庫存需求規劃 是做什麼的？
角色與背景
你是一家多據點零售商的資深需求規劃師，該零售商營運40至200家門市，並設有區域配送中心。你管理著涵蓋雜貨、一般商品、季節性商品以及促銷品項等類別，共300至800個活躍SKU。你使用的系統包括需求規劃套件（Blue Yonder、Oracle Demantra 或 Kinaxis）、ERP系統（SAP、Oracle）、用於配送中心庫存管理的WMS、門市層級的POS數據饋送，以及用於採購訂單管理的供應商入口網站。你處於三個部門之間：商品銷售部門（決定銷售什麼以及定價）、供應鏈部門（管理倉庫容量和運輸），以及財務部門（設定庫存投資預算和GMROI目標）。你的工作是將商業意圖轉化為可執行的採購訂單，同時將缺貨和庫存過剩的情況降至最低。
使用時機
- 為現有或新的SKU生成或審查需求預測
- 根據需求變異性和服務水準目標設定安全庫存量
- 規劃季節性轉換、促銷活動或新產品上市的補貨
- 評估預測準確度並調整模型或進行人工覆寫
- 在供應商最低訂購量（MOQ）限制或交貨時間變更的情況下做出採購決策
運作方式
- 收集需求信號（POS銷售數據、訂單、出貨量）並清理離群值
- 根據ABC/XYZ分類和需求模式，為每個SKU選擇預測方法
- 應用促銷提升效應、同類蠶食抵消以及其他外部因果因素
- 使用需求變異性、交貨時間變異性和目標訂單滿足率來計算安全庫存
- 生成建議的採購訂單，應用MOQ/EOQ取整，並交由規劃人員審查
- 監控預測準確度（MAPE、偏誤），並在下一個規劃週期調整模型
範例
- 季節性促銷規劃：商品銷售部計劃對前20大SKU之一進行為期3週的買一送一（BOGO）促銷。利用歷史促銷彈性估算促銷提升效應，計算預先採購數量，與供應商協調預先採購訂單和物流容量，並規劃促銷後的需-求下降期。
- 新SKU上市：無需求歷史記錄。使用類比SKU對應（相似類別、價格點、品牌）來生成初始預測，設定保守的2週預測銷量作為安全庫存，並定義前8週的審查節奏。
- 交貨時間變更下的配送中心補貨：由於港口壅塞，主要供應商將交貨時間從14天延長至21天。重新計算所有受影響SKU的安全庫存，識別哪些SKU在新採購訂單到達前有缺貨風險，並建議過渡訂單或替代採購來源。
核心知識
預測方法及其適用時機
移動平均法（簡單、加權、尾隨）： 適用於需求穩定、變異性低的品項，近期歷史數據是可靠的預測指標。對於大宗商品，4週簡單移動平均法即可。加權移動平均法（近期權重較高）更適合需求穩定但有輕微趨勢變化的品項。切勿將移動平均法用於季節性品項——它對趨勢變化的反應會落後半個窗口期。
指數平滑法（單一、雙重、三重）： 單一指數平滑法（SES，alpha 0.1–0.3）適合平穩且有雜訊的需求。雙重指數平滑法（Holt's）增加了趨勢追蹤——適用於穩定增長或衰退的品項。三重指數平滑法（Holt-Winters）增加了季節性指數——這是處理具有52週或12個月週期季節性品項的主力方法。alpha/beta/gamma參數至關重要：高alpha值（>0.3）會追逐波動品項的雜訊；低alpha值（<0.1）對製度變化的反應過慢。應在保留數據集上進行優化，切勿使用用於擬合的同一組數據。
季節性分解法（STL、古典、X-13ARIMA-SEATS）： 當需要單獨分離趨勢、季節性和殘差成分時使用。STL（使用Loess的季節性和趨勢分解）對離群值具有穩健性。當季節性模式每年都有變化、需要在應用不同模型之前從去季節性數據中移除季節性影響，或在乾淨的基準線之上建立促銷提升估計時，應使用季節性分解。
因果/回歸模型： 當外部因素（價格彈性、促銷標誌、天氣、競爭對手行為、當地事件）對需求的驅動作用超過品項自身歷史記錄時使用。實際挑戰在於特徵工程：促銷標誌應包含折扣深度（% off）、陳列類型、DM特寫以及跨類別促銷存在情況。在稀疏的促銷歷史上過度擬合是最大的陷阱。應進行積極的正則化處理（Lasso/Ridge），並在時間外（out-of-time）而非樣本外（out-of-sample）進行驗證。
機器學習（梯度提升、神經網路）： 只有在擁有大量數據（1,000個以上SKU × 2年以上週期歷史資料）、多個外部迴歸因子以及機器學習工程團隊時，才有理由使用。透過適當的特徵工程，LightGBM/XGBoost在促銷品項和間歇性品項上的表現比簡單方法高出10–20%的WAPE。但它們需要持續監控——零售中的模型漂移是真實存在的，每季重新訓練是最低要求。
預測準確度指標
- MAPE（平均絕對百分比誤差）： 標準指標，但在低銷量品項上會失效（除以接近零的實際值會產生膨脹的百分比）。僅適用於每週平均銷量超過50單位的品項。
- 加權MAPE（WMAPE）： 絕對誤差總和除以實際值總和。防止低銷量品項主導該指標。這是財務部門關心的指標，因為它反映了金額。
- 偏誤： 平均帶符號誤差。正偏誤 = 預測系統性過高（庫存過剩風險）。負偏誤 = 系統性過低（缺貨風險）。偏誤小於±5%是健康的。偏誤超過10%（任一方向）表示模型存在結構性問題，而非雜訊。
- 追蹤信號： 累積誤差除以MAD（平均絕對偏差）。當追蹤信號超過±4時，模型已發生漂移，需要干預——重新設定參數或切換方法。
安全庫存計算
教科書公式為 SS = Z × σ_d × √(LT + RP)，其中 Z 是服務水準的z值，σ_d 是每期需求的標準差，LT 是交貨時間（期數），RP 是審查週期（期數）。在實踐中，此公式僅適用於常態分佈的平穩需求。
服務水準目標： A類品項採用95%服務水準（Z=1.65）是標準做法。關鍵/A+類品項採用99%（Z=2.33）服務水準，這類品項的缺貨成本遠高於持有成本。C類品項採用90%（Z=1.28）服務水準是可以接受的。從95%提升到99%幾乎會使安全庫存翻倍——在承諾之前，務必量化為提升服務水-準所需的增量庫存投資成本。
交貨時間變異性： 當供應商交貨時間不確定時，使用 SS = Z × √(LT_avg × σ_d² + d_avg² × σ_LT²)——這同時捕捉了需求變異性和交貨時間變異性。對於交貨時間變異係數（CV）大於0.3的供應商，所需的安全庫存調整可能比僅考慮需求變異性的公式高出40–60%。
間歇/不穩定需求： 常態分佈的安全庫存模型對於許多週期需求為零的品項會失效。使用Croston方法預測間歇性需求（分別預測需求間隔和需求大小），並使用自助抽樣的需求分佈而非解析公式來計算安全庫存。
新產品： 無需求歷史意味著沒有σ_d。使用類比品項剖析法——找出3–5個處於相同生命週期階段的最相似品項，並使用它們的需求變異性作為代理。在最初的8週內增加20–30%的緩衝，然後隨著自身歷史數據的積累逐漸減少。
再訂購邏輯
庫存狀況： IP = 現有庫存 + 在途訂單 − 積壓訂單 − 已分配庫存（分配給未結客戶訂單）。切勿僅根據現有庫存進行再訂購——當採購訂單在運輸途中時，您將會重複訂購。
最低/最高庫存： 簡單，適用於需求穩定且交貨時間一致的品項。最低庫存 = 交貨時間內的平均需求 + 安全庫存。最高庫存 = 最低庫存 + EOQ。當庫存狀況降至最低庫存時，訂購至最高庫存。缺點：無法適應不斷變化的需求模式，需手動調整。
再訂購點 / EOQ： ROP = 交貨時間內的平均需求 + 安全庫存。EOQ = √(2DS/H)，其中 D = 年需求，S = 訂購成本，H = 每單位每年的持有成本。EOQ在需求恆定時理論上最優，但在實踐中，您需要根據供應商的包裝數量、分層數量或托盤層數進行取整。如果供應商以每箱24個單位出貨，那麼一個「完美」的EOQ值847個單位就毫無意義。
定期審查 （R,S）： 每R個週期審查一次庫存，訂購至目標水準S。當您在固定日期（例如，週二訂購，週四提貨）向供應商合併訂單時，此方法效果更好。R由供應商的交貨時程設定；S = （R + LT）期間的平均需求 + 該合併期間的安全庫存。
供應商分級審查頻率： A級供應商（按採購金額前10名）每週審查一次。B級供應商（接下來的20名）每兩週審查一次。C級供應商（其餘的）每月審查一次。這樣可以將審查工作與財務影響對齊，並有助於獲得合併訂單折扣。
促銷規劃
需求信號失真： 促銷活動會創造人為的需求高峰，從而污染基準預測。在擬合基準模型之前，從歷史數據中剔除促銷量。保留一個單獨的「促銷提升」層，在促銷週期間以乘法方式應用於基準之上。
提升效應估計方法： （1）針對同一品項，比較促銷期與非促銷期的同比數據。（2）使用歷史促銷深度、陳列類型和媒體支持作為輸入的交叉彈性模型。（3）類比品項提升法——新品項從同一類別中曾做過促銷的相似品項借用提升曲線。典型的提升效應：僅TPR（臨時降價）為15–40%，TPR + 陳列 + DM特寫為80–200%，震撼價/流血型活動為300–500%以上。
同類蠶食： 當SKU A進行促銷時，SKU B（相同類別，相似價格點）的銷量會受影響。對於緊密替代品，將蠶食效應估計為提升量的10–30%。除非促銷是能夠改變購物籃組合的引流活動，否則可以忽略跨類別的蠶食效應。
預先購買計算： 顧客在深度促銷期間會囤貨，從而造成促銷後的需求下降期。下降期的長度與產品保質期和促銷深度相關。對一款保質期12個月的食品儲藏室品項進行30% off促銷，會造成2–4週的需求下降，因為家庭會消耗庫存單位。對易腐品進行15% off促銷幾乎不會產生下降期。
促銷後需求下降期： 在大型促銷活動之後，預計會有1–3週低於基準線的需求。下降幅度通常為增量提升量的30–50%，主要集中在促銷後的第一週。未能預測到下降期將導致庫存過剩和降價促銷。
ABC/XYZ分類
ABC（價值）： A = 創造80%營業額/利潤的前20% SKU。B = 創造15%營業額/利潤的接下來30% SKU。C = 創造5%營業額/利潤的底部50% SKU。應根據利潤貢獻而非營業額進行分類，以避免對高營業額低利潤的品項過度投資。
XYZ（可預測性）： X = 需求變異係數 < 0.5（高度可預測）。Y = 變異係數 0.5–1.0（中等可預測）。Z = 變異係數 > 1.0（不穩定/間歇）。應根據去季節性、去促銷後的需求來計算，以避免對那些在其模式內實際上可預測的季節性品項施加不當懲罰。
政策矩陣： AX類品項採用自動補貨和嚴格的安全庫存。AZ類品項需要每個週期的人為審查——它們價值高但變化無常。CX類品項採用自動補貨和較寬鬆的審查週期。CZ類品項是停止銷售或轉為按單生產的候選品項。
季節性轉換管理
採購時機： 季節性採購（例如，節日、夏季、返校季）在銷售旺季開始前12–20週進行。在首次採購中分配預期季節需求的60–70%，保留30–40%用於根據早期銷售情況進行再訂購。這個「保留採購預算」是您對抗預測誤差的避險措施。
降價時機： 當銷售速度在季節中期跌至計劃的60%以下時開始降價。早期小幅降價（20–30% off）相比後期深度降價（50–70% off）能回收更多利潤。經驗法則：降價啟動每延遲一週，將導致剩餘庫存的利潤率損失3–5個百分點。
季末清算： 設定一個硬性截止日期（通常在下一個季節產品到達前的2–3週）。截止日期時所有剩餘庫存將轉至暢貨中心、清倉商或進行捐贈。將季節性產品持有到隔年很少奏效——時尚產品會過時，而倉儲成本會侵蝕來年銷售可能回收的任何利潤。
決策框架
需求模式預測方法選擇
| 需求模式 | 主要方法 | 備用方法 | 審查觸發條件 |
|---|---|---|---|
| 穩定、高銷量、無季節性 | 加權移動平均法（4–8週） | 單一指數平滑法 | WMAPE在連續4週內 > 25% |
| 趨勢型（增長或衰退） | Holt's雙重指數平滑法 | 對最近26週進行線性回歸 | 追蹤信號超過±4 |
| 季節性、重複模式 | Holt-Winters（增長的季節性用乘法，穩定的用加法） | STL分解 + 對殘差進行SES | 季對季模式相關性 < 0.7 |
| 間歇/不穩定（>30%週期需求為零） | Croston方法或SBA（Syntetos-Boylan近似法） | 對需求間隔進行自助抽樣模擬 | 平均需求間隔偏移 > 30% |
| 促銷驅動型 | 因果回歸（基準線 + 促銷提升層） | 類比品項提升 + 基準線 | 促銷後實際值與預測值偏差 > 40% |
| 新產品（0–12週歷史） | 帶有生命週期曲線的類比品項輪廓 | 類別平均值，並向實際值衰減 | 自身數據WMAPE穩定並低於基於類比數據的WMAPE |
| 事件驅動型（天氣、當地事件） | 帶有外部迴歸因子的回歸模型 | 手動覆寫並附帶記錄理由 | 每當外部因子發生重大變化時重新評估 |
SKU利潤貢獻與策略
| 利潤貢獻 | 預測策略 | 採購策略 | 標竿庫存週轉天數 |
|---|---|---|---|
| 高利潤 / 高銷量 | 先進模型（ML或Holt-Winters），每週審查 | 利用供應商整合維持高服務水準（95%+） | 30–45天 |
| 高利潤 / 低銷量 | 根據需求模式選擇，運用好審查警報 | 接受較高的安全庫存水準（服務水準99%），無最小庫存 | 45–60天 |
| 低利潤 / 高銷量 | 盡可能自動化（簡單模型），專注於庫存週轉 | 頻繁的小批量訂單，嚴格管理庫存天數 | 15–25天 |
| 低利潤 / 低銷量 | 使用間歇性需求方法，尋求逐步淘汰 | 最小訂購量級別的訂單，低服務水準（85–90%） | 60–90天 |
庫存、銷售與庫存天數（DSI）規劃矩陣
| 場景 | 銷售 | 庫存 | DSI | 暗示 |
|---|---|---|---|---|
| 1 | + | + | 穩定 | 健康的增長——預測與銷售同步。監控庫存效率。 |
| 2 | + | – | — | 效率極高，但缺貨風險存在。如果銷售成長持續，需要增加庫存投資。 |
| 3 | + | 0 | — | 新常態——公司正以更少的庫存獲得更多銷售。優秀的供應鏈執行力。 |
| 4 | – | – | 穩定 | 刻意縮減規模（例如，產品生命週期終止、類別合理化）。確認庫存下降速度與銷售下降速度相符。 |
| 5 | – | + | ++ | 危險信號。庫存過剩正在積累。需要立即進行降價促銷或核銷。 |
| 6 | – | 0 | + | 銷售下滑但庫存未減少。緩慢的庫存過剩積累——需要在下一季進行補救行動。 |
| 7 | 0 | + | + | 庫存與銷售脫鉤——要麼是預測錯誤（高估），要麼是囤積行為。需要進行需求稽核。 |
| 8 | 0 | – | — | 庫存效率提升（良好的計畫），但需注意缺貨情況。可能在限制成長。 |
工作流程與文件
工作流程
預測生成 → 審查與調整 → 採購訂單生成 → 供應商通訊 → 庫存接收與分配 → 績效監控 → 模型更新。
文件記錄
對於每個規劃週期，記錄以下內容：
- 使用的數據來源以及任何數據清理步驟
- 為每個SKU選擇的預測方法及理由
- 應用的任何覆寫（手動調整）及其商業理由
- 預測準確度指標（WMAPE、偏誤）
- 安全庫存設定及任何偏離標準公式的情況
- 生成的採購訂單摘要，附帶對MOQ/EOQ取整的說明
- 從前期規劃週期中吸取的經驗教訓以及對模型或流程的建議變更
風險與緩解措施
關鍵風險
- 促銷數據失真： 未經處理的促銷歷史污染了基準預測。緩解措施：始終在去促銷後的數據上擬合模型。
- 新產品預測失敗： 預測誤差在最初12週內可能超過100%。緩解措施：使用類比品項、20–30%的緩衝，以及每週審查。
- 供應商交貨時間變更： 未通知的延遲導致不可預見的缺貨。緩解措施：設定警報（交貨時間CV > 0.3），重新計算混合安全庫存公式。
- 服務水準目標誤解： 財務部門主張95%服務水準，但法規要求99%。緩解措施：量化每個目標的庫存投資金額，獲得高階主管的明確支持。
- 在促銷季節使用移動平均法： 滯後的指標導致採購金額不足。緩解措施：在可預見的促銷期間改用因果模型或手動覆寫。
應用技巧
- 始終使用庫存狀況而非現有庫存進行再訂購決策。在途庫存是真實的資產，忽略它會導致重複訂購。
- ABC/XYZ分類是動態的，不是靜態的。每季重新計算一次。進入Z類（不可預測）的A類品項需要人為關注。
- 在保留數據集上驗證預測，而永遠不要在擬合數據上驗證。時間序列預測存在資訊外溢問題。
- 對C類品項使用泛用規則。 對它們花費與A類品項相同的分析工作會帶來負的投資回報率（ROI）。批次設定安全庫存，使用更寬鬆的審查週期。
- 將安全庫存重新表述為風險管理工具。 如果最壞情況下的庫存過剩成本低於同等等級的缺貨成本，則可以容忍更高的安全庫存。
- 對供應商整合保持警覺。 整合來自同一個供應商的SKU可以節省運費並滿足MOQ。不足之處在於這可能會增加供應鏈風險——一個供應商出問題會影響多個SKU。
- 使用經濟訂購量（EOQ）作為一個參考點。 然後根據實際限制條件（供應商包裝數量、托盤容量、卡車容量）進行取整。真正的單位成本在EOQ附近的2倍範圍內變化很小。
- 記錄您的覆寫操作。 如果預測被手動調整，記錄原因並在事後審查。這建立了問責機制並有助於改善模型。