4. 数据准备阶段：历史供应/补货提前期数据采集与异常值处理
安全库存的核心作用是吸收供应端与需求端的不确定性。在参数配置前，必须首先对历史供应/补货提前期（Replenishment Lead Time, RLT）数据进行系统化采集与清洗。提前期的波动性是驱动安全库存计算的关键变量，数据质量直接决定参数配置的有效性。
4.1 数据采集范围与粒度
提前期数据采集需覆盖从“触发补货信号”到“货物上架可售”的全链路时间。不同供应链模式下的采集粒度要求如下：
| 数据维度 | 采集内容 | 粒度要求 | 典型数据源 |
|---|---|---|---|
| 供应商/工厂端 | 订单确认时间、生产周期、发货准备时间 | 按SKU-供应商-工厂维度，逐单记录 | ERP采购订单历史、供应商门户 |
| 运输/在途端 | 运输方式、承运商、在途天数、海关/质检滞留时间 | 按发货批次，精确到天或小时 | TMS系统、物流跟踪记录 |
| 入库/上架端 | 收货、质检、上架处理时间 | 按收货单，精确到小时 | WMS系统、ASN记录 |
| 总提前期 | 补货订单发出到库存可用时间 | 按补货周期，至少24个历史数据点 | ERP库存事务历史 |
数据采集原则：优先采集最近12-24个月的逐单数据。对于季节性商品，必须包含至少一个完整旺季+淡季周期，避免因数据窗口不足导致标准差失真。
4.2 异常值识别与处理方法
历史提前期数据中常包含非典型事件导致的极端值，如罢工、自然灾害、重大质量召回、系统切换等。这些异常值若不处理，会严重拉高标准差，导致安全库存配置过度保守。处理流程分为三步：
- 初步筛选：基于业务知识标记已知的“非典型事件”时间段，将其从正常计算样本中隔离。
- 统计识别：采用四分位距法（IQR）或修正Z-score法识别统计离群点。
- 处理决策：根据异常类型选择替换、剔除或保留。
| 异常类型 | 识别方法 | 推荐处理方式 | 业务示例 |
|---|---|---|---|
| 已知事件型异常 | 业务日历标记 + 人工审核 | 从样本中剔除，单独记录为“风险事件” | 港口罢工导致提前期从7天延长至45天 |
| 统计离群点（高值） | IQR法：Q3 + 1.5×IQR 以上 | 替换为Q3 + 1.5×IQR 的截断值 | 单次运输延误导致提前期异常偏高 |
| 统计离群点（低值） | IQR法：Q1 - 1.5×IQR 以下 | 替换为Q1 - 1.5×IQR 的截断值 | 紧急空运导致提前期异常偏低 |
| 数据录入错误 | 逻辑校验（如提前期为负值或为0） | 直接剔除，并追溯源系统修正 | 系统接口异常导致日期字段为空 |
关键警告：切勿直接删除所有离群点。对于因供应商产能瓶颈或季节性运输拥堵导致的“可预测波动”，应保留在样本中，因为这些波动正是安全库存需要覆盖的真实风险。只有“不可复现的极端事件”才应被剔除或截断。
4.3 数据清洗后的统计特征计算
完成异常值处理后，需为每个SKU-地点组合计算以下统计特征，作为安全库存公式的输入参数：
- 平均提前期（μLT）：清洗后样本的算术平均值。
- 提前期标准差（σLT）：清洗后样本的样本标准差（分母为n-1）。
- 变异系数（CVLT）：σLT / μLT，用于评估提前期相对波动程度。CV > 0.5 时需重点审查数据质量或考虑双源供应策略。
- 数据点数量（n）：清洗后的有效样本量。建议 n ≥ 12，否则需延长采集窗口。
4.4 数据质量验证清单
在将清洗后的数据输入安全库存计算引擎前，建议执行以下质量验证：
- 完整性检查：所有核心SKU-地点组合是否都有至少12个有效数据点？缺失组合需标记为“数据不足”，采用默认值或同类均值插补。
- 一致性检查：提前期均值是否与当前供应商合同约定的标准提前期偏差超过20%？若偏差过大，需与采购团队确认是否存在结构性变化。
- 波动性检查：变异系数（CV）是否在合理范围内（通常0.1-0.8）？CV过高（>1.0）的SKU需单独评审，考虑是否需改为按订单生产（MTO）模式。
- 时效性检查：数据窗口是否覆盖最近一个完整季度？对于快速变化的市场，应优先使用最近6个月的数据，并赋予更高权重。
最佳实践提示：建议将清洗后的提前期数据与需求预测数据存放在同一数据模型中，便于后续计算需求与供应的联合标准差。在SOP流程中，每月SOP会议前应自动刷新一次提前期统计特征，确保安全库存参数始终反映最新的供应链表现。