O1. 需求预测与补货决策¶

案例来源: Cafe-Demand-Forecasting-Reorder-Simulator
决策类型: 库存补货时机与数量
方法论: 时间序列预测 + 安全库存 + 再订购点
预计阅读时间: 12 分钟

1. 决策背景¶

业务场景¶

某连锁咖啡店 (10 家店) 面临库存管理问题: - SKU 数量：200+ (咖啡豆/牛奶/糖浆/糕点) - 缺货率：15% (损失销售额) - 过期损耗：8% (鲜奶/糕点) - 订货决策：店长经验判断 (不准确)

核心问题¶

订货决策 = 店长经验 + 拍脑袋
          ↓
   缺货 + 过期并存

2. 决策框架¶

方法论¶

需求预测 → 安全库存计算 → 再订购点 → 订货量优化

关键公式¶

安全库存:

安全库存 = Z × σ_LT × √(Lead Time)
Z: 服务水平系数 (95% → 1.65)
σ_LT: 提前期需求标准差

再订购点:

ROP = 平均需求 × 提前期 + 安全库存

订货量 (EOQ):

EOQ = √(2DS / H)
D: 年需求量，S: 订货成本，H: 持有成本

3. 模型实现¶

预测模型对比¶

模型	MAPE	适用场景
移动平均	18%	稳定需求
指数平滑	15%	轻度趋势
Prophet	12%	季节性 + 节假日
LSTM	11%	复杂模式 (过拟合风险)

Python 实现¶

from prophet import Prophet
import pandas as pd

# 1. 需求预测
model = Prophet(
    yearly_seasonality=True,
    weekly_seasonality=True,
    holidays=holidays_df
)
model.fit(train_data)
forecast = model.predict(test_data)

# 2. 安全库存计算
service_level = 0.95
z_score = 1.65
lead_time = 3  # 天
safety_stock = z_score * demand_std * np.sqrt(lead_time)

# 3. 再订购点
rop = avg_daily_demand * lead_time + safety_stock

# 4. 订货建议
current_stock = 50
order_quantity = max(0, rop - current_stock + forecast_next_7d)

4. 决策结果¶

业务影响 (实施 3 个月后)¶

指标	实施前	实施后	改善
缺货率	15%	5%	-67%
过期损耗	8%	3%	-62%
库存周转	12 次/年	18 次/年	+50%
店长工时	10h/周	2h/周	-80%

财务价值¶

年度收益: - 减少缺货损失：¥1.2M - 减少过期损耗：¥0.8M - 释放现金流：¥0.5M - 总计: ¥2.5M

投入: - 系统开发：¥0.3M - 年度维护：¥0.1M - ROI: 6.25 倍

5. 关键洞察¶

需求模式识别¶

SKU 类型	需求特征	预测方法
咖啡豆	稳定 + 周季节性	Prophet
鲜奶	高波动 + 短保质期	指数平滑
节日特饮	脉冲式需求	节假日模型
糕点	日度波动大	移动平均

库存策略矩阵¶

	高价值	低价值
高波动	按日预测 + 安全库存	周订货 + 缓冲
低波动	精确预测 +JIT	月订货 + 经济批量

案例版本: v1.0 | 最后更新: 2026-06-03