4. 静态阈值配置（一）：基于历史平均消耗量的固定安全库存天数设定

静态阈值是缺料预警体系中最基础、最易实施的配置方式。本章聚焦于固定安全库存天数的设定方法，即根据物料的历史平均日消耗量，将安全库存量表达为“可维持供应X天”的形式。这种方法适用于消耗模式相对稳定、提前期波动较小的物料。

4.1 核心概念与计算公式

固定安全库存天数法的核心逻辑是：安全库存量 = 历史平均日消耗量 × 固定安全库存天数。其中，历史平均日消耗量通常取过去N天的移动平均值，固定安全库存天数则由计划员根据物料的重要度、供应风险和服务水平要求来设定。

4.2 配置步骤与参数决策树

固定安全库存天数的配置需要经过以下五个步骤，每一步都涉及关键参数的选择：

1. 确定历史数据窗口：选择计算ADU的时间范围。窗口过短（如7天）易受随机波动影响；窗口过长（如180天）则对近期趋势变化反应迟钝。
2. 计算ADU：排除异常值（如促销、停产导致的突增/突降）后，计算日均消耗量。
3. 设定SSD：根据物料ABC分类、供应提前期稳定性、缺料后果严重度三个维度综合赋值。
4. 计算SS与ROP：代入公式得到安全库存量和再订货点。
5. 校验与微调：将计算结果与历史缺料记录对比，确认预警阈值是否合理。

4.3 静态阈值配置流程（SVG）

下图展示了从历史数据采集到预警阈值生效的完整配置流程，其中固定安全库存天数（SSD）是计划员唯一需要手动输入的核心参数：

4.4 配置示例与代码实现

以下是一个基于Python的静态阈值配置示例，演示如何从历史消耗数据中计算ADU，并根据设定的SSD生成安全库存量和预警阈值：

import pandas as pd
import numpy as np

# 示例：某物料过去30天的日消耗量（单位：件）
daily_consumption = [120, 115, 130, 125, 118, 122, 128, 135, 110, 105,
                     125, 130, 120, 115, 128, 132, 118, 122, 126, 130,
                     124, 119, 127, 133, 121, 116, 129, 131, 123, 117]

# 参数配置
N = 30                     # 历史数据窗口（天）
SSD = 7                    # 固定安全库存天数（计划员设定）
lead_time = 5              # 供应商提前期（天）

# 计算ADU（排除异常值：采用中位数或截尾均值）
series = pd.Series(daily_consumption)
# 使用IQR方法剔除异常值
Q1 = series.quantile(0.25)
Q3 = series.quantile(0.75)
IQR = Q3 - Q1
filtered = series[(series >= Q1 - 1.5*IQR) & (series <= Q3 + 1.5*IQR)]
ADU = round(filtered.mean(), 1)

# 计算安全库存量和再订货点
SS = round(ADU * SSD)          # 安全库存量
ROP = round(ADU * lead_time) + SS  # 预警触发点（再订货点）

print(f"历史平均日消耗量 (ADU): {ADU} 件/天")
print(f"固定安全库存天数 (SSD): {SSD} 天")
print(f"安全库存量 (SS): {SS} 件")
print(f"预警触发点 (ROP): {ROP} 件")
print(f"当前库存低于 {ROP} 件时触发缺料预警")

4.5 静态阈值与动态阈值的适用场景对比

固定安全库存天数法属于静态阈值配置，与动态阈值方法相比，各有优劣。下表帮助您快速判断何时选择静态方案：