上海/深圳培训计划

我在2020年1月初来国内,在上海、深圳两地第290到295次推出专题培训。

需求预测+需求管理:供应链的第一道防线,上海,1月3日(周五)| 深圳,1月10日(周五)

库存计划+库存控制:供应链的第二道防线,上海,1月4日(周六)| 深圳,1月11日(周六)

供应链与供应商管理:一个实践者的角度, 上海,1月5日(周日)| 深圳,1月12日(周日)

报名详情咨询,请联系我的助手党琪 :182 1756 2014(手机|微信)。

刘宝红

供应链管理专栏

按日,按周还是按月汇总需求历史?

| 暂无评论

在计算安全库存的时候,当需求相对平稳的时候,我们一般用过去一段时间的平均需求当做预测,计算这段需求历史的标准差,来量化需求的不确定性。这里有两个问题要考虑:其一,样本的数量,即用多少个数据点来计算;其二,数据汇总的颗粒度,比如按日,还是按周或按月汇总。

在计算安全库存的时候,当需求相对平稳的时候,我们一般用过去一段时间的平均需求当做预测,计算这段需求历史的标准差,来量化需求的不确定性。这里有两个问题要考虑:其一,样本的数量,即用多少个数据点来计算;其二,数据汇总的颗粒度,比如按日,还是按周或按月汇总。
对于数据点,数据点太少,会影响标准差在数理统计上的可靠性,从而影响安全库存的准确性;数据点太多,意味着取更长时间的需求历史,可能导致需求历史的代表性下降----这期间需求的模式可能发生大的变化,不再符合正态分布。对于正态分布,我们一般要求有30个以上的样本,其统计指标比如安全库存才更可靠。我们往往没有那么多的数据。不过少于13个样本(1个季度13周),我会非常担心----我会尽量用过去13到26周的需求历史,这样有13到26个数据点。
对于需求汇总的颗粒度,太小不好,因为可能放大了需求的变动性,导致安全库存多放,甚至可能让需求历史不再符合正态分布(因而没法用正态分布的公式计算安全库存);太大也不行,因为可能掩盖了需求的变动性,标准差会低估,导致安全库存设太少。让我们看个具体的例子。
这是某跨境电商的一个产品过去3个月的销量。我们先按照日来汇总销量,得到91个数据点;然后按照周来汇总销量,得到13个数据点;最后,我们按月汇总,得到3个数据点。如图1,按日汇总,需求的变动性看上去最大;按月汇总,需求就相对"平稳"多了。直观上,汇总方式直接"影响"需求的变动性。这里的"影响"打引号,是因为这是展示出不同的变动性,而实际上并没有改变需求的变动性。
1:不同的汇总方式,会"影响"需求的变动性
接着,我们根据按日和按周汇总的数据,计算各自的平均值、标准差,用标准差除以平均值,得到每组数据的离散系数(按月汇总的数据点太少,不能计算这样的参数)。如图2,很明显,当按日汇总的时候,离散度要比按周汇总的高----离散度越大,表明数据的变动性越大。
这很正常,因为时间颗粒度越大,期内的需求变动越可能互相抵消。打个比方,假定每周的需求是210个,分配到每日,一个极端是每天都是30个,另一个极端是其中一天是210个,其余6天都是零。两种情况,需求的变动性可大不一样,对安全库存的要求也是,但因为汇总到周,这样的变动性就被掩盖了。这也意味着,按照两种不同汇总情况,计算出来的安全库存可能不一样。
2:按日汇总"放大"了需求的波动性
更糟糕的是,如果按日汇总,需求历史不符合正态分布(我做了卡方检验[1],验证的结果是的确不符合)。既然不符合正态分布,前面讲到的正态分布公式就不适用。那该用什么别的公式来计算,也没看到合适的,除非是需求非常离散,符合泊松分布,我们可以用泊松分布的公式来计算[2]
学者们在研究安全库存时,总是假定需求符合正态分布;但我们在实践中,却有很多不符合正态分布的情况,我们这些从业人员没有很好的模型来对付,学者们则继续把头埋在沙子里,踩着那些不现实的假设,在象牙塔尖越钻越深,不管不顾地自娱自乐。
对案例企业来说,这是中心仓给前置仓(店铺)的补货,虽然店铺每天都在卖货,需求是每天都在发生,但中心仓给前置仓的补给呢,则是按照每周一次的频率。所以,这里的需求历史按周汇总,是一种更靠谱的做法。我做了卡方检验,13周的需求历史也符合正态分布,我们可以用上述安全库存的公式来计算,也就是说计算出补货周期内的需求变动性(标准差),乘以有货率系数。
在我的经验中,按日汇总,时间的颗粒度太小,数据往往不符合正态分布;按月汇总,时间的颗粒度太大,往往掩盖了太多的变动;按周汇总,一方面给我们相对多的数据点,另一方面也更可能符合正态分布。按周汇总,也符合供应链运营的特点:管理精细的企业,一般都是按周来汇总指标,管控过程的。
在实践中,我看到有些人为了增加数据点,就按日来分解数据,结果数据不符合正态分布----绝大多数人是没有足够的数理统计知识来验证,但他们还是用正态分布的公式来计算安全库存。我也看到很多人,特别是管理粗放的企业,按月归并数据,一方面导致数据点太少,缺乏数理统计的意义;另一方面也掩盖了太多的变动,导致在计算标准差时低估了需求的变动性,因而设置的安全库存太低。两种情况,都要避免。


[1]对于什么是卡方检验,您可以百度一下。当然,不要期望能读懂那些晦涩难懂的文字----数理统计的任务是从纷繁复杂中找出规律,指导我们这些可怜的实践者们,但很多统计学家们正好相反,把本来就纷繁复杂的世界,解释地更加复杂难懂。也难怪,有些统计学家有点像现代版的算命先生,用晦涩难懂的术语,把我们跟冥冥中我们苦苦追寻的真相联系起来。可怜我们这些外行,因为不懂,也就只能"信则灵"了。当然,也有例外,比如我在简书上看到这么一篇文章《结合日常生活的例子,了解什么是卡方检验》,作者是Yan文怡,就相当生动易懂:https://www.jianshu.com/p/807b2c2bfd9b能把复杂的东西说简单,的确是真正专家的一大特点。
[2]这是针对"长尾"产品的情况,详细的公式见我和赵玲的《供应链的三道防线:需求预测、库存控制、供应链执行》,第206到209页。

上海/深圳培训计划

2020年1月初,我计划回国内,在上海、深圳两地第290到295次推出专题培训


  1. 需求预测+需求管理:供应链的第一道防线,上海,1月3日(周五)| 深圳,1月10日(周五)
  2. 库存计划+库存控制:供应链的第二道防线,上海,1月4日(周六)| 深圳,1月11日(周六)
  3. 供应链与供应商管理:一个实践者的角度,上海,1月5日(周日)| 深圳,1月12日(周日)

更多信息请点击链接,报名详情咨询请联系我的助手党琪:182 1756 2014 (手机\微信),电邮[email protected]

我有微博、微信(scm-blog),也在LinkedIn上,欢迎加我,随时沟通。更多联系信息见此处

欢迎关注我的微信公众号,每天一篇文章:wwwscm-blogcom

请关注我的微信公众号,每天一篇文章:wwwscm-blogcom

评论

畅销专著

  • Supply chain management: high cost, high inventory, heavy asset solutions

畅销经典

  • Purchasing and Supply Chain Management

关于此日记

此日记由 刘宝红 发表于 2019-09-09 16:38September 9, 2019 4:38 PM

此Blog上的上一篇日记这个公司适合做预测吗?

此Blog上的下一篇日记样本太少怎么办?

首页归档页可以看到最新的日记和所有日记。