3. 服务水平模型的数据流：主数据、历史订单、库存快照、预测数据的输入与处理

服务水平模型（Service Level Model, SLM）在供应链计划系统中并非孤立运行，其核心计算依赖于四个关键数据源的输入与协同处理。数据流的完整性、时效性与准确性直接决定了模型输出的可靠性。本章将深入剖析这四类数据的输入规范、处理逻辑及常见故障点。

3.1 数据流全景概览

下图展示了服务水平模型的数据流架构，清晰呈现了从原始数据源到模型计算引擎的完整路径。

3.2 主数据输入与处理

主数据是服务水平模型的“骨架”，定义了计算的基本单位与维度。常见的主数据实体包括：

3.3 历史订单输入与处理

历史订单数据是模型学习需求模式的基础。其处理流程通常包含以下步骤：

1. 数据抽取：从ERP或订单管理系统抽取指定时间窗口（通常为12-36个月）的订单记录。
2. 数据清洗：剔除测试订单、取消订单、异常大单（如促销峰值），保留正常销售订单。
3. 时间序列化：将订单按天/周/月聚合，形成连续的时间序列数据。
4. 季节性分解：识别并提取趋势、季节性和随机波动成分。
5. 需求特征计算：计算均值、标准差、变异系数等统计指标，作为模型输入。

-- 示例：历史订单聚合SQL（按周聚合）
SELECT 
    material_id,
    DATE_TRUNC('week', order_date) AS week_start,
    SUM(order_quantity) AS weekly_demand,
    COUNT(DISTINCT order_id) AS order_count
FROM order_history
WHERE order_date >= CURRENT_DATE - INTERVAL '12 months'
  AND order_status = 'completed'
GROUP BY material_id, DATE_TRUNC('week', order_date)
ORDER BY material_id, week_start;

3.4 库存快照输入与处理

库存快照提供了模型计算的“起点”状态。与历史订单不同，库存快照是时间点数据，通常按天或按班次采集。

3.5 预测数据输入与处理

预测数据是服务水平模型的前瞻性输入，决定了模型对未来需求的预判能力。预测数据通常来自独立的预测系统或机器学习模型。

预测数据的处理流程包括：

• 预测粒度对齐：将预测数据（通常为月/周级别）下采样或上采样到模型所需的日级别。
• 预测误差评估：计算历史预测值与实际值的偏差（如MAPE、MAE），作为模型置信度权重。
• 预测分层合并：按产品族、客户群、区域等维度进行分层合并，确保一致性。
• 异常预测标记：识别并标记超出历史范围3σ的预测值，防止模型过度响应。

# 预测误差计算示例（Python伪代码）
def calculate_forecast_error(actual, forecast):
    mape = np.mean(np.abs((actual - forecast) / actual)) * 100
    mae = np.mean(np.abs(actual - forecast))
    return {'MAPE': mape, 'MAE': mae}

# 将误差作为模型输入权重
model_input['forecast_weight'] = 1.0 / (1.0 + mape / 100.0)

3.6 数据流故障排查清单

当服务水平模型输出异常时，可按以下清单逐层排查数据流问题：