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
执行需求预测和库存管理的python代码如下。
import pandas as pdimport numpy as npimport plotly.express as pxfrom statsmodels.graphics.tsaplots import plot_acf, plot_pacfimport matplotlib.pyplot as pltfrom statsmodels.tsa.statespace.sarimax import SARIMAXdata = 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 seriesfig, 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 = 10predictions = model_fit.predict(len(time_series), len(time_series) + future_steps - 1)predictions = predictions.astype(int)print(predictions)# Create date indices for the future predictionsfuture_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 indicesforecasted_demand = pd.Series(predictions, index=future_dates)# Initial inventory levelinitial_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 formulaz = np.abs(np.percentile(forecasted_demand, 100 * (1 - service_level)))order_quantity = np.ceil(forecasted_demand.mean() + z).astype(int)# Calculate the reorder pointreorder_point = forecasted_demand.mean() * lead_time + z# Calculate the optimal safety stocksafety_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 examplestockout_cost = 10 # # it's different for every business, 10 is an exampletotal_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 costtotal_cost = total_holding_cost + total_stockout_costprint("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^_^
以上就是零售店的需求预测和库存管理 – SARIMA 模型的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1353799.html
微信扫一扫 
支付宝扫一扫 
