《現(xiàn)代庫存管理：模型、算法與Python實現(xiàn)》 課件 第5章-某飲料企業(yè)W的需求預測實戰(zhàn)

現(xiàn)代庫存管理：模型、算法與Python實現(xiàn)第5章實戰(zhàn)：某飲料企業(yè)W的需求預測5.1背景介紹W是一家主營食品飲料的快消品公司，渠道類型有批發(fā)，零售，直營等多種模式其產(chǎn)品銷量具有明顯的規(guī)律性，例如不同的產(chǎn)品會伴隨著季節(jié)的變化而產(chǎn)生有規(guī)律的銷量變化在每月初的會議上，來自財務、銷售、市場和計劃部門的管理人員將回顧上個月的銷售、庫存和財務等指標，并討論未來幾個月的市場情況和運營策略等。多部門的協(xié)同保證了W公司需求計劃的有效實施5.2面臨的問題以及需求面臨的問題公司需求預測的準確率仍然偏低，做需求預測時缺乏對產(chǎn)品銷量數(shù)據(jù)的深入分析經(jīng)常發(fā)生客戶需要的商品沒有充足的庫存，客戶不需要的商品庫存卻堆積如山的情況，而食品行業(yè)有保質(zhì)期的要求，商品放置時間一長只能報廢客戶滿意度下降、市場份額流失，資金流短缺需求通過更加準確且科學合理的需求預測來驅動供應鏈運轉，從而更好地調(diào)度企業(yè)的生產(chǎn)運作，在保證及時交貨的同時又不浪費倉庫資源5.3數(shù)據(jù)集概況W公司的77個SKU在18個分銷中心的歷史銷量數(shù)據(jù)（sales_data.csv）數(shù)據(jù)集包含了從2018年1月1日到2020年7月30日每個DC*SKU組合的日銷售信息，共有1141個不重復的DC?SKU組合（unit），共88萬余條記錄數(shù)據(jù)字段名稱字段含義格式樣例date銷售日期日期2018-01-01dc_id倉庫ID字符DC002sku_id商品ID字符SKU047idxDC*SKU組合ID字符DC002_SKU047sale銷量整數(shù)27515.4實戰(zhàn)目標以及擴展思考實戰(zhàn)目標為這77種SKU、1141個unit打造科學的需求預測模型，分析與探究對于不同的SKU，哪一種預測模型的效果最好？可能的原因是什么？以及如何為每種SKU和unit選擇最佳的預測模型擴展思考對于同一種SKU，同時使用多種方法預測的組合模型應該如何實現(xiàn)如何更好地利用不同SKU和unit之間的相關性來輔助預測在機器學習方法中，如何利用Tsfresh庫實現(xiàn)特征構造？其效果如何？是否可以進行更細致深入的特征工程處理5.5實戰(zhàn)建議對產(chǎn)品進行分類需要結合產(chǎn)品屬性，盡可能將需求規(guī)律比較接近的產(chǎn)品放在一個類別里進行建模根據(jù)銷量數(shù)據(jù)還原需求數(shù)據(jù)銷量不等于需求，當需求超過現(xiàn)貨庫存時，未能及時滿足的需求可能會直接流失。因此，使用銷量數(shù)據(jù)對未來需求進行預測，得到的預測值可能較真實需求偏低如果相關品類在歷史上有嚴重的缺貨現(xiàn)象出現(xiàn)，則不能直接利用歷史銷量建立預測模型，而需要先對歷史銷量進行還原，根據(jù)對缺貨量的估計對歷史銷量進行修正，再建立預測模型5.5實戰(zhàn)建議根據(jù)業(yè)務場景進行模型修正模型漂移是指由于環(huán)境的變化而導致模型的預測能力下降。此時需要對預測模型進行重訓練，在拋棄久遠歷史樣本的同時更多地參考近期樣本，盡快地學習新的規(guī)律趨勢項和周期項是預測模型重點考慮的擬合對象，在實際預測場景中，很容易出現(xiàn)過度的趨勢擬合，造成預測值偏差較大，因此在擬合預測模型時應多從業(yè)務角度入手，理解商業(yè)上銷售量級的天花板，對模型參數(shù)進行一定限制節(jié)假日特征處理中國部分節(jié)假日每年可能并非出現(xiàn)在同一時間段，在建立