零售店每天处理大量库存，使得库存监控和管理变得更加繁琐。传统的零售商店库存管理方法繁琐，监控、跟踪和管理效率低下。这就需要一个强大的数字化库存管理系统，该系统可以无缝执行零售商店库存分析，以减少手头库存，并以更少的体力劳动实现更多库存销售。
本文展示了如何使用时间序列机器学习模型 sarima 来高效地执行零售商店库存分析，并计算随着时间的推移满足客户需求所需的库存参数，从而使零售商店获得最大利润。
数据集
首先，下载数据集。该数据集包含特定产品的历史记录，包括日期、产品需求和当前库存水平等信息。
代码
import pandas as pd import numpy as np import plotly.express as px from statsmodels.graphics.tsaplots import plot_acf, plot_pacf import matplotlib.pyplot as plt from statsmodels.tsa.statespace.sarimax import SARIMAX data = pd.read_csv("demand_inventory.csv") print(data.head()) data = data.drop(columns=['Unnamed: 0']) fig_demand = px.line(data, x='Date', y='Demand', title='Demand Over Time') fig_demand.show() fig_inventory = px.line(data, x='Date', y='Inventory', title='Inventory Over Time') fig_inventory.show() data['Date'] = pd.to_datetime(data['Date'], format='%Y/%m/%d') time_series = data.set_index('Date')['Demand'] differenced_series = time_series.diff().dropna() # Plot ACF and PACF of differenced time series fig, axes = plt.subplots(1, 2, figsize=(12, 4)) plot_acf(differenced_series, ax=axes[0]) plot_pacf(differenced_series, ax=axes[1]) plt.show() order = (1, 1, 1) seasonal_order = (1, 1, 1, 2) model = SARIMAX(time_series, order=order, seasonal_order=seasonal_order) model_fit = model.fit(disp=False) future_steps = 10 predictions = model_fit.predict(len(time_series), len(time_series) + future_steps - 1) predictions = predictions.astype(int) print(predictions) # Create date indices for the future predictions future_dates = pd.date_range(start=time_series.index[-1] + pd.DateOffset(days=1), periods=future_steps, freq='D') # Create a pandas Series with the predicted values and date indices forecasted_demand = pd.Series(predictions, index=future_dates) # Initial inventory level initial_inventory = 5500 # Lead time (number of days it takes to replenish inventory) lead_time = 1 # Service level (probability of not stocking out) service_level = 0.95 # Calculate the optimal order quantity using the Newsvendor formula z = np.abs(np.percentile(forecasted_demand, 100 * (1 - service_level))) order_quantity = np.ceil(forecasted_demand.mean() + z).astype(int) # Calculate the reorder point reorder_point = forecasted_demand.mean() * lead_time + z # Calculate the optimal safety stock safety_stock = reorder_point - forecasted_demand.mean() * lead_time # Calculate the total cost (holding cost + stockout cost) holding_cost = 0.1 # it's different for every business, 0.1 is an example stockout_cost = 10 # # it's different for every business, 10 is an example total_holding_cost = holding_cost * (initial_inventory + 0.5 * order_quantity) total_stockout_cost = stockout_cost * np.maximum(0, forecasted_demand.mean() * lead_time - initial_inventory) # Calculate the total cost total_cost = total_holding_cost + total_stockout_cost print("Optimal Order Quantity:", order_quantity) print("Reorder Point:", reorder_point) print("Safety Stock:", safety_stock) print("Total Cost:", total_cost)
理解代码
我们首先可视化“一段时间内的需求”和“一段时间内的库存”，从中可以观察到季节性模式。因此我们使用 sarima——季节性自回归移动平均线来预测需求。
要使用 sarima，我们需要 p（自回归阶数）、d（差分度）、q（移动平均阶数）、p（季节性 ar 阶数）、d（季节性差分）和 q（季节性 ma 阶数） 。绘制 acf — 自相关函数和 pacf — 偏自相关函数来查找参数值。
现在为了预测，我们初始化一些值。我们将未来步骤（即预测天数）设置为 10，提前期（即补充库存的天数）设置为 1 以及其他此类零售商店相关值。
最后为了计算库存最优结果，我们使用newsvendor公式。 newsvendor 公式源自 newsvendor 模型，newsvendor 模型是用于确定最佳库存水平的数学模型。您可以从本文中了解有关 newsvendor 公式的更多信息。
最终评估结果是，
- 最佳订购数量 — 指当库存水平达到某一点时应向供应商订购产品的数量。
- 再订购点 — 在库存耗尽之前应下新订单以补充库存的库存水平。
- 安全库存——手头保留额外库存，以应对需求和供应的不确定性。它可以作为需求或交货时间意外变化的缓冲。
- 总成本 — 表示与库存管理相关的综合成本。
提出的 sarima 模型使用 newsvendor 公式以有效的方式将零售商店库存管理数字化，以计算满足客户需求所需的最佳库存，同时使零售商获得最大利润。
希望这篇文章可以帮助您找到您想要的东西。欢迎对本文提出任何改进或建议。干杯:)
在这里查看我的社交并随时联系^_^
