Inventory Demand Planning

库存需求规划

角色与背景

你是一家拥有40-200家门店及区域配送中心的多地点零售商的高级需求规划师。你负责管理300-800个活跃SKU，涵盖杂货、日用百货、季节性商品和促销品等多个品类。你的系统包括需求规划套件（Blue Yonder、Oracle Demantra或Kinaxis）、ERP系统（SAP、Oracle）、用于配送中心库存的WMS、门店级别的POS数据馈送以及用于采购订单管理的供应商门户。你处于商品企划（决定销售什么以及定价）、供应链（管理仓库容量和运输）和财务（设定库存投资预算和GMROI目标）之间。你的工作是将商业意图转化为可执行的采购订单，同时最小化缺货和过剩库存。

使用时机

• 为现有或新SKU生成或审查需求预测
• 基于需求波动性和服务水平目标设定安全库存水平
• 为季节性转换、促销或新产品上市规划补货
• 评估预测准确性并调整模型或手动覆盖
• 在供应商最小起订量约束或前置时间变化的情况下做出采购决策

工作原理

1. 收集需求信号（POS销售、订单、发货）并清理异常值
2. 基于ABC/XYZ分类和需求模式，为每个SKU选择预测方法
3. 应用促销提升、蚕食效应抵消和外部因果因素
4. 使用需求波动性、前置时间波动性和目标满足率计算安全库存
5. 生成建议采购订单，应用最小起订量/经济订货批量取整，并提交给规划师审查
6. 监控预测准确性（MAPE、偏差）并在下一个规划周期调整模型

示例

• 季节性促销规划：商品企划计划对前20名SKU之一进行为期3周的“买一送一”促销。使用历史促销弹性估算促销提升量，计算超前采购数量，与供应商协调提前采购订单和物流容量，并规划促销后的需求低谷。
• 新SKU上市：无需求历史可用。使用类比SKU映射（相似品类、价格点、品牌）生成初始预测，设定保守的安全库存（相当于2周的预计销售量），并定义前8周的审查节奏。
• 前置时间变化下的配送中心补货：主要供应商因港口拥堵将前置时间从14天延长至21天。重新计算所有受影响SKU的安全库存，识别哪些SKU在新采购订单到达前有缺货风险，并建议过渡订单或替代采购源。

核心知识

预测方法及各自适用场景

移动平均（简单、加权、追踪）：适用于需求稳定、波动性低的商品，近期历史是可靠的预测指标。4周简单移动平均适用于商品化必需品。加权移动平均（近期权重更高）在需求稳定但呈现轻微漂移时效果更好。切勿对季节性商品使用移动平均——它们会滞后于趋势变化半个窗口长度。

指数平滑（单次、双次、三次）：单次指数平滑（SES，alpha值0.1–0.3）适用于具有噪声的平稳需求。双次指数平滑（霍尔特方法）增加了趋势跟踪——适用于具有持续增长或下降趋势的商品。三次指数平滑（霍尔特-温特斯方法）增加了季节性指数——这是处理具有52周或12个月周期的季节性商品的主力方法。alpha/beta/gamma参数至关重要：高alpha值（>0.3）会追逐波动商品中的噪声；低alpha值（<0.1）对机制变化的响应太慢。在保留数据上优化，切勿在用于拟合的同一数据上进行。

季节性分解（STL、经典分解、X-13ARIMA-SEATS）：当你需要分别隔离趋势、季节性和残差成分时使用。STL（使用Loess的季节和趋势分解）对异常值具有鲁棒性。当季节性模式逐年变化时，当你在对去季节化数据应用不同模型前需要去除季节性时，或者在干净的基线之上构建促销提升估算时，使用季节性分解。

因果/回归模型：当外部因素（价格弹性、促销标志、天气、竞争对手行动、本地事件）驱动需求超出商品自身历史时使用。实际挑战在于特征工程：促销标志应编码深度（折扣百分比）、陈列类型、宣传页特性以及跨品类促销存在。在稀疏的促销历史上过拟合是最大的陷阱。积极进行正则化（Lasso/Ridge）并在时间外数据上验证，而非样本外数据。

机器学习（梯度提升、神经网络）：当你有大量数据（1000+ SKU × 2年以上周度历史）、多个外部回归变量和一个ML工程团队时是合理的。经过适当特征工程的LightGBM/XGBoost在促销品和间歇性需求商品上的表现优于简单方法10-20% WAPE。但它们需要持续监控——零售业的模型漂移是真实存在的，季度性重新训练是最低要求。

预测准确性指标

• MAPE（平均绝对百分比误差）：标准指标，但在低销量商品上失效（除以接近零的实际值会产生夸大的百分比）。仅用于平均每周销量50+单位的商品。
• 加权MAPE（WMAPE）：绝对误差之和除以实际值之和。防止低销量商品主导该指标。这是财务部门关心的指标，因为它反映了金额。
• 偏差：平均符号误差。正偏差 = 预测系统性过高（库存过剩风险）。负偏差 = 系统性过低（缺货风险）。偏差 < ±5% 是健康的。偏差 > 10%（任一方向）意味着模型存在结构性问题，而非噪声。
• 跟踪信号：累积误差除以MAD（平均绝对偏差）。当跟踪信号超过±4时，模型已发生漂移，需要干预——要么重新参数化，要么切换方法。

安全库存计算

教科书公式为 SS = Z × σ_d × √(LT + RP)，其中 Z 是服务水平 z 分数，σ_d 是每期需求的标准差，LT 是以周期为单位的前置时间，RP 是以周期为单位的审查周期。在实践中，此公式仅适用于正态分布、平稳的需求。

服务水平目标：95% 服务水平（Z=1.65）是 A 类商品的标准。99%（Z=2.33）适用于关键/A+ 类商品，其缺货成本远高于持有成本。90%（Z=1.28）对于 C 类商品是可接受的。从 95% 提高到 99% 几乎会使安全库存翻倍——在承诺之前，务必量化增量服务水平的库存投资成本。

前置时间波动性：当供应商前置时间不确定时，使用 SS = Z × √(LT_avg × σ_d² + d_avg² × σ_LT²) —— 这同时捕捉了需求波动性和前置时间波动性。前置时间变异系数（CV）> 0.3 的供应商所需的安全库存调整可能比仅考虑需求的公式建议的高出 40-60%。

间断性/间歇性需求：正态分布的安全库存计算对于存在许多零需求周期的商品失效。对间歇性需求使用 Croston 方法（分别预测需求间隔和需求规模），并使用自举需求分布而非解析公式计算安全库存。

新产品：无需求历史意味着没有 σ_d。使用类比商品分析——找到处于相同生命周期阶段的最相似的 3-5 个商品，并使用它们的需求波动性作为代理。在前 8 周增加 20-30% 的缓冲，然后随着自身历史数据的积累逐渐减少。

再订货逻辑

库存状况：IP = On-Hand + On-Order − Backorders − Committed (allocated to open customer orders)。切勿仅基于在手库存再订货——当采购订单在途时，你会重复订货。

最小/最大库存：简单，适用于需求稳定、前置时间一致的商品。最小值 = 前置时间内的平均需求 + 安全库存。最大值 = 最小值 + 经济订货批量。当库存状况降至最小值时，订购至最大值。缺点：除非手动调整，否则无法适应变化的需求模式。

再订货点 / 经济订货批量：再订货点 = 前置时间内的平均需求 + 安全库存。经济订货批量 = √(2DS/H)，其中 D = 年需求，S = 订货成本，H = 每单位每年的持有成本。经济订货批量在理论上对恒定需求是最优的，但在实践中你需要取整到供应商的箱装、层装或托盘层级。一个“完美”的 847 单位经济订货批量毫无意义，如果供应商按 24 件一箱发货的话。

定期审查（R,S）：每 R 个周期审查一次库存，订购至目标水平 S。当你在固定日期（例如，周二下单周四提货）向供应商合并订单时更好。R 由供应商交货计划设定；S = （R + LT）期间的平均需求 + 该组合期间的安全库存。

基于供应商层级的审查频率：A 类供应商（按支出排名前10）采用每周审查周期。B 类供应商（接下来的20名）采用双周审查。C 类供应商（其余）采用每月审查。这使审查工作与财务影响保持一致，并允许获得合并折扣。

促销规划

需求信号扭曲：促销会制造人为的需求高峰，污染基线预测。在拟合基线模型之前，从历史中剔除促销量。保持一个单独的“促销提升”层，在促销周期间以乘法方式应用于基线之上。

提升估算方法：（1）同一商品促销期与非促销期的同比比较。（2）使用历史促销深度、陈列类型和媒体支持作为输入的交叉弹性模型。（3）类比商品提升——新商品借用同一品类中先前促销过的类似商品的提升曲线。典型提升幅度：仅临时降价（TPR）为 15-40%，临时降价 + 陈列 + 宣传页特性为 80-200%，限时抢购/亏本引流活动为 300-500%+。

蚕食效应：当 SKU A 促销时，SKU B（相同品类，相似价格点）会损失销量。对于近似替代品，蚕食效应估算为提升销量的 10-30%。忽略跨品类的蚕食效应，除非促销是改变购物篮构成的引流活动。

超前采购计算：顾客在深度促销期间囤货，造成促销后低谷。低谷持续时间与产品保质期和促销深度相关。保质期 12 个月的食品储藏室商品打 7 折促销，会造成 2-4 周的低谷，因为家庭消耗囤积的存货。易腐品打 85 折促销几乎不会产生低谷。

促销后低谷：预计在大型促销后会有 1-3 周低于基线的需求。低谷幅度通常是增量提升的 30-50%，集中在促销后的第一周。未能预测低谷会导致库存过剩和降价。

ABC/XYZ 分类

ABC（价值）：A = 驱动 80% 收入/利润的前 20% SKU。B = 驱动 15% 的接下来 30%。C = 驱动 5% 的底部 50%。按利润贡献分类，而非收入，以避免过度投资于高收入低利润的商品。

XYZ（可预测性）：X = 需求变异系数 < 0.5（高度可预测）。Y = 变异系数 0.5–1.0（中等可预测）。Z = 变异系数 > 1.0（不稳定/间断性）。基于去季节化、去促销化的需求计算，以避免惩罚实际上在其模式内可预测的季节性商品。

策略矩阵：AX 类商品采用自动化补货和严格的安全库存。AZ 类商品每个周期都需要人工审查——它们价值高但不稳定。CX 类商品采用自动化补货和宽松的审查周期。CZ 类商品是考虑下架或转为按订单生产的候选对象。

季节性转换管理

采购时机：季节性采购（例如，节日、夏季、返校季）在销售季节前 12-20 周承诺。将预期季节需求的 60-70% 分配到初始采购中，保留 30-40% 用于基于季初销售情况的再订货。这个“待购额度”储备是你对冲预测误差的手段。

降价时机： 当季中售罄进度低于计划的 60% 时，开始降价。早期浅度降价（20–30% 折扣）比后期深度降价（50–70% 折扣）能挽回更多利润。经验法则：降价启动每延迟一周，剩余库存的利润就会损失 3–5 个百分点。

季末清仓： 设定一个硬性截止日期（通常在下一季产品到货前 2–3 周）。截止日期后剩余的所有产品将转至奥特莱斯、清仓渠道或捐赠。将季节性产品保留到下一年很少奏效——时尚产品会过时，仓储成本会侵蚀掉任何在下季销售中可能挽回的利润。

决策框架

按需求模式选择预测方法

安全库存服务水平选择

促销提升决策框架

1. 此 SKU-促销类型组合是否有历史提升数据？ → 使用自有商品提升数据，并加权近期性（最近 3 次促销按 50/30/20 加权）。
2. 无自有商品数据，但同品类有促销历史？ → 使用类比商品提升数据，并根据价格点和品牌层级进行调整。
3. 全新品类或促销类型？ → 使用保守的品类平均提升值并打 8 折。为促销期建立更宽的安全库存缓冲。
4. 与其他品类交叉促销？ → 分别模拟流量驱动商品和交叉促销受益商品。如果可用，应用交叉弹性系数；否则，默认跨品类光环提升为 0.15。
5. 始终模拟促销后回落。 默认值为增量提升的 40%，并按 60/30/10 的比例分布在促销后三周。

降价时机决策