《現(xiàn)代庫(kù)存管理：模型、算法與Python實(shí)現(xiàn)》 課件 第10章-某零食企業(yè)W庫(kù)存策略優(yōu)化實(shí)戰(zhàn)

現(xiàn)代庫(kù)存管理：模型、算法與Python實(shí)現(xiàn)第10章某零食企業(yè)W庫(kù)存策略優(yōu)化實(shí)戰(zhàn)10.1背景介紹企業(yè)W是一家以零食為主要產(chǎn)品的企業(yè)：來(lái)自線上需求激增，需求結(jié)構(gòu)日趨復(fù)雜非必要庫(kù)存高，熱銷商品缺貨暴露了傳統(tǒng)庫(kù)存管理模式的低效滯后企業(yè)的發(fā)展趨勢(shì)和轉(zhuǎn)型需求：由人工預(yù)測(cè)、手工計(jì)劃的模式的數(shù)字化轉(zhuǎn)型將海量數(shù)據(jù)的價(jià)值充分利用起來(lái)建立一個(gè)智能化的補(bǔ)貨系統(tǒng)10.1背景介紹試點(diǎn)規(guī)模：該系統(tǒng)的功能需求：提供多種基于歷史銷量數(shù)據(jù)擬合產(chǎn)品需求分布的擬合工具給定庫(kù)存策略下，策略參數(shù)與安全庫(kù)存量的自動(dòng)化計(jì)算提供一套庫(kù)存策略模擬仿真工具進(jìn)行成本評(píng)估200+SKU1天/3天/7天的盤(pán)貨周期2至7天不等的提前期10.2數(shù)據(jù)集概況數(shù)據(jù)規(guī)模：表一數(shù)據(jù)：‘sku_id’：產(chǎn)品id‘date’：銷售日期‘sale’：銷量2020年8月1日開(kāi)始，到2021年1月31日為止6個(gè)月的銷量數(shù)據(jù)前四個(gè)月的數(shù)據(jù)作為訓(xùn)練集（train_df）后兩個(gè)月為測(cè)試集（test_df）datesku_idsale02020-08-01SKU0016.012020-08-01SKU002722.022020-08-01SKU00310.032020-08-01SKU0049.042020-08-01SKU0057.010.3需求預(yù)測(cè)參數(shù)化方法：調(diào)用Python的scipy.stats統(tǒng)計(jì)工具包進(jìn)行分布擬合：正態(tài)分布擬合伽馬分布擬合泊松分布擬合對(duì)數(shù)正態(tài)分布擬合defget_para_policy(sales_qty,rep_time,dist_type,target_csl,

sample_size=1000):

"""

Args:

sales_qty:銷量數(shù)據(jù)

rep_time:補(bǔ)貨周期

dist_type:指定擬合分布類型

target_csl:期望的周期服務(wù)水平

sample_size:樣本量

Return:

dist_paras:擬合出的需求分布參數(shù)

oul:目標(biāo)庫(kù)存水平

ss:安全庫(kù)存量

"""

ifdist_type==

'normal':

dist_paras=stats.norm.fit(sales_qty)

dist=stats.norm(*dist_paras)10.3需求預(yù)測(cè)代碼續(xù)：elifdist_type==

'gamma':

dist_paras=stats.gamma.fit(sales_qty)

dist=stats.gamma(*dist_paras)

elifdist_type==

'poisson':

dist_paras=np.mean(sales_qty)

dist=stats.poisson(dist_paras)

elifdist_type==

'lognormal':

dist_paras=stats.lognorm.fit(sales_qty)

dist=stats.lognorm(*dist_paras)

else:

raise

Exception

#根據(jù)分布，構(gòu)造補(bǔ)貨周期內(nèi)需求樣本

rep_time_sample=[sum(dist.rvs(rep_time))for_inrange(sample_size)]

oul=np.quantile(rep_time_sample,target_csl)

ss=oul-np.mean(rep_time_sample)

returndist_paras,oul,ss10.3需求預(yù)測(cè)參數(shù)化方法：假設(shè)每天的需求獨(dú)立，構(gòu)造補(bǔ)貨周期內(nèi)需求樣本#根據(jù)分布，構(gòu)造補(bǔ)貨周期內(nèi)需求樣本

rep_time_sample=[sum(dist.rvs(rep_time))for_inrange(sample_size)]

oul=np.quantile(rep_time_sample,target_csl)

ss=oul-np.mean(rep_time_sample)

returndist_paras,oul,ss對(duì)于’SKU001’，使用正態(tài)分布進(jìn)行需求擬合:

sku=

'SKU001'

sku_sales_qty=train_df[train_df['sku_id']==sku]['sale'].values.tolist()

normal_dist_paras,normal_oul,normal_ss=get_para_policy(sku_sales_qty,rep_time_dict[sku],

'normal',0.9)print('使用正態(tài)方法進(jìn)行擬合，估計(jì)得到的均值為:%.2f,標(biāo)準(zhǔn)差為:%.2f'

%(normal_dist_paras[0],normal_dist_paras[1]))

print('目標(biāo)庫(kù)存水平為:%.2f'

%normal_oul)

print('安全庫(kù)存量為:%.2f'

%normal_ss)估計(jì)得到的均值為:26.16,標(biāo)準(zhǔn)差為:61.42

目標(biāo)庫(kù)存水平為:406.92

安全庫(kù)存量為:210.4410.3需求預(yù)測(cè)經(jīng)驗(yàn)分布估計(jì)：使用經(jīng)驗(yàn)分布估計(jì)相應(yīng)的需求分位數(shù)，計(jì)算對(duì)應(yīng)庫(kù)存指標(biāo):

defget_empirical_policy(sales_qty,rep_time,target_csl,sample_size=1000):

"""

Args:

sales_qty:銷量數(shù)據(jù)

rep_time:補(bǔ)貨周期

target_csl:期望的周期服務(wù)水平

sample_size:樣本量

Return:

oul:目標(biāo)庫(kù)存水平

ss:安全庫(kù)存量

"""

#使用重采樣技術(shù)，構(gòu)造提前期內(nèi)需求樣本

rep_time_sample=[sum(np.random.choice(sales_qty,rep_time,

replace=True))

for_inrange(sample_size)]

oul=np.quantile(rep_time_sample,target_csl)

ss=oul-np.mean(rep_time_sample)

returnoul,ss10.3需求預(yù)測(cè)經(jīng)驗(yàn)分布估計(jì)：對(duì)‘SKU001’使用經(jīng)驗(yàn)分布方法,使用重采樣技術(shù)，構(gòu)造提前期內(nèi)需求樣本，并計(jì)算樣本分位數(shù):

empirical_oul,empirical_ss=get_empirical_policy(sku_sales_qty,

rep_time_dict[sku],

0.9)

print('使用經(jīng)驗(yàn)分布的方法計(jì)算得到的目標(biāo)庫(kù)存水平為:%.2f'

%empirical_oul)

print('使用經(jīng)驗(yàn)分布的方法計(jì)算得到的安全庫(kù)存量為:%.2f'

%empirical_ss)使用經(jīng)驗(yàn)分布的方法計(jì)算得到的目標(biāo)庫(kù)存水平為:493.10

使用經(jīng)驗(yàn)分布的方法計(jì)算得到的安全庫(kù)存量為:288.8810.3需求預(yù)測(cè)基于核密度函數(shù)的非參數(shù)估計(jì)：定義函數(shù)get_kde_policy對(duì)銷量數(shù)據(jù)進(jìn)行擬合，使用留一交叉驗(yàn)證方法，選擇合適的帶寬，并計(jì)算相應(yīng)的庫(kù)存策略

#調(diào)用kde計(jì)算包

fromsklearn.neighborsimportKernelDensity

#調(diào)用交叉估計(jì)驗(yàn)證計(jì)算包

fromsklearn.model_selectionimportGridSearchCV,LeaveOneOutdefget_kde_policy(sales_qty,rep_time,target_csl,sample_size=1000):

"""

Args:

sales_qty:銷量數(shù)據(jù)

rep_time:補(bǔ)貨周期

target_csl:期望的周期服務(wù)水平

sample_size:樣本量

Return:

best_bandwidth:最優(yōu)帶寬

oul:目標(biāo)庫(kù)存水平

ss:安全庫(kù)存量

"""10.3需求預(yù)測(cè)代碼續(xù)：

sales_qty=np.array(sales_qty).reshape(-1,1)

bandwidth_choices={'bandwidth':np.linspace(1,100,20)}

grid=GridSearchCV(KernelDensity(kernel='gaussian'),bandwidth_choices,

cv=LeaveOneOut())

grid.fit(sales_qty)

best_bandwidth=grid.best_estimator_.bandwidth

kde=grid.best_estimator_

#根據(jù)分布，構(gòu)造補(bǔ)貨周期內(nèi)需求樣本

rep_time_sample=[sum(kde.sample(rep_time))for_inrange(sample_size)]

oul=np.quantile(rep_time_sample,target_csl)

ss=oul-np.mean(rep_time_sample)

returnbest_bandwidth,oul,ssbest_bandwidth,kde_oul,kde_ss=get_kde_policy(sku_sales_qty,

rep_time_dict[sku],

0.9)

print('使用留一驗(yàn)證法得到的最優(yōu)帶寬為:%.2f'

%best_bandwidth)

print('使用核函數(shù)估計(jì)法計(jì)算得到的目標(biāo)庫(kù)存水平為:%.2f'

%kde_oul)

print('使用核函數(shù)估計(jì)法計(jì)算得到的安全庫(kù)存量為:%.2f'

%kde_ss)使用留一驗(yàn)證法得到的最優(yōu)帶寬為:16.63，使用核函數(shù)估計(jì)法計(jì)算得到的目標(biāo)庫(kù)存水平為:479.97使用核函數(shù)估計(jì)法計(jì)算得到的安全庫(kù)存量為:263.7810.3需求預(yù)測(cè)需求估計(jì)方法的應(yīng)用：對(duì)所有產(chǎn)品應(yīng)用上述三種方法，計(jì)算對(duì)應(yīng)庫(kù)存策略指標(biāo):normal_parasnormal_oulnormal_ss\

SKU001(26.15573770491803,61.416345943453486)439.248432229.770615

SKU002(93.47540983606558,224.0771315211208)741.841441489.715204

SKU003(6.459016393442623,1.40926408526803)83.9131246.390042

SKU004(6.385245901639344,1.250879830106973)62.2764064.578243

SKU005(33.15573770491803,73.1685703030577)582.850969286.346227

……lognormal_ssempirical_oulempirical_sskde_best_bandwidthkde_oul\

SKU00187.922101497.1287.12416.631579473.860751

SKU002182.165317790.4515.25868.736842827.300485

SKU0036.10781284.06.7151.085.415584

SKU0044.82723963.05.3491.063.263129

SKU005163.700998619.7323.32811.421053600.33853

kde_ss

SKU001262.680957

SKU002545.529678

SKU0037.930236

SKU0045.912068

SKU005303.8689710.3需求預(yù)測(cè)觀察不同策略下不同產(chǎn)品的安全庫(kù)存量和目標(biāo)庫(kù)存水平這要求我們對(duì)不同產(chǎn)品采取基于產(chǎn)品自身特點(diǎn)的差異化策略

基于模擬庫(kù)存水平變化，仿真計(jì)算相應(yīng)庫(kù)存成本參數(shù)與非參數(shù)方法與指標(biāo)高低沒(méi)有絕對(duì)的關(guān)系不同產(chǎn)品的最適合方法不固定這點(diǎn)將在庫(kù)存仿真流程中體現(xiàn)基于庫(kù)存策略量模擬庫(kù)存水平變化基于對(duì)需求的擬合，計(jì)算相應(yīng)目標(biāo)庫(kù)存水平下的庫(kù)存策略量10.4仿真流程輸入產(chǎn)品未來(lái)一段時(shí)間內(nèi)的需求樣本，目標(biāo)庫(kù)存水平，盤(pán)貨周期和提前期令第一期的庫(kù)存水平為目標(biāo)庫(kù)存水平，在途庫(kù)存為0對(duì)之后每一期：計(jì)算庫(kù)存成本期初更新現(xiàn)貨庫(kù)存在途庫(kù)存到貨更新庫(kù)存水平（若缺貨，則缺貨候補(bǔ)量表示為負(fù)）根據(jù)是否在盤(pán)貨周期，判斷是否補(bǔ)貨至目標(biāo)庫(kù)存水平庫(kù)存成本=總持貨成本+總?cè)必洺杀?0.4仿真流程對(duì)于’SKU003’，設(shè)定目標(biāo)庫(kù)存水平為80，進(jìn)行仿真：給定策略下產(chǎn)品每日現(xiàn)貨庫(kù)存水平和需求隨時(shí)間變化曲線sku=

'SKU003'

sku_sales_qty=test_df[test_df['sku_id']==sku]['sale'].values.tolist()

sku_onhand_list=inv_simulation(sku_sales_qty,80,cycle_time_dict[sku],

lead_time_dict[sku])

plt.plot(sku_sales_qty,marker='.',label='需求')

plt.plot(sku_onhand_list,marker='.',label='庫(kù)存水平')

plt.xlabel('時(shí)間')

plt.ylabel('數(shù)量')

plt.legend()

plt.show()10.4仿真流程依據(jù)現(xiàn)貨庫(kù)存水平計(jì)算該產(chǎn)品的總庫(kù)存成本：SKU003在目標(biāo)庫(kù)存水平為80.00的情況下,庫(kù)存總成本為:1615.26defcal_inv_cost(onhand_list,hc,pc):

"""

Args:

onhand_list:歷史現(xiàn)貨庫(kù)存水平

hc:單箱持貨成本

pc:單箱缺貨成本

Return:

total_cost:庫(kù)存成本

"""

holding_cost=hc*sum([max(0,onhand)foronhandinonhand_list])

backorder_cost=pc*(-1)*sum([min(0,onhand)foronhandinonhand_list])

total_cost=holding_cost+backorder_cost

returntotal_costsku_inv_cost=cal_inv_cost(s