1. 课程导论：多级库存网络优化的背景与挑战
1.1 多级库存网络的现实背景
现代供应链早已不是单点仓库的简单补货，而是由工厂成品仓 → 区域配送中心（RDC）→ 前置仓/门店构成的多级库存网络。每一级都持有安全库存以应对需求波动，但级联效应使得预测误差在传递过程中被逐级放大——这就是著名的“牛鞭效应”。
核心矛盾： 预测误差在单级库存中影响有限，但在多级网络中，误差会沿着供应链向上游逐级放大，导致上游库存成本呈指数级增长。
| 库存层级 | 典型节点 | 库存持有成本占比 | 预测误差放大倍数 |
|---|---|---|---|
| L1 工厂成品仓 | 中央仓库 | 15%–20% | 1.0x（基准） |
| L2 区域配送中心 | RDC / 分拨中心 | 25%–30% | 1.5x–2.0x |
| L3 前置仓/门店 | 零售店 / 前置仓 | 40%–50% | 2.5x–4.0x |
传统单级库存优化（如仅优化RDC库存）无法解决级联误差问题，必须从多级网络全局视角进行调优。
1.2 预测误差对库存成本的影响
预测误差直接决定安全库存水平。在单级库存中，安全库存公式为：
SS = z × σ × √(LT)其中 σ 为预测误差标准差。在多级网络中，每一级的 σ 不仅包含本级预测误差，还叠加了下游传递的误差项：
σ_total(Ln) = √( σ²_forecast(Ln) + σ²_transfer(Ln-1) )
关键洞察： 若前置仓预测误差降低 10%，通过多级网络传导，RDC 安全库存可降低 15%–20%，工厂安全库存可降低 25%–30%。这就是“误差修正驱动”的杠杆效应。
| 预测误差降低幅度 | 前置仓库存节省 | RDC 库存节省 | 工厂库存节省 | 络总节省 |
|---|---|---|---|---|
| 5% | 3%–5% | 5%–8% | 8%–12% | 5%–8% |
| 10% | 8%–12% | 12%–18% | 18%–25% | 12%–18% |
| 20% | 18%–25% | 25%–35% | 35%–45% | 25%–35% |
1.3 课程目标与学习路径
本课程旨在构建一套“预测误差修正 → 多级库存联合优化”的工程化方法体系，使学员能够：
- 诊断：量化多级网络中预测误差的传递路径与放大系数
- 建模：建立多级库存网络的成本函数与约束模型
- 修正：应用误差分解、时序修正、机器学习残差校正等方法降低预测误差
- 优化：使用动态规划、强化学习或启发式算法求解多级库存最优策略
- 落地：将算法部署为可执行的库存调优工程系统
前置要求： 学员需具备基础概率统计、Python 编程能力，了解库存管理基本概念（安全库存、再订货点、服务水平）。本课程将提供完整的代码仓库与数据集。