第5章

智能存貨管理xx老師本章內(nèi)容5.1存貨管理辦法5.2存貨需求量預(yù)測5.3智能存貨采購決策機(jī)器學(xué)習(xí)平臺(tái)網(wǎng)址

01存貨管理方法5.1.1傳統(tǒng)的存貨管理方法5.1.2存貨管理的智能化實(shí)現(xiàn)思路5.1.1傳統(tǒng)的存貨管理方法經(jīng)濟(jì)訂貨批量(economicorderquantity)也稱最優(yōu)訂購批量，既能夠滿足生產(chǎn)經(jīng)營需要，又能使存貨成本達(dá)到最低的一次采購數(shù)量。經(jīng)濟(jì)訂貨批量控制A類庫存--特別重要、B類庫存--一般重要、C類庫存--不太重要ABC重點(diǎn)控制法存貨成本=訂貨成本+儲(chǔ)存成本+預(yù)期缺貨成本不確定條件下的存貨管理5.1.2存貨管理的智能化實(shí)現(xiàn)思路智能存貨管理框架5.1.2存貨管理的智能化實(shí)現(xiàn)思路智能存貨管理的操作流程02存貨需求量預(yù)測5.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)5.2.2時(shí)間序列預(yù)測方法5.2.3基于ARIMA的存貨需求量預(yù)測5.2.4基于LSTM的存貨需求量預(yù)測5.2.5不同時(shí)間序列模型的效果比較5.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)案例內(nèi)容：問題原因解決方案①領(lǐng)多了，浪費(fèi)，占用資金；領(lǐng)少了，影響日常運(yùn)營②耗材沒有分類管理③耗材預(yù)測不準(zhǔn)①建立一個(gè)智能存貨管理系統(tǒng)，科學(xué)預(yù)測消耗量②耗材分類管理，如按照價(jià)值、數(shù)量、功能等劃分③考慮余量，安全庫存①耗材領(lǐng)用沒有科學(xué)的數(shù)據(jù)支撐②存貨沒有嚴(yán)格的管理制度③預(yù)測方法落后5.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)5.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)為了簡化數(shù)據(jù)處理過程，本次任務(wù)僅使用25種存貨的相關(guān)數(shù)據(jù)進(jìn)行需求預(yù)測，下表展示了所選物料的九宮格分布：數(shù)智時(shí)代預(yù)測方法分析歷史數(shù)據(jù)，基于機(jī)器學(xué)習(xí)構(gòu)建模型，從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，捕捉包含趨勢變化情況沒有考慮趨勢變化等情況，如季節(jié)、環(huán)境等波動(dòng)因素傳統(tǒng)預(yù)測方法移動(dòng)平均法指數(shù)平滑法（加權(quán)移動(dòng)平均法）ARIMA時(shí)間序列分析法（自回歸差分移動(dòng)平均模型）LSTM（(LongShort-termMemoryNetworks)

）5.2.2時(shí)間序列預(yù)測方法傳統(tǒng)預(yù)測方法與數(shù)智時(shí)代預(yù)測方法對(duì)比：LSTM(LongShort-termMemoryNetworks)模型LSTM通過引入門控機(jī)制(包括輸入門、遺忘門和輸出門)來控制信息的流動(dòng)，從而能夠有效地捕捉長期依賴關(guān)系，核心結(jié)構(gòu)包括一個(gè)記憶單元（cellstate），它能夠存儲(chǔ)信息并傳遞到下一個(gè)時(shí)間步。5.2.2時(shí)間序列預(yù)測方法LSTM模型5.2.2時(shí)間序列預(yù)測方法在機(jī)器學(xué)習(xí)中，常使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)來處理序列數(shù)據(jù)，然而傳統(tǒng)的RNN在處理時(shí)間序列上距離較遠(yuǎn)的節(jié)點(diǎn)時(shí)會(huì)遇到巨大的困難，難以處理長期依賴關(guān)系，常常會(huì)出現(xiàn)梯度消失或梯度膨脹等問題。針對(duì)這一問題，學(xué)者們提出了眾多解決辦法，其中成效最好、應(yīng)用最廣泛的便是LSTM。LSTM引入了輸入門、遺忘門和輸出門，使得自循環(huán)的權(quán)重可以在不同時(shí)刻動(dòng)態(tài)變化，并且允許網(wǎng)絡(luò)忘記當(dāng)前已經(jīng)累積的信息，從而避免梯度消失或梯度膨脹的問題。5.2.2時(shí)間序列預(yù)測方法

5.2.2時(shí)間序列預(yù)測方法

5.2.3基于ARIMA的存貨需求量預(yù)測ARIMA時(shí)間序列模型預(yù)測存貨需求量的技術(shù)流程圖5.2.3基于ARIMA的存貨需求量預(yù)測數(shù)據(jù)導(dǎo)入與處理（1）數(shù)據(jù)導(dǎo)入通過A集團(tuán)數(shù)據(jù)中臺(tái)獲取的存貨需求量存在兩個(gè)問題：一是數(shù)據(jù)中包含部分缺失值；二是不同存貨的需求量的量綱不統(tǒng)一。（2）缺失值填充A集團(tuán)交流發(fā)現(xiàn)，缺失值是由于當(dāng)日未發(fā)生物料領(lǐng)用而導(dǎo)致的，因此用0來填充缺失值。（3）數(shù)據(jù)歸一化處理在本任務(wù)中，標(biāo)準(zhǔn)化處理會(huì)使存貨日消耗量出現(xiàn)負(fù)數(shù)，故而最終采取歸一化的處理方式。值得注意的是，在模型預(yù)測和評(píng)估階段，還需要通過反歸一化處理將結(jié)果轉(zhuǎn)換回正常的數(shù)據(jù)范圍，以便進(jìn)行后續(xù)的結(jié)果分析和解釋。5.2.3基于ARIMA的存貨需求量預(yù)測ARIMA建模過程接下來，我們以“醫(yī)用棉簽”為例來展示存貨需求量的預(yù)測流程。（1）劃分訓(xùn)練集與測試集本任務(wù)采用7:3的比例進(jìn)行數(shù)據(jù)集劃分，選取70%的數(shù)據(jù)為訓(xùn)練集，30%的數(shù)據(jù)為測試集。經(jīng)過數(shù)據(jù)集劃分之后，原先的時(shí)間序列數(shù)據(jù)形成了多個(gè)樣本，每個(gè)樣本都以t–p到t–1日的存貨需求數(shù)據(jù)作為輸入變量（p代表使用過去多少期的觀測值來預(yù)測），并以t日的存貨需求量作為目標(biāo)值。5.2.3基于ARIMA的存貨需求量預(yù)測（2）模型訓(xùn)練在構(gòu)建ARIMA模型時(shí)，需要給模型確定適當(dāng)?shù)碾A數(shù)(p,d,q)，以保證模型對(duì)時(shí)間序列擬合的準(zhǔn)確性。階數(shù)p表示自回歸模型（AR）中包含的過去觀測值的個(gè)數(shù)；階數(shù)越大說明模型對(duì)過去信息的利用越充分，但也容易導(dǎo)致過擬合，即模型對(duì)訓(xùn)練數(shù)據(jù)擬合得很好但對(duì)新數(shù)據(jù)的預(yù)測能力較差。階數(shù)d為差分階數(shù)，如果一個(gè)時(shí)間序列是非平穩(wěn)的，可以通過差分來消除其趨勢和季節(jié)性成分，使時(shí)間序列數(shù)據(jù)變得平穩(wěn)。階數(shù)q表示移動(dòng)平均模型（MA）中包含的過去隨機(jī)誤差項(xiàng)的個(gè)數(shù)；階數(shù)越大說明模型對(duì)隨機(jī)誤差的平滑效果越好，但也會(huì)增加模型的復(fù)雜性和計(jì)算量。5.2.3基于ARIMA的存貨需求量預(yù)測另外，時(shí)間序列預(yù)測有“初始考慮趨勢”和“初始不考慮趨勢”兩種假設(shè)。前者假設(shè)時(shí)間序列數(shù)據(jù)存在某種趨勢，例如線性增長、下降或其他復(fù)雜的趨勢模式，可能由市場變化、技術(shù)進(jìn)步、經(jīng)濟(jì)發(fā)展等因素引起。后者假設(shè)時(shí)間序列數(shù)據(jù)沒有明顯的長期增長或下降趨勢，波動(dòng)主要是由隨機(jī)因素和短期因素引起。在機(jī)器學(xué)習(xí)平臺(tái)中，n代表初始不考慮趨勢，c代表初始考慮趨勢。由于醫(yī)用棉簽的日需求量較為平穩(wěn)，可以選擇初始不考慮趨勢。5.2.3基于ARIMA的存貨需求量預(yù)測建模結(jié)果如下圖所示，最優(yōu)參數(shù)選擇函數(shù)對(duì)醫(yī)用棉簽數(shù)據(jù)自動(dòng)選擇了(1,0,1)的階數(shù)組合；代表使用前一期的觀測值來預(yù)測當(dāng)期的存貨需求量，不進(jìn)行差分處理，同時(shí)考慮前一期的誤差。當(dāng)然，若換成其他醫(yī)療物料數(shù)據(jù)，就可能因數(shù)據(jù)特征的變化而得到不同的最優(yōu)階數(shù)組合。5.2.3基于ARIMA的存貨需求量預(yù)測ARIMA模型預(yù)測及結(jié)果評(píng)估（1）樣本預(yù)測采用構(gòu)建好的ARIMA模型對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行模型擬合，便可對(duì)訓(xùn)練集生成每一天的醫(yī)用棉簽需求量的擬合值，并對(duì)測試集生成每一天的醫(yī)用棉簽需求量的預(yù)測值。5.2.3基于ARIMA的存貨需求量預(yù)測（2）模型評(píng)估如圖所示，上述ARIMA模型的各項(xiàng)誤差都很大，而R2與調(diào)整R2的值都很小，這表明模型的擬合效果較差，預(yù)測值與實(shí)際值之間存在較大偏差。鑒于模型的預(yù)測效果較差，財(cái)務(wù)分析人員應(yīng)當(dāng)考慮換用其他功能更強(qiáng)大的機(jī)器學(xué)習(xí)模型來提升預(yù)測效果。5.2.3基于ARIMA的存貨需求量預(yù)測（3）模型預(yù)測效果可視化如圖所示，模型對(duì)測試集中醫(yī)用棉簽的日消耗量的預(yù)測值與真實(shí)值之間存在較大差異，說明ARIMA模型沒有很好地捕捉到醫(yī)用棉簽消耗量的時(shí)間序列規(guī)律。因此，我們換用LSTM模型重新進(jìn)行預(yù)測。5.2.4基于LSTM的存貨需求量預(yù)測相較于ARIMA模型，LSTM模型更擅長處理數(shù)據(jù)之間的長期依賴性以及學(xué)習(xí)數(shù)據(jù)之間的非線性關(guān)系，且LSTM模型具有適應(yīng)多變量輸入的顯著優(yōu)勢，通常能夠更好地捕捉數(shù)據(jù)中的復(fù)雜模式和關(guān)系，因而能提供更準(zhǔn)確的預(yù)測結(jié)果。下圖展示了LSTM預(yù)測的技術(shù)流程。LSTM建模過程（1）劃分訓(xùn)練集與測試集以“日期”作為目標(biāo)，以“醫(yī)用棉簽”作為特征變量，將70%的數(shù)據(jù)劃分為訓(xùn)練集，30%的數(shù)據(jù)劃分為測試集。（2）生成時(shí)間序列滯后數(shù)據(jù)構(gòu)建LSTM模型之前，需要生成時(shí)間序列的滯后數(shù)據(jù)，以供LSTM模型后續(xù)訓(xùn)練使用。生成滯后數(shù)據(jù)是指將時(shí)間序列數(shù)據(jù)中的當(dāng)前觀測值延遲（滯后）若干個(gè)時(shí)間步，作為特征輸入到模型中。滯后數(shù)據(jù)的引入可以有效捕捉時(shí)間序列數(shù)據(jù)的時(shí)序關(guān)系和趨勢，根據(jù)過去若干期的數(shù)據(jù)來預(yù)測未來一期的數(shù)據(jù)。本任務(wù)中，我們將時(shí)間步數(shù)設(shè)置為3，即通過前三天（t-3、t-2和t-1日）的存貨日消耗量數(shù)據(jù)，預(yù)測當(dāng)天（t日）的存貨日消耗量數(shù)據(jù)。5.2.4基于LSTM的存貨需求量預(yù)測5.2.3基于ARIMA的存貨需求量預(yù)測結(jié)合下圖對(duì)LSTM模型的時(shí)間序列滯后機(jī)制進(jìn)行直觀說明。若設(shè)定滯后3期，則每三個(gè)連續(xù)的觀測值構(gòu)成一組特征值（自變量X），而緊隨其后的下一個(gè)觀測值作為目標(biāo)值（因變量y）。通過這種方式，我們?nèi)藶榈貏?chuàng)建了一個(gè)具有滾動(dòng)窗口性質(zhì)的時(shí)間序列數(shù)據(jù)集，不僅能夠確保LSTM模型在訓(xùn)練過程中賦予近期數(shù)據(jù)更高的權(quán)重，從而增強(qiáng)短期記憶和應(yīng)用能力；還能適度關(guān)注長期數(shù)據(jù)，保持其在模型中存在必要的影響，但又通過遺忘機(jī)制適當(dāng)減少其影響。這種設(shè)計(jì)能夠有效地實(shí)現(xiàn)LSTM模型的滯后機(jī)制和學(xué)習(xí)模式，提高模型對(duì)時(shí)間序列數(shù)據(jù)的預(yù)測和分析能力。5.2.3基于ARIMA的存貨需求量預(yù)測5.2.3基于ARIMA的存貨需求量預(yù)測LSTM模型預(yù)測及結(jié)果評(píng)估（1）樣本內(nèi)預(yù)測利用構(gòu)建好的LSTM模型進(jìn)行模型預(yù)測，便可對(duì)訓(xùn)練集生成每一天的醫(yī)用棉簽需求量的擬合值，并對(duì)測試集生成每一天的醫(yī)用棉簽需求量的預(yù)測值。5.2.3基于ARIMA的存貨需求量預(yù)測（2）模型評(píng)估對(duì)于LSTM模型，我們?nèi)钥梢圆捎镁秸`差（MSE）、均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、決定系數(shù)（R2）等指標(biāo)來評(píng)估其預(yù)測有效性。根據(jù)下圖顯示的結(jié)果，相較于ARIMA模型，LSTM模型的三個(gè)誤差指標(biāo)（MSE、RMSE、MAPE）均明顯減小，而決定系數(shù)R2與調(diào)整后R2均明顯增大。說明LSTM模型在該任務(wù)中的擬合程度和預(yù)測能力較好，可以解釋存貨日需求量數(shù)據(jù)中的長期依賴關(guān)系。5.2.3基于ARIMA的存貨需求量預(yù)測5.2.4基于LSTM的存貨需求量預(yù)測（3）模型預(yù)測效果可視化如圖所示，顯然，模型對(duì)測試集醫(yī)用棉簽日消耗量的預(yù)測值與真實(shí)值的重疊度較高，說明LSTM模型較好地捕捉到了醫(yī)用棉簽日消耗量在時(shí)間序列上的長期變化規(guī)律。經(jīng)嘗試，LSTM模型在對(duì)其他存貨物料的需求量進(jìn)行預(yù)測時(shí)表現(xiàn)也較為理想。這表明，在醫(yī)療物料日消耗量預(yù)測任務(wù)中，LSTM模型是更恰當(dāng)?shù)姆治龉ぞ摺?.2.5不同時(shí)間序列模型效果比較為了更全面地展示不同時(shí)間序列模型的預(yù)測效果差異，我們進(jìn)一步預(yù)測了其他兩種存貨的日需求量。所預(yù)測的三種耗材包括醫(yī)用棉簽、一次性使用帶針輸液器

和植入式心臟起搏電極導(dǎo)線，其需求量級(jí)各不相同。醫(yī)用棉簽需求量在10000-20000個(gè)之間波動(dòng)，一次性使用帶針輸液器需求在1000-2000個(gè)之間波動(dòng)，植入式心臟起搏電極導(dǎo)線需求量在25-50個(gè)之間波動(dòng)。這便于我們比較各類時(shí)間序列模型在預(yù)測不同量級(jí)的存貨需求量時(shí)的效果。參與比較的預(yù)測模型包括四種：移動(dòng)平均法預(yù)測、指數(shù)平滑法預(yù)測、ARIMA模型以及LSTM模型。5.2.5不同時(shí)間序列模型效果比較（1）移動(dòng)平均法右圖展示了移動(dòng)平均法對(duì)三種耗材需求量的預(yù)測結(jié)果。其中，黑色線條代表存貨需求量的實(shí)際數(shù)據(jù)，藍(lán)色線條代表模型對(duì)存貨需求量的擬合值，綠色線條是模型對(duì)未來存貨需求的預(yù)測值。由圖可知，移動(dòng)平均法對(duì)已知數(shù)據(jù)有很好的擬合效果，但對(duì)于未知數(shù)據(jù)的預(yù)測能力卻很弱，僅能預(yù)測短期1-3日內(nèi)的需求量，之后便很快趨于一條直線，不適用于具有季節(jié)性、周期性特征的存貨需求的長期預(yù)測。5.2.5不同時(shí)間序列模型效果比較（2）指數(shù)平滑法右圖展示了指數(shù)平滑法對(duì)三種物料需求量的預(yù)測結(jié)果。與移動(dòng)平均法的預(yù)測效果類似，指數(shù)平滑法同樣只能對(duì)較短期內(nèi)的數(shù)據(jù)進(jìn)行平滑處理并預(yù)測最近幾天的趨勢，無法進(jìn)行較長窗口期內(nèi)的需求預(yù)測。5.2.5不同時(shí)間序列模型效果比較（3）ARIMA模型右圖展示了ARIMA時(shí)間序列分析對(duì)三種物料需求量的預(yù)測結(jié)果。盡管ARIMA的預(yù)測效果通常要好于前兩種傳統(tǒng)時(shí)間序列模型，但本圖顯示ARIMA模型在對(duì)測試集數(shù)據(jù)進(jìn)行預(yù)測時(shí)就已經(jīng)表現(xiàn)不佳，說明其存在過擬合問題，泛化能力較差，對(duì)于未來需求量的預(yù)測能力不如LSTM算法。5.2.5不同時(shí)間序列模型效果比較（5）LSTM模型右圖顯示了LSTM模型對(duì)三種物料的需求量的預(yù)測結(jié)果。其中，黑色線條代表存貨需求量的實(shí)際數(shù)據(jù)，藍(lán)色和紅色線條分別代表模型對(duì)訓(xùn)練集和測試集的預(yù)測值，綠色線條代表對(duì)未來存貨需求量的預(yù)測值?？梢钥闯觯瑴y試集中醫(yī)用棉簽與一次性使用帶針輸液器的預(yù)測值和實(shí)際需求量都非常接近；植入式心臟起搏器電極導(dǎo)線的預(yù)測值對(duì)實(shí)際需求量的擬合度稍差，但波動(dòng)性基本一致。這表明，相比傳統(tǒng)時(shí)間序列預(yù)測方法，LSTM模型可以較好地學(xué)習(xí)醫(yī)療存貨需求量的波動(dòng)趨勢。5.2.5不同時(shí)間序列模型效果比較下表進(jìn)一步比較了LSTM模型和ARIMA模型的預(yù)測效果指標(biāo)。LSTM模型對(duì)每種存貨的需求量預(yù)測結(jié)果的均方根誤差和平均絕對(duì)誤差均小于ARIMA模型，進(jìn)一步說明LSTM模型預(yù)測更加準(zhǔn)確。LSTM算法對(duì)醫(yī)用棉簽和一次性使用帶針輸液器的預(yù)測結(jié)果的R2均大于0.5，而ARIMA模型的R2普遍較低，甚至呈現(xiàn)負(fù)值，也說明ARIMA模型不適合被應(yīng)用于醫(yī)療存貨的需求量預(yù)測。03智能存貨采購決策5.3.1計(jì)算安全庫存5.3.2計(jì)算再訂貨點(diǎn)5.3.3計(jì)算經(jīng)濟(jì)訂貨量5.3.1計(jì)算安全庫存存貨每天的需求量通常是隨機(jī)變化的，在預(yù)測出存貨日需求量的情況下，計(jì)算特定時(shí)間段內(nèi)存貨日需求量的均值（μd）和標(biāo)準(zhǔn)差（σd）。01存貨需求量（d）提前期指的是從下訂單到收到貨物所需的時(shí)間，可能是固定的，也可能因?yàn)榘l(fā)貨和運(yùn)輸中的突發(fā)狀況而存在不確定性；在不確定性情況下的均值（μL）和標(biāo)準(zhǔn)差（σL）也很容易根據(jù)歷史信息估算出。02訂貨提前期（L）安全系數(shù)又叫服務(wù)水平系數(shù)，是假設(shè)顧客需求情況呈正態(tài)分布時(shí)企業(yè)希望的對(duì)顧客需求的滿足率（即有貨率）所對(duì)應(yīng)的z值水平。企業(yè)可以根據(jù)自己的顧客需求滿足率目標(biāo)來設(shè)置可接受的安全系數(shù)大小。03安全系數(shù)（z）5.3.1計(jì)算安全庫存

5.3.1計(jì)算安全庫存就A醫(yī)療集團(tuán)的情況而言，該企業(yè)針對(duì)重要性程度不同的存貨設(shè)置了不同的安全系數(shù)。如下表所示，身處九宮格不同位置的存貨有差異化的安全系數(shù)。右下角“金額低、數(shù)量高”的存貨類別安全系數(shù)最高，達(dá)到1.812，左上角“金額高、數(shù)量低”的安全系數(shù)為0。以此來引導(dǎo)企業(yè)更有效地分配資源和注意力、降低存貨管理的整體成本。與此同時(shí)，A醫(yī)療集團(tuán)的歷史供貨資料顯示，“金額低、數(shù)量高”的存貨類別的訂貨提前期基本穩(wěn)定，可以視為常數(shù)。5.3.1計(jì)算安全庫存5.3.1計(jì)算安全庫存

5.3.1計(jì)算安全庫存為了保證生產(chǎn)經(jīng)營活動(dòng)的順利進(jìn)行，企業(yè)必須提前若干天數(shù)購入存貨，提前的天數(shù)就是訂貨提前期。再訂貨點(diǎn)（R）指的是在提前訂貨的情況下，企業(yè)再次發(fā)出采購訂單時(shí)尚有的存貨庫存量。再訂貨點(diǎn)由兩部分構(gòu)成：一是訂貨提前期內(nèi)的存貨需求量，在已經(jīng)實(shí)現(xiàn)對(duì)存貨日需求量的預(yù)測的情況下很容易加總得到；如果需求相對(duì)穩(wěn)定的話，也可以直接用過去一段時(shí)間的平均日需求量乘以提前期天數(shù)來計(jì)算。二是為了應(yīng)對(duì)存貨需求量的不確定性而保留的安全庫存量。再訂貨點(diǎn)的表達(dá)式為:R=μL×μd+S5.3.2計(jì)算再訂貨點(diǎn)仍以A醫(yī)療集團(tuán)的醫(yī)用棉簽為例，其訂貨提前期為常數(shù)16天，系統(tǒng)每天根據(jù)存貨日需求量的預(yù)測結(jié)果滾動(dòng)計(jì)算未來16天內(nèi)的存貨需求，與安全庫存量加總后即可得出再訂貨點(diǎn)。庫存量達(dá)到再訂貨點(diǎn)是企業(yè)應(yīng)該發(fā)出采購訂單的信號(hào)。一旦庫存達(dá)到或低于再訂貨點(diǎn)，管理人員將會(huì)收到存貨管理系統(tǒng)的預(yù)警。5.3.2計(jì)算再訂貨點(diǎn)它的最優(yōu)解應(yīng)當(dāng)是經(jīng)濟(jì)訂貨量（Q），即每次訂貨的綜合成本最低的訂貨量。計(jì)算經(jīng)濟(jì)訂貨量需要預(yù)測每年的存貨需求量（D），并獲取單次訂貨成本F和平均到每單位存貨上的持有成本（C），包括資金成本、倉儲(chǔ)成本和呆滯成本等。在此基礎(chǔ)上，經(jīng)濟(jì)訂貨量的計(jì)算模型為：Q=√(2????/??)存貨相關(guān)成本可以使用經(jīng)驗(yàn)數(shù)據(jù)，因此，計(jì)算經(jīng)濟(jì)訂貨量的核心就變成了預(yù)測存貨的年需求量。只需要將5.2部分的存貨日需求量數(shù)據(jù)替換為年需求量數(shù)據(jù)，就可以采用類似的時(shí)間序列預(yù)測方法來完成，進(jìn)而得到經(jīng)濟(jì)訂貨量。5.3.3計(jì)算經(jīng)濟(jì)訂貨點(diǎn)練習(xí)1利用附件中的“醫(yī)療存貨消耗數(shù)據(jù).xlsx”文件，采用LSTM算法對(duì)“一次性使用無菌注射器帶針”這一物料的需求量進(jìn)行預(yù)測，并對(duì)預(yù)測結(jié)果進(jìn)行可視化呈現(xiàn)。練習(xí)2利用附件中的“醫(yī)療存貨消耗數(shù)據(jù).xlsx”文件，采用ARIMA模型對(duì)醫(yī)用物料“負(fù)壓引流器”的需求量進(jìn)行預(yù)測，并對(duì)預(yù)測結(jié)果進(jìn)行可視化呈現(xiàn)。課后習(xí)題感謝觀看xx老師第6章

智能供應(yīng)鏈管理XX老師本章內(nèi)容

6.1傳統(tǒng)和智能化供應(yīng)鏈管理的比較6.2智能供應(yīng)商推薦6.3智能客戶風(fēng)險(xiǎn)評(píng)價(jià)機(jī)器學(xué)習(xí)平臺(tái)網(wǎng)址

01傳統(tǒng)和智能化供應(yīng)鏈管理的比較6.1.1傳統(tǒng)供應(yīng)鏈管理的不足6.1.2智能化供應(yīng)鏈管理的優(yōu)勢6.1.1傳統(tǒng)供應(yīng)鏈管理的不足供應(yīng)鏈管理是指對(duì)供應(yīng)鏈涉及的全部活動(dòng)進(jìn)行計(jì)劃、組織與管理，以確保產(chǎn)品或服務(wù)能夠以最低的成本、最高的效率和最佳的質(zhì)量，從原材料供應(yīng)商流向最終客戶。供應(yīng)鏈管理的定義與傳統(tǒng)供應(yīng)鏈管理的不足信息孤島問題嚴(yán)重。企業(yè)內(nèi)部不同部門之間以及不同企業(yè)之間都缺乏有效的信息共享機(jī)制，降低企業(yè)的決策效率，阻礙了整個(gè)供應(yīng)鏈的高效運(yùn)作。對(duì)動(dòng)態(tài)環(huán)境適應(yīng)性差。傳統(tǒng)的供應(yīng)鏈管理方法大多基于靜態(tài)或相對(duì)穩(wěn)定的假設(shè)，難以對(duì)快速變化的市場需求和突發(fā)事件做出準(zhǔn)確、及時(shí)的反應(yīng)。成本與效率難以兼顧。技術(shù)手段有限，依靠人工，導(dǎo)致企業(yè)不得不在控制供應(yīng)鏈管理成本和提高供應(yīng)鏈管理效率之間尋找最佳平衡點(diǎn)，最終的決策結(jié)果可能是在成本約束下的一種妥協(xié)。010203傳統(tǒng)供應(yīng)鏈管理的不足協(xié)同度與透明度提升數(shù)據(jù)驅(qū)動(dòng)決策通過大數(shù)據(jù)技術(shù)實(shí)時(shí)收集并分析供應(yīng)鏈上各環(huán)節(jié)的數(shù)據(jù)，從而為企業(yè)提供更為準(zhǔn)確、及時(shí)的決策支持。實(shí)現(xiàn)了各環(huán)節(jié)之間的緊密連接，信息的實(shí)時(shí)共享不僅提升了供應(yīng)鏈的透明度，還加強(qiáng)了各環(huán)節(jié)之間的協(xié)同合作。智能化管理降低成本實(shí)現(xiàn)諸多操作的智能化和自動(dòng)化，不僅能夠降低人力成本，還大幅提升了運(yùn)營效率和準(zhǔn)確性?？蛻粜枨蟮捻憫?yīng)更及時(shí)風(fēng)險(xiǎn)管理能力提升通過大數(shù)據(jù)分析，幫助企業(yè)及時(shí)發(fā)現(xiàn)并預(yù)警各種潛在風(fēng)險(xiǎn)。借助實(shí)時(shí)的大數(shù)據(jù)分析技術(shù)，更準(zhǔn)確地把握市場動(dòng)態(tài)和客戶需求，從而及時(shí)調(diào)整生產(chǎn)和供應(yīng)鏈策略，更好地滿足客戶需求。6.1.2智能化供應(yīng)鏈管理的優(yōu)勢02智能供應(yīng)商推薦6.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)6.2.2基于隨機(jī)森林的供應(yīng)商推薦（1）供應(yīng)商在歷史交易中的中標(biāo)次數(shù)，作為判斷該供應(yīng)商是否具有合作價(jià)值的依據(jù)；（2）供應(yīng)商基本信息，包括供應(yīng)商名稱和編碼；（3）供應(yīng)商財(cái)務(wù)指標(biāo)，包括注冊(cè)資金、資產(chǎn)規(guī)模、固定資產(chǎn)、營業(yè)額、年利潤等；（4）供應(yīng)商非財(cái)務(wù)信息，包括企業(yè)性質(zhì)、員工數(shù)量、研發(fā)能力、制造工藝、質(zhì)量保證能力等。其中，后兩類變量共有23個(gè)，是此次任務(wù)的預(yù)測因子。（1）對(duì)供應(yīng)商數(shù)據(jù)進(jìn)行導(dǎo)入和清洗；（2）計(jì)算供應(yīng)商中標(biāo)次數(shù)的累積頻率，將累積頻率超過80%的供應(yīng)商視為貢獻(xiàn)最大的20%，即值得推薦的供應(yīng)商，在此基礎(chǔ)上，生成名為“是否推薦”的虛擬變量，作為預(yù)測目標(biāo)；（3）將供應(yīng)商數(shù)據(jù)按固定比例隨機(jī)劃分為訓(xùn)練集和測試集，選擇合適的分類算法進(jìn)行模型訓(xùn)練、預(yù)測和評(píng)估，輸出推薦的供應(yīng)商名單；（4）對(duì)模型特征的重要性進(jìn)行分析，展示在推薦供應(yīng)商時(shí)重點(diǎn)考慮的指標(biāo)及其權(quán)重。數(shù)據(jù)表中的列變量分類任務(wù)要求6.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)本次任務(wù)旨在為某制造業(yè)企業(yè)建立智能化的供應(yīng)商推薦模型6.2.2基于隨機(jī)森林的供應(yīng)商推薦供應(yīng)商推薦的技術(shù)流程供應(yīng)商推薦的技術(shù)流程圖供應(yīng)商推薦屬于分類任務(wù)，可以采用Logistic回歸、決策樹、隨機(jī)森林、XGBoost、深度神經(jīng)網(wǎng)絡(luò)等常見的分類算法來完成。結(jié)合本次任務(wù)的數(shù)據(jù)特征，我們選擇以隨機(jī)森林模型為例來展示預(yù)測過程。6.2.2基于隨機(jī)森林的供應(yīng)商推薦步驟一：數(shù)據(jù)導(dǎo)入與處理0102數(shù)據(jù)導(dǎo)入導(dǎo)入名為“供應(yīng)商基礎(chǔ)信息數(shù)據(jù).xlsx”的原始數(shù)據(jù)文件。030405刪除缺失觀測直接刪除缺失變量較多的供應(yīng)商。生成目標(biāo)變量根據(jù)供應(yīng)商的“中標(biāo)次數(shù)”生成“是否推薦”變量，“是否推薦”取值為1表示中標(biāo)次數(shù)大于或等于20，應(yīng)推薦該供應(yīng)商。生成虛擬變量選用類別法對(duì)“企業(yè)性質(zhì)”生成虛擬變量，可得到8個(gè)啞變量，均以“企業(yè)性質(zhì)_”為前綴來命名。數(shù)據(jù)標(biāo)準(zhǔn)化處理調(diào)整特征變量值的大小，使其符合均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布。6.2.2基于隨機(jī)森林的供應(yīng)商推薦虛擬變量生成結(jié)果在訓(xùn)練集和測試集的劃分中，我們將90%的數(shù)據(jù)作為訓(xùn)練集，10%的數(shù)據(jù)作為測試集。劃分方法采用隨機(jī)劃分，并記錄下使用的隨機(jī)數(shù)種子，以備在每次操作時(shí)都能得到相同的隨機(jī)數(shù)序列。數(shù)據(jù)集劃分得到的訓(xùn)練集包含141條觀測，測試集包含16條觀測。劃分訓(xùn)練集和測試集模型訓(xùn)練步驟二：隨機(jī)森林建模過程6.2.2基于隨機(jī)森林的供應(yīng)商推薦本次任務(wù)的預(yù)測目標(biāo)為“是否推薦”，預(yù)測因子為經(jīng)過處理之后的供應(yīng)商特征變量。使用隨機(jī)森林分類模型時(shí)需要指定一些重要參數(shù)的取值。我們指定參數(shù)n_estimators的值為100，即構(gòu)建100個(gè)基學(xué)習(xí)器（決策樹）；其他參數(shù)均采用默認(rèn)值。我們利用構(gòu)建好的隨機(jī)森林模型對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行擬合。樣本內(nèi)預(yù)測。用測試集運(yùn)行，結(jié)果顯示目標(biāo)變量的真實(shí)值、預(yù)測值以及每個(gè)供應(yīng)商被推薦的概率值。模型評(píng)估得到分類模型的混淆矩陣。全局特征重要性分析展示各項(xiàng)特征變量對(duì)預(yù)測目標(biāo)的取值結(jié)果的影響程度，明確評(píng)價(jià)標(biāo)準(zhǔn)。隨機(jī)森林模型預(yù)測及效果評(píng)估6.2.2基于隨機(jī)森林的供應(yīng)商推薦步驟三：隨機(jī)森林模型預(yù)測及效果評(píng)估模型共分類正確15個(gè)測試集樣本，把11個(gè)真實(shí)值為“不推薦”的樣本預(yù)測為了“不推薦”，同時(shí)將4個(gè)真實(shí)值為“推薦”的樣本預(yù)測為了“推薦”。右上角的“1”說明模型將一個(gè)真實(shí)值為“不推薦”的樣本錯(cuò)誤地預(yù)測為了“推薦”。左下角的“0”說明模型沒有遺漏需要推薦的樣本。隨機(jī)森林模型混淆矩陣6.2.2基于隨機(jī)森林的供應(yīng)商推薦隨機(jī)森林模型分析圖示：模型評(píng)估與全局特征重要性分析隨機(jī)森林模型評(píng)估結(jié)果全局特征重要性分析結(jié)果分類模型的性能評(píng)估通常采用準(zhǔn)確率、精確率、召回率、F1-score和AUC值等，各指標(biāo)的取值越大，說明模型的擬合程度和預(yù)測效果越好。如圖，模型的各項(xiàng)指標(biāo)取值都很大，綜合性指標(biāo)AUC達(dá)到0.9583，這表明模型的擬合效果很好，預(yù)測值與實(shí)際值之間存在較小偏差，模型的解釋能力較強(qiáng)。對(duì)供應(yīng)商推薦模型的分類結(jié)果貢獻(xiàn)最大的特征變量是供應(yīng)商的專利數(shù)，其次是供應(yīng)商有無資質(zhì)證明，說明客戶企業(yè)十分看重供應(yīng)商的創(chuàng)新能力和質(zhì)量保障能力。03智能客戶風(fēng)險(xiǎn)評(píng)價(jià)6.3.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)6.3.2基于隨機(jī)森林的客戶風(fēng)險(xiǎn)評(píng)價(jià)6.3.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)預(yù)測目標(biāo)名單屬性、是否黑名單客戶（是為1）預(yù)測因子客戶編號(hào)、注冊(cè)資本、實(shí)繳資本、出資未到位比例、所屬行業(yè)二級(jí)代碼、對(duì)外投資企業(yè)異常數(shù)量占比、凈資產(chǎn)收益率(%)、銷售利潤率(%)、總資產(chǎn)報(bào)酬率(%)、盈余現(xiàn)金保障倍數(shù)、總資產(chǎn)周轉(zhuǎn)率(次)、存貨周轉(zhuǎn)率(次)、應(yīng)收賬款周轉(zhuǎn)率(次)、流動(dòng)資產(chǎn)周轉(zhuǎn)率(次)、兩金占流動(dòng)資產(chǎn)比重(%)、資產(chǎn)負(fù)債率(%)、速動(dòng)比率(%)、現(xiàn)金流動(dòng)負(fù)債比率(%)、帶息負(fù)債比率(%)、已獲利息倍數(shù)、研發(fā)經(jīng)費(fèi)投入強(qiáng)度(%)、營業(yè)現(xiàn)金比率(%)、是否經(jīng)營異常（是為1）、是否失信被執(zhí)行（是為1）、是否行政處罰（是為1）、是否環(huán)保處罰（是為1）、是否欠稅（是為1）、欠稅余額占實(shí)繳資本比重、是否為納稅非正常戶（是為1）、負(fù)面涉案占實(shí)繳資本比重、是否與本單位發(fā)生訴訟（是為1）、是否為建筑企業(yè)黑名單（是為1）、本年應(yīng)收賬款周轉(zhuǎn)率(次)、本年應(yīng)收賬款收回率(%)、上年末應(yīng)收賬款周轉(zhuǎn)率(次)、上年末應(yīng)收賬款收回率(%)、應(yīng)收賬款平均賬齡變量列表本次任務(wù)以某集團(tuán)公司為例，利用該公司掌握的客戶信息，通過構(gòu)建機(jī)器學(xué)習(xí)模型對(duì)客戶風(fēng)險(xiǎn)進(jìn)行智能評(píng)價(jià)。所使用數(shù)據(jù)表中的“是否黑名單客戶”是基于案例公司提供的黑白名單而生成的虛擬變量。任務(wù)要求：（1）對(duì)客戶風(fēng)險(xiǎn)評(píng)價(jià)數(shù)據(jù)進(jìn)行清洗和計(jì)算，生成所需的特征變量；（2）選擇合適的分類算法，建立客戶風(fēng)險(xiǎn)評(píng)價(jià)模型，輸出黑白名單客戶；我們以隨機(jī)森林算法為例來展示預(yù)測過程；（3）進(jìn)行全局特征重要性分析，展示評(píng)價(jià)客戶風(fēng)險(xiǎn)的關(guān)鍵指標(biāo)及其權(quán)重。6.3.2基于隨機(jī)森林的客戶風(fēng)險(xiǎn)評(píng)價(jià)客戶風(fēng)險(xiǎn)評(píng)價(jià)的技術(shù)流程圖客戶風(fēng)險(xiǎn)評(píng)價(jià)的技術(shù)流程6.3.2基于隨機(jī)森林的客戶風(fēng)險(xiǎn)評(píng)價(jià)步驟一：數(shù)據(jù)導(dǎo)入與處理0102數(shù)據(jù)導(dǎo)入導(dǎo)入名為“客戶風(fēng)險(xiǎn)評(píng)價(jià)數(shù)據(jù)”的數(shù)據(jù)文件，并查看描述性統(tǒng)計(jì)結(jié)果。030405缺失值填充對(duì)高缺失率的四個(gè)缺失值按照“企業(yè)所屬二級(jí)行業(yè)”的中位數(shù)進(jìn)行分組填充。。生成行業(yè)虛擬變量將“企業(yè)所屬二級(jí)行業(yè)”轉(zhuǎn)化為虛擬變量，虛擬變量的生成方法選擇“類別（屬于特定類別則取1，反之取0）”。刪除缺失觀測刪除變量有缺失值的觀測記錄，在機(jī)器學(xué)習(xí)平臺(tái)中，這一步可以通過設(shè)置一個(gè)極小的缺失比例閾值（例如1%）來實(shí)現(xiàn)。數(shù)據(jù)標(biāo)準(zhǔn)化處理調(diào)整特征變量值的大小，使其符合均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布。在訓(xùn)練集和測試集的劃分中，我們將80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集。劃分方法采用隨機(jī)劃分，并記錄下使用的隨機(jī)數(shù)種子，以備在每次操作時(shí)都能得到相同的隨機(jī)數(shù)序列。最終得到的訓(xùn)練集包含264條觀測，測試集包含66條觀測。劃分訓(xùn)練集和測試集模型訓(xùn)練步驟二：隨機(jī)森林建模過程6.3.2基于隨機(jī)森林的客戶風(fēng)險(xiǎn)評(píng)價(jià)本次任務(wù)的預(yù)測目標(biāo)為“是否黑名單客戶”，預(yù)測因子為經(jīng)過處理之后的客戶特征變量。隨機(jī)森林模型對(duì)異常值與噪音的容忍度較高，相比于決策樹模型有更好的分類性能。使用隨機(jī)森林分類模型時(shí)需要指定一些重要參數(shù)的取值.我們指定參數(shù)n_estimators的值為500，其他參數(shù)可采用默認(rèn)值。樣本內(nèi)預(yù)測。利用測試集運(yùn)行構(gòu)建好的隨機(jī)森林模型，得到目標(biāo)變量的真實(shí)值、預(yù)測值以及每個(gè)客戶被納入黑名單的概率值。模型評(píng)估得到分類模型的混淆矩陣，66條測試集觀測記錄中，真正例為18，真負(fù)例為40，假正例和假負(fù)例分別為2和6。模型準(zhǔn)確率為0.88，召回率為0.75，精確率為0.9，AUC為0.85全局特征重要性分析通過機(jī)器學(xué)習(xí)平臺(tái)來查看模型的特征重要性。失信被執(zhí)行、銷售利潤率低和總資產(chǎn)報(bào)酬率低的客戶最有可能成為黑名單客戶隨機(jī)森林模型預(yù)測及效果評(píng)估6.3.2基于隨機(jī)森林的客戶風(fēng)險(xiǎn)評(píng)價(jià)步驟三：隨機(jī)森林模型預(yù)測及效果評(píng)估隨機(jī)森林模型混淆矩陣全局特征重要性分析結(jié)果04暢銷品預(yù)測6.4.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)6.4.2基于LSTM的物料排產(chǎn)量預(yù)測6.4.3暢銷品分析6.4.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)本次任務(wù)以某生產(chǎn)型企業(yè)為例，基于其歷史經(jīng)營過程中積累的排產(chǎn)數(shù)據(jù)，從物料排產(chǎn)數(shù)據(jù)中洞察市場需求以及消費(fèi)者偏好的變化趨勢。本次任務(wù)所需的原始數(shù)據(jù)表名為“生產(chǎn)型企業(yè)排產(chǎn)數(shù)據(jù).xlsx”，其中包含信息屬于時(shí)間序列數(shù)據(jù)。任務(wù)要求：（1）對(duì)需要預(yù)測排產(chǎn)量的物料進(jìn)行數(shù)據(jù)清洗，包括缺失值處理、歸一化等。（2）采用LSTM模型，對(duì)物料的日排產(chǎn)量進(jìn)行時(shí)間序列預(yù)測。（3）將每種物料在未來一個(gè)月內(nèi)的日排產(chǎn)量求和，得到月排產(chǎn)總量。按月排產(chǎn)量降序排列所有物料，排名最靠前的定義為暢銷品。或者，基于預(yù)測的月排產(chǎn)量與過去一個(gè)月的歷史月排產(chǎn)量來計(jì)算排產(chǎn)量的環(huán)比增長率，將增長率最高的物料定義為暢銷品。6.4.2基于LSTM的物料排產(chǎn)量預(yù)測LSTM時(shí)間序列預(yù)測的技術(shù)流程圖LSTM時(shí)間序列預(yù)測的技術(shù)流程步驟一：數(shù)據(jù)導(dǎo)入與處理01導(dǎo)入名為“生產(chǎn)型企業(yè)排產(chǎn)數(shù)據(jù).xlsx”的原始數(shù)據(jù)文件。本任務(wù)主要使用到“物料編號(hào)”、“單據(jù)日期”、“排產(chǎn)量”等三個(gè)變量。數(shù)據(jù)導(dǎo)入02刪除上述三個(gè)變量缺失的觀測記錄。在機(jī)器學(xué)習(xí)平臺(tái)中，這一步可以通過設(shè)置一個(gè)極小的缺失比例閾值（例如1%）來實(shí)現(xiàn)。缺失觀測刪除03排產(chǎn)數(shù)據(jù)中可能存在同