3、需求不确定性建模：需求分布类型与标准差计算

安全库存的核心作用是吸收需求波动。要科学地设置安全库存，首先必须对需求的不确定性进行量化建模。本章将聚焦于两种最常用的需求分布类型——正态分布与泊松分布，并详细讲解标准差的计算方法及其在供应链计划系统中的应用。

3.1 需求分布类型的选择依据

选择哪种分布模型，取决于需求数据的特征，尤其是需求的离散程度与均值大小。下表总结了两种分布的核心区别与适用场景：

3.2 正态分布建模与标准差计算

正态分布用两个参数描述需求：均值 (μ) 和 标准差 (σ)。在安全库存公式中，标准差直接决定了为应对波动所需持有的库存量。

3.2.1 样本标准差公式

在计划系统中，我们通常使用历史需求样本计算标准差。公式如下：

σ = √[ Σ(xᵢ - μ)² / (n - 1) ]

其中：
σ  = 样本标准差
xᵢ = 第 i 期的实际需求
μ  = 样本均值
n  = 样本期数（数据点数量）

3.2.2 正态分布下的需求区间

理解标准差与概率区间的关系，有助于调试安全库存参数：

• ±1σ：约 68.3% 的需求会落在这个区间内。
• ±2σ：约 95.4% 的需求会落在这个区间内。
• ±3σ：约 99.7% 的需求会落在这个区间内。

例如，某SKU的周需求 μ=100，σ=20，则未来一周需求在 80~120 之间的概率约为 68%。

3.3 泊松分布建模与标准差计算

泊松分布适用于描述单位时间内随机事件发生的次数。其核心特征是：均值等于方差。这意味着一旦确定了平均需求率 λ，标准差也就随之确定。

3.3.1 泊松分布公式

P(X = k) = (λᵏ * e⁻λ) / k!

其中：
P(X = k) = 在单位时间内恰好发生 k 次需求的概率
λ = 单位时间内的平均需求次数
e = 自然常数（约 2.71828）
k! = k 的阶乘

3.3.2 标准差计算

对于泊松分布，标准差 σ 直接等于均值 λ 的平方根：

σ = √λ

示例：
若某备件周平均需求 λ = 4 件
则标准差 σ = √4 = 2 件
这意味着约 68% 的周需求会落在 2~6 件之间（4 ± 2）

3.4 两种分布的标准差对比案例

以下通过一个实际对比案例，展示两种分布下标准差对安全库存的影响差异：

3.5 系统实现中的标准差计算逻辑

在供应链计划系统中，标准差的计算并非简单的公式套用，还需要考虑以下工程化问题：

1. 历史期数选择： 系统通常允许用户配置“历史计算窗口”（如 12 周、24 周）。窗口过短会导致标准差波动剧烈；窗口过长会掩盖近期趋势变化。
2. 异常值处理： 促销、断货、退货等异常数据应被标记或剔除，否则会严重扭曲标准差。建议在系统配置中启用“3σ 异常值过滤”规则。
3. 季节性调整： 对于有明显季节性的需求，应先进行季节分解，再对季节调整后的需求计算标准差，否则安全库存会被季节性波动放大。
4. 预测误差替代： 在高级计划系统中，安全库存计算常使用预测误差的标准差而非历史需求标准差，因为预测误差更能反映实际的不确定性。