哪个指标的调优优先级最高。以下矩阵基于“影响程度 × 可调性”给出建议：