4. 需求不确定性：需求预测误差、标准差、变异系数对库存策略的影响

需求不确定性是库存策略配置中最核心的输入变量。供应链计划系统无法精确预知未来需求，必须通过统计指标量化不确定性，并将其转化为安全库存、再订货点等策略参数。本节聚焦三个关键统计量：预测误差、标准差与变异系数，阐述它们如何影响库存策略的工程配置。

4.1 需求不确定性的量化指标

在供应链计划系统中，需求不确定性通常通过以下三个指标进行量化与传递：

4.2 预测误差对库存策略的传导机制

预测误差通过以下路径影响库存策略参数：

1. 误差累积：在提前期内，预测误差会随时间累积。提前期越长，累积误差越大，所需安全库存呈非线性增长。
2. 服务水平映射：预测误差的标准差直接代入安全库存公式 \( SS = z \times \sigma_{LTD} \)，其中 \( z \) 为服务水平对应的安全系数，\( \sigma_{LTD} \) 为提前期需求的标准差。
3. 策略切换阈值：当预测误差超过预设阈值（如 MAPE > 30%），系统应自动切换为更保守的库存策略，如增加安全库存系数或启用动态缓冲管理。

4.3 标准差与变异系数的工程应用

标准差和变异系数在库存策略配置中承担不同角色：

• 标准差：用于计算安全库存量。在计划系统中，通常按 SKU-地点维度维护历史标准差，并支持按季节或产品生命周期分段计算。
• 变异系数：用于分类与策略选择。低变异系数（CV < 0.3）的需求适合采用固定再订货点策略；高变异系数（CV > 0.7）的需求则需要考虑动态调整或需求驱动的库存策略。

下表展示了不同变异系数区间对应的典型库存策略：

4.4 需求不确定性对库存策略的影响流程

下图展示了需求不确定性指标如何从数据采集到策略参数输出的完整影响链路：

4.5 工程落地中的常见问题与应对

在工程落地过程中，建议遵循以下原则：

• 误差优先原则：始终基于预测误差序列计算标准差，而非原始需求序列。
• 分段计算：对于具有明显季节性的产品，按季节分段计算标准差，避免跨季节的误差稀释。
• 动态更新：在计划系统中设置标准差和变异系数的自动更新周期（如每周或每月），避免使用过时的统计参数。
• 异常处理：当变异系数超过 1.0 时，系统应自动标记为高波动 SKU，并触发人工审核或启用特殊策略。

4.6 需求不确定性对库存策略的差异化影响

下图对比了不同不确定性水平下，库存策略参数的差异化配置：

4.7 代码示例：预测误差标准差计算

以下 Python 代码展示了如何在计划系统中计算预测误差的标准差，并输出安全库存建议：

import numpy as np
import pandas as pd

# 示例数据：预测值与实际值
data = {
    'period': ['W1', 'W2', 'W3', 'W4', 'W5'],
    'forecast': [100, 110, 105, 120, 115],
    'actual': [95, 115, 100, 125, 110]
}
df = pd.DataFrame(data)

# 计算预测误差
df['error'] = df['actual'] - df['forecast']

# 计算误差标准差（样本标准差）
std_error = np.std(df['error'], ddof=1)

# 计算平均误差（MAD）
mad = np.mean(np.abs(df['error']))

# 服务水平95%对应的安全系数
z = 1.65

# 假设提前期为2周
lead_time = 2
std_lt = std_error * np.sqrt(lead_time)

# 安全库存
safety_stock = z * std_lt

print(f"预测误差标准差: {std_error:.2f}")
print(f"平均误差 (MAD): {mad:.2f}")
print(f"提前期标准差 (LT={lead_time}): {std_lt:.2f}")
print(f"安全库存 (z={z}): {safety_stock:.2f}")