1. 课程导论：缺料预警的重要性、阈值调优的业务价值、课程整体架构与学习目标
1.1 缺料预警：供应链的“免疫系统”
在供应商交付流程中，缺料预警并非简单的“库存不足”提醒，而是一套基于数据驱动的风险预判机制。它通过实时监控采购订单状态、供应商产能、物流在途数据及安全库存水位，在物料实际断点发生前发出警报，为采购与计划团队争取宝贵的响应时间。
一个高效的缺料预警系统，能够帮助企业实现以下目标：
- 降低停线风险：将缺料导致的产线停摆概率降低 60% 以上。
- 优化库存成本：避免因过度恐慌而设置过高的安全库存，减少资金占用。
- 提升供应商协同效率：从“事后追责”转向“事前干预”，改善供应链韧性。
💡 核心洞察： 缺料预警的成败，往往不取决于预警系统的有无，而取决于预警阈值的设定是否科学。阈值过松，预警形同虚设；阈值过紧，则引发“狼来了”效应，导致团队麻痹。
1.2 阈值调优的业务价值：从成本与效率的视角
缺料预警阈值并非一成不变的静态参数。它需要根据物料分类、供应商表现、需求波动及库存策略进行动态调整。阈值调优直接作用于企业的三大核心指标：
| 业务维度 | 阈值调优前（典型痛点） | 阈值调优后（预期收益） |
|---|---|---|
| 库存周转率 | 为规避缺料，安全库存普遍偏高，资金占用严重 | 安全库存降低 15%–25%，释放营运资金 |
| 缺料停线时长 | 预警滞后，紧急调货成本高，产线等待时间长 | 提前 48–72 小时预警，停线时长减少 50%+ |
| 供应商管理成本 | 催货频率高，采购员陷入“救火”模式 | 分级预警，精准干预，采购效率提升 30% |
| 数据决策能力 | 依赖经验判断，缺乏量化依据 | 建立数据模型，实现阈值可量化、可回溯 |
📌 实战视角： 阈值调优不是一次性的“调参”动作，而是一个持续迭代的闭环过程。本课程将带你从数据清洗、特征工程、模型训练到阈值策略落地，完整走通这一闭环。
1.3 课程整体架构与学习目标
本课程共分为 6 大模块，30 个章节，采用“理论 + 代码 + 案例”三位一体的教学模式。你将亲手操作真实供应链数据集，使用 Python 构建并优化缺料预警阈值模型。
1.4 你将掌握的核心技能
通过本课程的学习，你将获得以下可直接应用于工作的能力：
- 数据建模能力：使用 Python（Pandas、NumPy、Scikit-learn）构建缺料风险预测模型。
- 阈值优化算法：基于 F1-Score、召回率与精确率的权衡，设计动态阈值策略。
- 业务仿真验证：利用历史数据回测，评估阈值调整对库存与交付的实际影响。
- 系统集成思维：理解预警系统与 ERP、SRM 系统的数据接口与触发逻辑。
⚠️ 前置要求： 建议学员具备基础的 Python 编程能力（变量、函数、Pandas 基础操作）以及对供应链基本概念（采购订单、安全库存、提前期）的了解。课程中会提供必要的代码模板与数据集。
1.5 课程数据与工具概览
本课程将使用一份模拟的供应商交付数据集，包含以下关键字段：
| 字段名称 | 数据类型 | 业务含义 |
|---|---|---|
order_id |
字符串 | 采购订单编号 |
supplier_id |
字符串 | 供应商编码 |
material_code |
字符串 | 物料编码 |
planned_delivery_date |
日期 | 计划交付日期 |
actual_delivery_date |
日期 | 实际交付日期 |
order_quantity |
浮点数 | 订单数量 |
received_quantity |
浮点数 | 实际收货数量 |
safety_stock |
浮点数 | 当前安全库存设置 |
我们将使用 Python 3.8+ 环境，配合 Jupyter Notebook 进行交互式开发。所有代码均提供完整注释与执行结果。