4. 安全库存参数配置（一）：基于服务水平与需求波动的统计安全库存模型（正态分布假设下的Z值查表法）

4.1 为什么需要统计安全库存模型？

在供应链补货计划中，需求并非恒定不变。日销量、周销量往往围绕一个均值上下波动。如果仅按平均需求备货，当实际需求突然升高时，就会发生缺货，导致客户满意度下降、订单流失甚至生产线停线。

安全库存（Safety Stock, SS）正是为了吸收这种需求波动而设置的缓冲库存。统计安全库存模型的核心思想是：在需求服从正态分布的假设下，通过设定一个“服务水平”（Service Level），查表得到对应的安全系数 Z 值，再结合需求标准差与补货提前期，计算出所需的安全库存量。

4.2 服务水平与 Z 值的对应关系

服务水平通常定义为“在补货周期内不出现缺货的概率”。例如，95% 的服务水平意味着在 100 个补货周期中，预计有 95 个周期不会发生缺货。不同的服务水平对应不同的 Z 值，通过标准正态分布表查得。

4.3 提前期内需求标准差的计算

实际业务中，我们通常只有“日需求”的历史数据，而补货提前期可能是 7 天、14 天或 30 天。需要将日需求标准差转换为提前期内的需求标准差。根据独立同分布假设，转换公式如下：

σ_dLT = σ_d × √(LT)

其中：
σ_d   = 日需求的标准差
LT    = 平均补货提前期（天数）
√(LT) = 提前期的平方根

示例： 某 SKU 日需求标准差 σ_d = 10 件，平均补货提前期 LT = 9 天，则：

σ_dLT = 10 × √9 = 10 × 3 = 30 件

若目标服务水平为 95%（Z=1.65），则安全库存为：

SS = 1.65 × 30 = 49.5 ≈ 50 件

4.4 完整计算流程

以下 SVG 流程图展示了从历史数据到安全库存参数配置的完整步骤：

4.5 正态分布假设的适用条件与局限

Z 值查表法建立在需求服从正态分布的假设之上。在实际业务中，需要先验证该假设是否成立。

4.6 参数配置故障排查清单

在系统配置安全库存参数时，以下是最常见的故障点及排查方向：

• 故障现象：安全库存计算结果为负数
  • 排查方向：检查需求标准差是否被错误设置为零或负值；检查提前期是否为零。
• 故障现象：安全库存过大，远超实际需求
  • 排查方向：确认服务水平是否设置过高（如 99.9%）；检查需求数据中是否混入了促销期或异常峰值数据。
• 故障现象：频繁缺货但安全库存显示充足
  • 排查方向：验证需求是否服从正态分布；检查提前期是否稳定，是否存在供应商延迟导致的提前期变异。
• 故障现象：不同 SKU 使用同一 Z 值但效果差异巨大
  • 排查方向：检查各 SKU 的需求波动系数（CV = σ/μ），高波动 SKU 需要更高的安全库存倍数。

4.7 系统参数配置示例

以下是在典型供应链计划系统中配置安全库存参数的 JSON 示例：

{
  "sku": "A1001",
  "serviceLevel": 0.95,
  "zValue": 1.65,
  "demandStdDev": 10.5,
  "leadTimeDays": 7,
  "leadTimeDemandStdDev": 27.8,
  "safetyStock": 46,
  "calculationMethod": "NORMAL_Z_TABLE",
  "dataValidation": {
    "normalityTest": "PASS",
    "outlierRemoved": true,
    "sampleSize": 90
  }
}