《现代库存管理：模型、算法与Python实现》 课件 第5章-某饮料企业W的需求预测实战

现代库存管理：模型、算法与Python实现第5章实战：某饮料企业W的需求预测5.1背景介绍W是一家主营食品饮料的快消品公司，渠道类型有批发，零售，直营等多种模式其产品销量具有明显的规律性，例如不同的产品会伴随着季节的变化而产生有规律的销量变化在每月初的会议上，来自财务、销售、市场和计划部门的管理人员将回顾上个月的销售、库存和财务等指标，并讨论未来几个月的市场情况和运营策略等。多部门的协同保证了W公司需求计划的有效实施5.2面临的问题以及需求面临的问题公司需求预测的准确率仍然偏低，做需求预测时缺乏对产品销量数据的深入分析经常发生客户需要的商品没有充足的库存，客户不需要的商品库存却堆积如山的情况，而食品行业有保质期的要求，商品放置时间一长只能报废客户满意度下降、市场份额流失，资金流短缺需求通过更加准确且科学合理的需求预测来驱动供应链运转，从而更好地调度企业的生产运作，在保证及时交货的同时又不浪费仓库资源5.3数据集概况W公司的77个SKU在18个分销中心的历史销量数据（sales_data.csv）数据集包含了从2018年1月1日到2020年7月30日每个DC*SKU组合的日销售信息，共有1141个不重复的DC∗SKU组合（unit），共88万余条记录数据字段名称字段含义格式样例date销售日期日期2018-01-01dc_id仓库ID字符DC002sku_id商品ID字符SKU047idxDC*SKU组合ID字符DC002_SKU047sale销量整数27515.4实战目标以及扩展思考实战目标为这77种SKU、1141个unit打造科学的需求预测模型，分析与探究对于不同的SKU，哪一种预测模型的效果最好？可能的原因是什么？以及如何为每种SKU和unit选择最佳的预测模型扩展思考对于同一种SKU，同时使用多种方法预测的组合模型应该如何实现如何更好地利用不同SKU和unit之间的相关性来辅助预测在机器学习方法中，如何利用Tsfresh库实现特征构造？其效果如何？是否可以进行更细致深入的特征工程处理5.5实战建议对产品进行分类需要结合产品属性，尽可能将需求规律比较接近的产品放在一个类别里进行建模根据销量数据还原需求数据销量不等于需求，当需求超过现货库存时，未能及时满足的需求可能会直接流失。因此，使用销量数据对未来需求进行预测，得到的预测值可能较真实需求偏低如果相关品类在历史上有严重的缺货现象出现，则不能直接利用历史销量建立预测模型，而需要先对历史销量进行还原，根据对缺货量的估计对历史销量进行修正，再建立预测模型5.5实战建议根据业务场景进行模型修正模型漂移是指由于环境的变化而导致模型的预测能力下降。此时需要对预测模型进行重训练，在抛弃久远历史样本的同时更多地参考近期样本，尽快地学习新的规律趋势项和周期项是预测模型重点考虑的拟合对象，在实际预测场景中，很容易出现过度的趋势拟合，造成预测值偏差较大，因此在拟合预测模型时应多从业务角度入手，理解商业上销售量级的天花板，对模型参数进行一定限制节假日特征处理中国部分节假日每年可能并非出现在同一时间段，在建立