📚 课程目录第1章课程导论

1. 课程导论：缺料预警阈值优化的背景与价值

在制造型企业的采购计划编制过程中，缺料预警机制是保障生产连续性的核心控制点。传统的预警方式通常依赖固定的安全库存天数或静态的订货点法，这种方式在面对需求波动、供应中断、交期偏移等复杂场景时，往往出现“该报警时不报警，不该报警时频繁误报”的两难局面。

  核心痛点： 阈值设置过严 → 频繁触发预警，采购员“狼来了”疲劳；阈值设置过松 → 漏报关键缺料，导致产线停线损失。

阈值优化的本质，是在漏报风险与误报成本之间寻找最优平衡点。本课程将系统性地解决这一平衡问题，通过数据建模与仿真验证，为采购计划编制提供科学、可量化的阈值决策依据。

价值维度	优化前（固定阈值）	优化后（动态/自适应阈值）	典型改善幅度
预警准确率	60% ~ 75%	90% ~ 98%	提升 20%+
缺料停线次数	月均 3 ~ 5 次	月均 0 ~ 1 次	减少 80%
采购员无效响应工时	每周 8 ~ 12 小时	每周 2 ~ 4 小时	节省 60%+
库存周转率	偏低（安全库存虚高）	合理（安全库存精准）	提升 15% ~ 30%

关键认知： 阈值优化不是“一刀切”地降低或提高阈值，而是针对不同物料类别、不同供应风险等级、不同需求波动特征，分别寻找最优阈值参数。

完成本课程学习后，学员将具备以下能力：

本课程共分为 6 个模块，按“理论 → 建模 → 仿真 → 验证 → 部署”的递进路径展开：

前置要求： 学员应具备基础的 Python 编程能力（pandas、numpy 基础操作），了解基本的概率统计概念（正态分布、标准差、服务水平）。课程会提供完整的代码模板，但不会从零教授 Python 语法。