1. 课程导论：为什么库存预测误差指标如此重要？MAPE与sMAPE的核心差异概览
1.1 库存预测误差指标：供应链决策的“仪表盘”
在库存管理中，预测误差不仅仅是数字上的偏差，它直接转化为真金白银的运营成本。一个不准确的预测会导致两种典型的库存困境：
- 库存积压（Overstock）：预测过高，资金被占用，仓储成本上升，甚至面临产品过期或贬值风险。
- 缺货（Stockout）：预测过低，错失销售机会，客户满意度下降，甚至导致供应链中断。
因此，选择一个合适的误差指标来评估和监控预测模型，是供应链数据分析师的核心职责。错误的指标选择可能会掩盖模型的实际问题，导致决策失误。
核心观点： 误差指标是连接预测模型与业务决策的桥梁。选错指标，如同用错误的尺子测量零件，最终装配出的“供应链”必然存在隐患。
1.2 MAPE与sMAPE：两个最常用的百分比误差指标
在众多误差指标中，平均百分比误差（MAPE） 和 对称平均百分比误差（sMAPE） 因其直观的百分比形式，在库存预测领域被广泛使用。然而，它们的内在数学逻辑和应用场景存在显著差异。
| 特性 | MAPE | sMAPE |
|---|---|---|
| 计算公式 | MAPE = (1/n) * Σ(|Aᵢ - Fᵢ| / |Aᵢ|) * 100% |
sMAPE = (1/n) * Σ(2 * |Aᵢ - Fᵢ| / (|Aᵢ| + |Fᵢ|)) * 100% |
| 分母 | 仅使用实际值 (Aᵢ) | 使用实际值与预测值的平均值 |
| 对称性 | 非对称（惩罚高估与低估的程度不同） | 对称（对高估和低估的惩罚相对均衡） |
| 对零值敏感度 | 极高（当 Aᵢ=0 时，指标无定义或无穷大） | 较低（当 Aᵢ=0 且 Fᵢ=0 时，指标为0；当 Aᵢ=0 且 Fᵢ≠0 时，指标为200%） |
| 解释难度 | 直观，易于向业务方解释 | 相对复杂，但更稳健 |
1.3 核心差异概览：为什么库存场景需要特别关注？
库存数据具有鲜明的特点：间歇性需求（Intermittent Demand）、零值频繁出现、以及季节性波动。这些特点使得MAPE和sMAPE的表现截然不同。
- 零值问题：库存中经常出现某天或某周销量为零的情况。MAPE在此场景下会直接崩溃（除以零），而sMAPE则能给出一个有限且可解释的误差值（最高200%）。
- 不对称惩罚：在缺货成本远高于库存持有成本的场景（如急救药品、关键备件）中，MAPE对低估的惩罚可能不足，因为其分母是实际值。sMAPE通过引入预测值作为分母的一部分，提供了更均衡的视角。
- 尺度无关性：两者都是百分比指标，可以跨不同SKU（库存量单位）进行比较，这是它们受欢迎的主要原因。
1.4 一个直观的案例：当预测遇到零值
假设我们有两个SKU，它们的实际销量和预测值如下：
| SKU | 实际值 (A) | 预测值 (F) | MAPE | sMAPE |
|---|---|---|---|---|
| SKU_A | 100 | 80 | 20% | 22.2% |
| SKU_B | 0 | 10 | 无穷大 (∞) | 200% |
在这个简单的例子中，SKU_B的MAPE直接失效，无法用于模型评估或横向比较。而sMAPE给出了200%的误差，虽然数值很大，但至少是一个可用的、有界的指标。这在实际的库存数据清洗和模型筛选过程中至关重要。
实践警告： 在库存预测项目中，如果直接使用MAPE而忽略零值问题，可能会导致模型在“看起来”表现良好，但实际上完全无法处理间歇性需求。建议在数据探索阶段就检查零值比例，并据此选择误差指标。
1.5 课程路线图：我们将如何深入探讨？
本课程将围绕以下主线展开，帮助你在库存场景中做出最优的指标选型决策：
- 数学原理深度拆解：详细推导MAPE和sMAPE的数学性质，理解其对称性与有界性。
- 库存场景模拟实验：使用Python生成模拟的库存数据（包含零值、季节性、趋势），对比两个指标在不同模型下的表现。
- 业务成本关联分析：将误差指标与库存持有成本、缺货成本进行关联，建立“误差-成本”映射模型。
- 选型决策框架：提供一个清晰的决策树，指导你根据数据特征和业务目标选择MAPE、sMAPE或其他替代指标（如MASE、RMSSE）。
1.6 本章小结
- 库存预测误差指标直接影响供应链的库存成本和客户服务水平。
- MAPE和sMAPE是两种最常用的百分比误差指标，但它们在数学定义和对零值的处理上存在根本差异。
- 库存数据的零值特性使得sMAPE在许多场景下比MAPE更稳健、更实用。
- 本课程将通过理论、模拟和案例，帮助你建立一套科学的指标选型框架。