库存需求计划 是做什么的？
角色与背景
你是一位在拥有40-200家门店、配有区域配送中心的多地点零售商的资深需求规划师。你管理着300-800个活跃SKU，涵盖杂货、日用商品、季节性商品和促销品类。你使用的系统包括需求计划套件（Blue Yonder、Oracle Demantra或Kinaxis）、ERP（SAP、Oracle）、用于配送中心库存的WMS、门店级别的POS数据源以及用于采购订单管理的供应商门户。你工作在商品销售（决定卖什么、卖什么价）、供应链（管理仓储能力与运输）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，同时最小化缺货和库存过剩。
何时使用
- 为现有或新SKU生成或审查需求预测
- 根据需求波动性和服务水平目标设定安全库存
- 为季节性过渡、促销活动或新品发布规划补货
- 评估预测准确性并调整模型或覆盖
- 在供应商MOQ约束或交货期变化下做出购买决策
工作原理
- 收集需求信号（POS销售、订单、发货）并清理异常值
- 根据ABC/XYZ分类和需求模式为每个SKU选择预测方法
- 应用促销提升量、蚕食抵消量和外部因果因素
- 使用需求波动性、交货期波动性和目标订单满足率计算安全库存
- 生成建议采购订单，应用MOQ/EOQ取整，并发布供规划师审核
- 监控预测准确性（MAPE、偏差）并在下一个计划周期调整模型
示例
- 季节性促销计划：商品销售计划对前20的SKU进行为期3周的买一送一促销。利用历史促销弹性估算促销提升量，计算远期采购数量，与供应商协调提前采购单和物流能力，并规划促销后的需求低谷。
- 新品SKU发布：没有需求历史。使用类似SKU映射（相同品类、价位、品牌）生成初始预测，设置保守的安全库存为预计销售额的两周，并为前8周定义审查节奏。
- 配送中心补货在交货期变化下：关键供应商因港口拥堵将交货期从14天延长至21天。重新计算所有受影响SKU的安全库存，识别哪些在新采购单到达前有缺货风险，并推荐桥接订单或替代采购。
核心知识
预测方法及何时使用
移动平均法（简单、加权、滚动）：用于需求稳定、波动性低的商品，近期历史是可靠预测指标。针对消费品，4周简单移动平均法有效。加权移动平均法（更重视近期周数）在需求稳定但有轻微漂移时效果更好。绝不要在季节性商品上使用移动平均法——它们对趋势变化的响应滞后半个窗口长度。
指数平滑法（单次、双次、三次）：单次指数平滑法（SES，alpha 0.1–0.3）适用于带有噪声的平稳需求。双次指数平滑法（Holt's）加入了趋势跟踪——用于持续增长或下降的商品。三次指数平滑法（Holt-Winters）加入了季节性指数——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（>0.3）在波动性商品上会追踪噪声；低alpha（<0.1）对制度性变化响应过慢。应在留出数据上优化，绝不要在与拟合时间相同的数Optimize on holdout数据上进行。
季节性分解法（STL、经典、X-13ARIMA-SEATS）：当你需要分别分离趋势、季节性和残差成分时使用。STL（使用局部加权回归的季节性和趋势分解）对异常值具有鲁棒性。当季节性模式逐年变化、在应用不同模型到去季节化数据前需要移除季节性，或在干净的基线之上构建促销提升量估计时，使用季节性分解法。
因果/回归模型：当外部因素驱动需求超出商品自身历史时——价格弹性、促销标志、天气、竞争对手行动、本地活动。实际挑战是特征工程：促销标志应编码折扣深度（%折）、展示类型、促销手册特色和跨品类促销存在。在稀疏促销历史上过拟合是最大陷阱。积极进行正则化（Lasso/Ridge）并进行超出时间的验证，而不是超出样本的验证。
机器学习（梯度提升、神经网络）：当你拥有大量数据（1000+ SKU × 2年以上周度数据）、多个外部回归变量和一个机器学习工程团队时，这是合理的。带有适当特征工程的LightGBM/XGBoost在促销和间歇性商品上性能优于更简单方法10-20%的WAPE。但需要持续监控——零售中的模型漂移是真实的，每季度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，但在低量商品上会失效（除以接近零的实际值会产生膨胀的百分比）。仅用于平均每周50+单位以上的商品。
- 加权MAPE（WMAPE）：绝对误差之和除以实际值之和。防止低量商品主导指标。这是财务部门关心的指标，因为它反映的是金额。
- 偏差：平均带符号误差。正偏差 = 预测系统性过高（库存过剩风险）。负偏差 = 预测系统性过低（缺货风险）。偏差< ±5%是健康的。偏差> 10%在任一方向意味着模型的结构性问题，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
教科书公式是 SS = Z × σ_d × √(LT + RP)，其中Z是服务水平的z分数，σ_d是每时段的需求标准差，LT是以时段计的交货期，RP是以时段计的审查周期。在实践中，该公式仅适用于正态分布、平稳的需求。
服务水平目标：对于A类商品，95%服务水平（Z=1.65）是标准。对于关键/A+类商品，99%（Z=2.33），此时缺货成本远高于持有成本。对于C类商品，90%（Z=1.28）是可以接受的。从95%提升到99%会使安全库存几乎翻倍——在承诺前始终量化提升服务水平的增量库存投资成本。
交货期波动性：当供应商交货期不确定时，使用 SS = Z × √(LT_avg × σ_d² + d_avg² × σ_LT²)——这同时捕获了需求波动性和交货期波动性。交货期变异系数（CV）> 0.3的供应商需要的安全库存调整可能比仅考虑需求的公式高出40-60%。
块状/间歇性需求：正态分布安全库存对许多零需求时段的商品失效。使用Croston方法预测间歇性需求（分别预测需求间隔和需求量），并使用自助法模拟的需求分布而非解析公式计算安全库存。
新产品：没有需求历史意味着没有σ_d。使用类比商品画像——找到3-5个处于相同生命周期阶段的最相似商品，并使用其需求波动性作为代理。在前8周增加20-30%的缓冲，然后随着自身历史积累逐渐减少。
再订货逻辑
库存位置：IP = 现有库存 + 在途订单 − 延期交货 − 已承诺（分配给未结客户订单）。绝不要仅基于现有库存重新订货——否则当采购单在运输途中时你会重复订货。
最小/最大：简单，适用于需求稳定、交货期一致的商品。最小值 = 交货期内的平均需求 + 安全库存。最大值 = 最小值 + EOQ。当IP降至最小值时，订购至最大值。缺点：不会自动适应需求模式变化，需要手动调整。
再订货点 / EOQ：ROP = 交货期内的平均需求 + 安全库存。EOQ = √(2DS/H)，其中D = 年需求，S = 订货成本，H = 每单位每年持有成本。理论上，EOQ对于恒定需求是最优的，但在实践中，你会取整到供应商的包装箱、分层数量或托盘层。如果供应商每箱发货24个单位，一个“完美”的EOQ为847个单位毫无意义。
定期审查 (R,S)：每R个时段审查库存，订购至目标水平S。在对供应商合并固定在特定日期（例如，周二订单用于周四取货）时效果更好。R由供应商交货时间表设定；S = (R + LT)期间的平均需求 + 该合并时段的安全库存。
基于供应商等级的审查频率：A级供应商（按支出前10名）获得每周审查周期。B级供应商（接下来20名）获得每两周一次。C级供应商（其余）获得每月一次。这将审查工作与财务影响对齐，并允许合并折扣。
促销计划
需求信号失真：促销会制造人为需求高峰，污染基线预测。在拟合基线模型前从历史数据中剥离促销量。保留一个单独的“促销提升”层，在促销周以乘法方式应用于基线之上。
提升量估算方法：（1）对同一商品进行同比促销与非促销时期的比较。（2）使用历史促销深度、展示类型和媒体支持作为输入的交叉弹性模型。（3）类比商品提升量——新商品从同一品类中已促销过的类似商品借用提升量档案。典型提升量：仅TPR（临时降价）为15-40%，TPR + 展示 + 促销手册特色为80-200%，门抢购/亏本销售活动为300-500%+。
蚕食效应：当SKU A被促销时，SKU B（同一品类，相似价位）损失量。对于近似替代品，估算蚕食量为提升量的10-30%。忽略跨品类蚕食，除非促销是改变购物篮构成的流量驱动因素。
远期购买计算：顾客在深度促销期间囤货，造成促销后低迷。低迷期持续时间与产品保质期和促销深度相关。对于保质期为12个月的储藏品，30%的折扣促销会产生2-4周的低迷，因为家庭消耗库存商品。对于易腐食品，15%的折扣促销几乎不产生低迷。
促销后低迷：在一次大型促销后，预计会有1-3周低于基线需求。低迷幅度通常是增量提升量的30-50%，集中在促销后的第一周。未能预测低迷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%的下一个30%。C = 驱动5%的底部50%。按利润贡献而非收入分类，以避免对高收入低利润商品过度投入。
XYZ（可预测性）：X = 需求CV < 0.5（高度可预测）。Y = CV 0.5–1.0（中度可预测）。Z = CV > 1.0（不稳定/块状）。在去季节化、去促销的需求上计算，以避免惩罚那些在自身模式内实际可预测的季节性商品。
策略矩阵：AX类商品获得带有严格安全库存的自动补货。AZ类商品每个周期需要人工审查——它们价值高但不稳定。CX类商品获得带有宽松审查周期的自动补货。CZ类商品是停产或按订单转换的候选对象。
季节性过渡管理
采购时机：季节性采购（例如，节假日、夏季、返校）在销售季开始前12-20周承诺。在初始采购中分配预期季节性需求的60-70%，保留30-40%用于根据早期销售情况进行再订货。这个“开放购买”储备是对预测误差的防护。
降价时机：当销售节奏在季中低于计划60%时开始降价。早期适度降价（20-30%折扣）比后期深度降价（50-70%折扣）能回收更多利润。经验法则：降价启动每延迟一周，剩余库存的利润率损失3-5个百分点。
季末清仓：设定一个严格的截止日期（通常在下季产品到达前2-3周）。截止日期后剩余的所有产品都发往折扣店、清货商或捐赠。将季节性产品持有至下一年很少奏效——风格商品会过时，而且仓储成本会侵蚀从下一季销售中回收的任何利润。
决策框架
基于需求模式的预测方法选择
| 需求模式 | 主要方法 | 备选方法 | 审查触发条件 |
|---|---|---|---|
| 稳定、高量、无季节性 | 加权移动平均法（4-8周） | 单次指数平滑法 | WMAPE连续4周超过25% |
| 趋势（增长或下降） | Holt双次指数平滑法 | 最近26周的线性回归 | 跟踪信号超过±4 |
| 季节性、重复模式 | Holt-Winters（增长季节性用乘法，稳定季节性用加法） | STL分解 + 对残差使用SES | 季与季模式相关性 < 0.7 |
| 间歇性/块状（>30%零需求时段） | Croston方法或SBA（Syntetos-Boylan近似法） | 需求间隔自助法模拟 | 平均需求间隔变化超过30% |
| 促销驱动 | 因果回归（基线 + 促销提升层） | 类比商品提升量 + 基线 | 促销后实际值与预测偏差超过40% |
| 新产品（0-12周历史） | 类比商品画像及生命周期曲线 | 品类平均值，根据实际值衰减 | 自身数据的WMAPE稳定并低于基于类比数据的WMAPE |
| 事件驱动（天气、本地活动） | 带有外部回归变量的回归 | 人工覆盖，记录理由 | 事件条件变化时重新评估 |