🎯 补货决策的目标 平衡成本与可用性
- 最大化服务水平 — 确保不缺货，维持客户满意度
- 最小化库存成本 — 降低持有成本、订货成本、缺货成本
- 优化现金流 — 避免资金过度沉淀在库存
- 提升供应链韧性 — 应对需求波动与供应中断
⚖️ 传统补货 vs 数据驱动补货
| 维度 |
传统补货 |
数据驱动补货 |
| 📊 需求预测 |
基于历史平均 / 直觉 |
机器学习 + 多变量时序 (Prophet, LSTM) |
| 📦 补货触发 |
固定再订货点 (ROP) / 定期盘点 |
动态安全库存 + 实时需求感知 |
| ⏱️ 提前期处理 |
固定提前期 (经验值) |
概率分布 + 供应商表现分析 |
| 🎯 服务水平 |
粗略分类 (A/B/C) |
差异化服务水平优化 (CSL) |
| 🧠 决策支持 |
Excel / 经验法则 |
模拟仿真 + 强化学习 |
🔑 补货决策的关键要素
- 需求 (Demand) — 独立需求 vs 从属需求；确定性 vs 随机性
- 提前期 (Lead Time) — 供应周期、运输、生产、质检
- 服务水平 (Service Level) — 缺货概率、客户满意度、安全库存
🧩 数据驱动补货系统架构
① 需求感知
→
② 预测引擎
→
③ 库存优化
→
④ 补货执行
📌 需求特征提取
📌 提前期分布拟合
📌 服务水平约束
📐 安全库存公式 (示例)
import numpy as np
from scipy import stats
# 需求标准差 (日) , 提前期均值 & 标准差
demand_std = 120 # 单位/天
lead_time_mean = 7 # 天
lead_time_std = 1.5 # 天
service_level = 0.95 # 95% 服务水平
z = stats.norm.ppf(service_level) # 1.645
# 安全库存 (考虑需求与提前期波动)
safety_stock = z * np.sqrt(
lead_time_mean * (demand_std ** 2) +
(demand_std ** 2) * (lead_time_std ** 2)
)
print(f"安全库存 ≈ {safety_stock:.0f} 单位")
| 关键要素 |
描述 |
数据驱动方法 |
| 需求 |
客户需求的数量与不确定性 |
时间序列分解、特征工程、分位数预测 |
| 提前期 |
从下单到入库的总时长 |
供应商绩效分析、生存模型、动态提前期 |
| 服务水平 |
不缺货的概率 / 期望满足率 |
成本权衡、多目标优化、模拟退火 |