xy's blog

Connect the dots

0%

《需求预测和库存计划》笔记

Posted on
Symbols count in article: 4.3k Reading time ≈ 4 mins.

《需求预测和库存计划：一个实践者的角度》刘宝红

这本书讲应用为主，比较通俗易懂

库存管理

三个关键指标：

  • OTD及时交付率
  • ITO库存周转率
  • E&O 呆滞库存

金字塔

中间：周转周期、uncertainty（组织行为、管理）

底层：预测模型、库存水位（技术

第一章 需求预测模型

移动平均法

  1. 简单移动平均：每期权重一样
  2. 加权移动平均：近的权重大
  3. 一次移动平均
  4. 二次移动平均：有趋势、下下期

预测的准确度指标

  • 平均绝对百分比误差

  • 平均均方方差

指数平滑法

加权移动平均：权重按照几何级数递减，越久的数据权重越小

简单指数平滑法

$$
F_{t+1}=αX_t+(1-α)F_t\
=αX_t+(1-α)[αX_{t-1}+(1-α)F_{t-1}]\
=αX_t+α(1-α)X_{t-1}+α(1-α)^2X_{t-1}….+α(1-α)^nX_{t-n}\
F_{t+1}=F_t+α(X_t-F_t)\
0≤α≤1
$$

X-实际值；F-预测值；

  1. 灵敏度vs准确度

（实际值前的系数）α 大，灵敏度增加

α小，平稳（历史越稳定，近期变动越当成偶然）

  1. 指数平滑法的初始化

（1）=上期实测

（2）=移动平均

（3）随机数

无论用哪种方法到后期影响都小；在一些预测经典著作中通常选最初的9个数据点（按季度统计的数据：大概两年；按月份统计的数据：大概两个季度）

  1. 平滑系数的优化

    （1）判断需求的稳定性，是否有趋势、季节性；

    （2）参照经验值，确定平滑系数的大致范围：

    • 需求历史稳定时，选择较小的α值：0.05-0.2
    • 需求历史有波动，但长期趋势没有大的变化：0.1-0.4
    • 需求历史波动较大，呈现明显且迅速的上升或下降趋势时：0.6~0.8
    • 需求历史时上升或下降序列时，α宜取较大值0.6-1

    （3）计算预测准确度：所有产品的均方误差总和（体现的是需求量大的产品）

    4.指数平滑法的优劣：

    • 优点：简单、响应快（备件计划，高值慢动）
    • 缺点：容易高估业务变动性，α取值过大(?)；适合短期预测；对趋势、季节性滞后

霍尔特双参数模型（趋势）

预测=水平+趋势，分别都用简单指平滑法更新；

霍尔特-温特模型

平缓需求——简单指数平滑

趋势——Holt双参数 β趋势+α水平

幼稚预测 naïve forecast

预测值=上期真实值

标准：是否比幼稚预测效果好

  • 季节性+趋势：简单易行
  • 霍尔特—温特 3参数，优化困难，但灵活

预测准确度

预测准确度

  • 按时交付率
  • 库存周转率

第二道防线：安全库存

在生命周期末期需切断供应

供应链执行

趋势+季节性（+随机）

P49

  • 历史
  • 管理行为导入的变动
  • 随机

数据有限，扭曲情况下（如仅有前3周数据，且前期有促销）：注意需求模型需具有可重复性

轮辐结构：中心仓——前置仓

快消：生命周期短，需要销售端介入

工业品：平稳，基于需求历史

集中化的预测（在颗粒度大的地方预测，例如中心仓）

短尾：12月peak，13周频率

离散系数

预测方法的择优

-构建模型

*6周锁定(4w lead time + 2w 下次更新不调整（预测锁定，可以视情况决定））

*2周滚动预测，提高规模效应（一次滚动预测两周，中小批量需求vs供应商大批量供应问题）

-测试模型

*各产品用相同模型vs用不同的模型（提高预测准确率但比较麻烦）

信息化系统：ERP系统

-销售端

-供应端

*物料需求计划（MRP）

需求历史数据的清洗

-数据来源

*需求单

*发货单：可能导致需求错配（实际发货仓非需求仓，日期etc）

-替代问题

*产品 （发货sub，一个产品对应几个sub）

*客户

*供货点

-消除促销等不可重复活动

*日常促销有重复性，清洗大促

*促销可能影响相邻时段的销售

*削峰填谷（促销及相邻时段的销售额以之前时间的均值替代）

-消除因为产品生命周期结束造成的非重复性需求

Q:中心仓需求预测：取提货数据还是实际销售数据？

A:实际销售数据，避免牛鞭效应；但安全库存可以由提货数据的标准差设置

第二章 库存计划与优化（空间维度）

安全库存

量化需求不确定性

  • 需求稳定、符合正态分布时，需求标准差=不确定性（因为正态分布的需求历史均值=预测值）
  • 有明显的趋势、季节性时，误差的标准差=不确定性

量化有货率要求（服务水平）

  • 有货率<->有货率系数z
  • excel中normsinv()换算-多少个标准差的安全库存
  • 根据客户期望、同行表现、企业能力定有货率

计算安全库存

$$
SS=Z\times\sigma\
\sigma：补货周期内的需求标准差\
Z:有货率系数\
\sigma=\sqrt{L}\times\sigma_d\
L:平均补货周期\
\sigma_d:需求历史的标准差
$$

注意时间单位一致，e.g. 每周标准差，补货周期28天，L=4

  • 数据汇总的颗粒度

13-26周的需求历史

按日：波动过大

周：比较合适？

月：掩盖变动；28天的数据和30/31天的误差

再订货点

由两部分组成：补货周期的平均需求和安全库存（应对不确定性）

订货量

订货量考虑：

  1. 订货成本
  2. 库存成本
  3. 需求量

EOQ：经济订货量
$$
Q=\sqrt{\frac{2DS}{H}}\
$$
D：每年需求
S：每个订单的订货成本
H：单位库存持有成本（资金成本、呆滞成本）

补货机制：

  1. 数量维度

  • 定量：确定订货量，每次补一个订货量的量

  • 不定量：持续监控库存水位，降低到再订货点时，补到最高库存水位

  1. 时间维度：
  • 随时：库存+在途库存<再订货点
  • 定时：补货周期变长、批处理提高货运和进出库的规模效应（代价是高库存）

非现货供应：期望等待时间=有货率*0+无货率*补货周期<=交期

轮辐式的全球库存网络计划

中心仓（CDC） 前置仓（RDC） 客户寄售点
安全库存+需求预测 安全库存和min/max，对用量较低的产品：设定安全库存，实际上是min=max；需求量大的：再订货点+订货量（不定时不定量） 定时定量，每周/半周更新库存水位
原因 可以传递需求波动 补货周期短，使用再订货点方法易维护 寄售点一般都是消耗量大的，定量（例如整包装）可以简化手续；定时：规模效应
总部计划 地区计划
工作内容 基于需求历史 中长期需求预测（13-26周）；供应链驱动；与采购互动频繁 客户的需求变化（工业品领域客户集中度高：头几名客户占绝大多数业务

库存指标：

客户服务水平

整体库存金额：占用企业资金，机会成本

周转率：过去一段时间的销贷成本，除以期末、期初的平均库存

库存结构（呆滞库存）：提高成本，影响利润率

库存四分法

库存 风险
风险库存 超出“周转+安全+过剩”，风险较高
过剩库存 超出“周转+安全”，但可在一定时段内消耗掉，风险较低
安全库存 基于一定的服务水平，应对需求和供应的不确定性
周转库存 平均需求*周转周期，维持正常运营

呆滞库存的具体指标一般有两个：

  • 库龄考核：超过特定库龄的库存金额，比例

  • 库存计提：对于达到一定库龄的库存，财务要计提，形成成本（计提，accrual，计算和提取，按规定的比率和规定的基数计算提取，列入科目）

VMI库存

VMI: vendor management inventory

供应商根据最高最低水位和需求预测，自主安排补货，包括补货数量和时间；

  1. 计算最低最高水位

    image-20210314155542758

    最高库存max=再订货点+经济订货量=（最低库存Min+补货周期内的平均需求）+订货量

    补货周期=生产周期+送货周期

    在实际操作中，最高库存需要考虑经济订货量、需求预测、仓储空间、补货频次、供应商执行能力；（e.g. 供应商执行能力弱，max就越大）

  2. 量化VMI的库存风险

    设计合理的情况下，所有的库存责任上限就是Max

  3. VMI信息系统要求

    • ERP录入预测，传递给供应商

    • VMI的Min和Max计划水位传递给供应商、

    • 供应商实时得到库存数据（在途、在库、质量问题）或每周更新

    • 供应商可得到实际的消耗数据

    • 供应商可输入未来N周的补货计划

    • 基于预测和补货计划，库存的期望水位能够传递给供应商

长尾需求（备品备件）

长尾需求：量小货杂；高值慢动；不适用于正态分布

  • 在很多情况下，不用对长尾需求做预测，建库存，供应链是拉式的。
  • 零售业、备品备件，必须在长尾处做计划
  • 备品备件按照需求频繁和需求变动类型可以分为几类：
备品备件分类 需求预测和库存策略
需求非常不频繁，需求变动也大 需求太少甚至可以不预测；根据泊松分布计算安全库存；或借助简单法则决定备什么备多少
需求相对频繁，但很不稳定 从数据开始，判断结束；围绕预测误差，设置安全库存
需求频繁，而且稳定 以历史数据为主，做出需求预测；基于正态分布设置安全库存，设置再订货点

用泊松分布计算安全库存

平均、随机、独立

需求频繁（补货周期内平均需求>5时），正态分布更适用

简单法则：成本-频率指数

image-20210314163601441

备件损耗频率

在没有足够需求历史的情况下，使用备件损耗频率提高新产品导入的首发命中；设计寿命、更换频率；

店铺库存优化

  • 预测方法的优化

每周每个产品预测vs每周部分产品预测

预测方法优化：对每个SKU进行预测方法优化，并计算得分。（预测最准的产品数即得分）

  • 销售vs计划关系

    • 计划：技术（计划方法）+管理

  • 库存管理三阶段：高库存，低满足率；高库存高满足率；低库存高满足率；

第三章 新品导入与滚动计划机制的建立

尽量做准+尽快纠偏

产品周期：开发期->导入期->上升期->平台期->衰退期

新品预测的典型问题：首批上量；上新期间的补单；量产阶段的过渡和优化

首批上量：专家判断法

德尔菲专家判断法：运营、销售、产品、计划专家进行匿名，背靠背独立预测，去掉最高值最低值后取均值；多轮反馈修正；

注意：

  • 遵循预测基本原则：在颗粒度较大的地方预测（不是每个SKU都进行专家预测）
  • 约束力、维护

季节性强的产品：报童模型

季节性强，生命周期端的产品：生鲜、面包、糕点

  • 报童模型

最佳进货量：边际收益=边际成本（短缺一个能少赚多少-边际收益，过剩一个打折亏多少-边际成本）

快时尚产品：专家预测平均值921件，标准差为182件。假设卖掉一件，毛利50元，卖不掉的话每件损失20元。假设缺货率是x，

边际收益=边际成本的方程如下：

$$
50\times x=20\times (1-x)
$$

$$
x=29%
$$

对应z值为0.57，0.57*182=103. 921+103=1024为最佳进货量

新品预测后的纠偏

根据类似样本产品的历史数据确定第一周效率与预售期总销量的线性关系；

根据线性回归置信区间+第一周销售量预测6周销量；

  • 系统性偏差的检验

各个产品的误差（实际-预测）均为正：预测系统性偏低

可能原因：选错模型；选错样本（产品之间的可比性有限）

预售期需求的滚动预测

每周滚动预测，置信区间逐渐变窄。前期调整数量，后期调整时间

从开发期开始的滚动计划

  1. 开发阶段3次制定、更新需求预测，对应3个推拉结合点：

    • 初始预测：长周期物料的采购（原材料
    • 第一次预测更新：是否对原材料深加工（半成品）
    • 第二次预测更新：加工多少成品（成品）

  2. 新产品导入后的3个决策点

    • 新产品导入的第一天
    • 上新第一周的销量
    • 上新后3周的销量