Operations

智能库存预测

知道该补什么货、补多少、具体什么时候补。

智能库存预测 is 库存预测软件 for teams that want the reasoning shown, not hidden. Plans start at $49 a month with a 14-day free trial.

开始免费试用

多数中小零售商和分销商凭感觉补货：一张上月销量的表格，或者三年前某人设定、之后再没人动过的补货点。这套做法能用，直到供应商晚交一周、某个单品开始走量，或者旺季比去年提前到来。智能库存预测把感觉换成按单品建立的模型，并在每个数字旁边列出算法，让您的采购能够提出不同意见。

预测实际给出什么

把销售历史以 CSV 导入，引擎会按单品估计需求模型——不是对整个品类取一个平均模型。快销品和慢销品的行为不同，把它们混在一起平均，是通往"对两者都自信地算错"的最短路径。

每个单品会得到所选周期内的日度预测、安全库存、补货点、经济订货量、预计缺货日期，以及按当前库存计算的可售天数。这些数值都会连同生成它们的输入一起显示。

日度需求预测: 按单品给出所选周期内的趋势与周内季节性。
安全库存: 同时基于需求波动和交货期波动来确定。
补货点: 交货期内的预测需求加上安全库存。
经济订货量: 让订货成本与持有成本相互平衡的订货批量。
缺货日期: 把预测逐日推演，直到库存加在途订单降到零的那一天。
ABC 分类: 按营收做帕累托分类，让注意力投向钱在的地方。

为什么表格会算错季节性

表格里常见的做法是把历史销量按星期几分组，再把每一天和平均值比较。这看起来合理，却在悄悄出错：如果需求在增长，序列中靠后的日子仅仅因为靠后就会更高。按星期几分组会把趋势抹到各组里，于是一个稳定增长的单品看起来像是有一个"周四高峰"。

这个引擎先剔除趋势。季节指数来自每个观测值与中心化移动平均的比值——这是经典的分解方法——而且只有当这个规律在历史的前后两半都一致成立时才会被采用。这样，三月一次性的促销就不会变成永久的三月效应。

把供应商算进去的安全库存

多数安全库存公式只看需求的波动。那只是问题的一半。如果供应商承诺十四天，实际在十到二十四天之间交货，交货期本身就是风险来源，只按需求方差算出的缓冲覆盖不了它。

这里用的是包含两项的标准公式：

SS = z × √( L × σd² + d² × σL² )

其中 z 是服务水平系数，L 是平均交货期（天），σd 是日需求的标准差，d 是平均日需求，σL 是交货期的标准差。服务水平 95% 时 z 为 1.645，99% 时为 2.326。界面会显示所用的数值和每一项输入——如果缓冲看起来不对，您能看出是哪一项输入在推高它。

模型是怎么选出来的

不存在在每个单品上都胜出的预测方法，所以引擎估两个，让数据来决定。关键在于它怎么决定：用模型没见过的数据。

切分历史数据至少 21 天时，把最近 20% 留作检验集，估计过程完全不使用它。
估计霍尔特法在水平（alpha）与趋势（beta）参数上做网格搜索，用对留出数据的预测误差来评分。
估计线性趋势在训练期上拟合一条直线，用同样的方式评分。
诚实地比较线性模型只有在留出数据上明显胜过霍尔特法时才会被选中——这避免了因为噪声而选中它。
叠加季节性并报告季节指数被叠加上去，所选方法、它的参数以及它在留出数据上的 RMSE 会显示在预测旁边。

这件事比看上去重要。用估计时所用的同一批数据去评价预测，会奖励那些记住噪声的模型；典型症状是平滑参数贴在上界，造出一个方向相反的趋势。留出数据是最便宜的一道防线，防止上线一个在回测里很漂亮、在仓库里却烧钱的模型。

适合谁

单店零售

几百个单品、一个仓库、没有专职采购。入门版覆盖 300 个单品并把补货清单发到邮箱；价值在排好序的缺货清单，而不是预测曲线。

多地点与 D2C 品牌

分布在需求特征不同的地点的库存，加上会波动的交货期。成长版增加按地点预测、季节性建模和交货期记录。

批发与分销

几千个单品，真正的工作是决定忽略哪些。按营收的 ABC 分类加上按供应商归并的订货建议，把两万五千行变成一份简短的决策清单。

正在离开表格的团队

如果现在的流程是一张数据透视表加一列补货量，迁移就是一次 CSV 导出。两边数字对上之前，先把表格留着——这往往是最快建立对预测信任的路径。