Track B: Nachfrageprognose für E-Commerce-Einzelhändler und Probleme bei der Bestandsoptimierung
Auf der E-Commerce-Plattform gibt es Tausende von Händlern, die ihre Waren in Lagern platzieren, die die E-Commerce-Plattform unterstützen, und die E-Commerce-Plattform wird eine einheitliche Verwaltung dieser Waren durchführen. Durch wissenschaftliche Managementmethoden und intelligente Entscheidungsfindung kann eine auf Big-Data-Intelligenz basierende Lieferkette die Lagerkosten erheblich senken und gleichzeitig eine pünktliche Lieferung von Waren gewährleisten. Im Allgemeinen umfassen die oben genannten Probleme bei der Optimierung der Lieferkette die folgenden Aspekte:
Nachfrageprognose
Prognosen sind oft die Grundlage für Entscheidungen in intelligenten Lieferketten. Sie ermöglichen es Managern, die Nachfrage an verschiedenen Orten im Voraus vorherzusagen, sodass Bestände im Voraus in Lagern platziert werden können, die nahe am Bedarf sind. Die Prognoseaufgabe zu diesem Zeitpunkt lautet: Vorhersagen die Nachfrage für jede Region basierend auf der Nachfrage für einen historischen Zeitraum. Die „Prognosedimension“ der zukünftigen Nachfrage für jede Ware im Lager ist die tägliche Menge verschiedener Waren, die von verschiedenen Händlern in jedem Lager gelagert werden. Im Allgemeinen analysieren Unternehmen zunächst die mathematischen Merkmale von Nachfragesequenzen basierend auf der historischen Situation der Daten, klassifizieren ähnliche Nachfragesequenzen und treffen auf der Grundlage der Klassifizierungsergebnisse genauere Vorhersagen. Es gibt viele Bewertungsindikatoren für die Vorhersagegenauigkeit. Der am häufigsten verwendete Indikator ist 1-wmape, der wie folgt definiert ist:
Bei tatsächlichen Prognoseaufgaben für die E-Commerce-Lieferkette treten jedoch häufig viele verschiedene Probleme auf. Beispielsweise ist die Verkaufszeit einiger Produkte zu kurz, Lager werden hinzugefügt oder ausgetauscht usw., was zu zu wenigen historischen Daten in dieser Prognosedimension führt; außerdem ist der starke Anstieg des Sendungsvolumens bei einigen groß angelegten Werbeaktionen usw Die daraus resultierenden Unregelmäßigkeiten führen auch zu erheblichen Schwierigkeiten bei der genauen Prognose der Nachfrage. Zu diesem Zeitpunkt ist es notwendig, die allgemeinen Gesetze der Geschichte durch Algorithmen zu ermitteln und ähnliche historische Situationen (z. B. ähnliche Lagerhäuser oder Waren) zu finden, um genaue Vorhersagen zu treffen.
Bestandsoptimierung
Um die Lagerbestände effektiv zu verwalten, entwickeln Unternehmen in der Regel verschiedene Lagerstrategien, um die Häufigkeit und Menge der Warenauffüllung zu steuern. Die periodische Inventarstrategie (s, S) ist eine gängige Inventarstrategie, wobei s die Untergrenze des Inventars im Rahmen dieser Strategie und S die Obergrenze des Inventars darstellt. Bei dieser Strategie überprüft das Unternehmen die Lagerbestände in festen Abständen und das Intervall zwischen den Zählungen wird als Zählzyklus (NRT) festgelegt. Wenn der Lagerbestand T während der Zählung niedriger als der Mindestbestand s ist, wird der Lagerbestand auf S aufgefüllt, und die Nachschubmenge Q = S − T ist zu diesem Zeitpunkt. Wenn der Lagerbestand während der Zählung höher als s ist, Bis zur nächsten Inventurzählung erfolgt keine Auffüllung. Dabei ist zu berücksichtigen, dass nach jedem Nachschubbeginn eine gewisse Zeit vergeht, bis die nachgefüllten Waren im aktuellen Lager eintreffen. Dieses Zeitintervall wird als Durchlaufzeit (LT) bezeichnet.
Bei der Verwendung der oben genannten Bestandsstrategie müssen Manager in zweierlei Hinsicht Kompromisse eingehen. Einerseits muss das Unternehmen große Lagerbestände vorhalten, um Kundenbestellungen rechtzeitig zu erfüllen, um Engpässen vorzubeugen. Andererseits haben steigende Lagerbestände zu übermäßigen Lagerkosten geführt. Die Hauptziele der Bestandsoptimierung sind:
1) Reduzieren Sie die gesamten Lagerhaltungskosten, die aus den Lagerhaltungskosten h (den Kosten für die Lagerung einer Ware für einen Tag) ermittelt werden können.
2) Erfüllen Sie das Serviceniveau: Stellen Sie sicher, dass genügend Produkte vorhanden sind, um die Kundenbedürfnisse rechtzeitig zu erfüllen, und reduzieren Sie die Gesamtmangelkosten, die sich aus den Mangelkosten (die Kosten, die für jeden fehlenden Artikel pro Tag entstehen) ermitteln lassen.
3) Lagerumschlagstage reduzieren: Je kleiner die Lagerumschlagstage, desto besser ist die Lagerliquidität und desto höher ist die Lagerverwaltungseffizienz des Unternehmens.
Vorabfragen:
Frage 1:Verwenden Sie die Daten in Anhang 1-4, um die Nachfrage nach den Waren jedes Händlers in jedem Lager vom 16.05.2023 bis zum 30.05.2023 vorherzusagen. Bitte Füllen Sie die Vorhersageergebnisse in Ergebnistabelle 1 aus, laden Sie sie auf die Wettbewerbsplattform hoch und bewerten Sie die Vorhersageleistung Ihres Modells. Bitte besprechen Sie auch Folgendes: Wie können diese von Händlern, Lagern und Waren gebildeten Zeitreihen auf der Grundlage des Datenanalyse- und Modellierungsprozesses so klassifiziert werden, dass die Nachfragemerkmale derselben Kategorie möglichst ähnlich sind?
Frage 2:Es gibt einige neue Händler + Lager + Produktabmessungen (Anhang 5). Der Grund dafür können neu eingeführte Produkte sein oder das Lager, in dem sich bestimmte Artikel befinden, wurde geändert gelagert. Bitte besprechen Sie, wie diese neuen Vorhersagedimensionen anhand der Daten im historischen Anhang 1 referenziert werden können, um ähnliche Sequenzen zu finden und die Vorhersagewerte dieser Dimensionen vom 16.05.2023 bis zum 30.05.2023 zu vervollständigen. Bitte füllen Sie die Vorhersageergebnisse in Ergebnistabelle 2 aus und laden Sie sie auf die Wettbewerbsplattform hoch
Frage 3:Groß angelegte Werbeaktionen finden jedes Jahr regelmäßig im Juni statt, was große Herausforderungen für eine genaue Nachfrageprognose und Vertragserfüllung mit sich bringt. Anhang 6 enthält die Nachfragedaten der Dimension Händler + Lager + Produkt entsprechend Anhang 1 während der letztjährigen Double Eleven. Bitte beziehen Sie sich auf diese Daten, um den Prognosewert vom 01.06.2023 bis zum 20.06.2023 anzugeben. Bitte füllen Sie die Vorhersageergebnisse in Ergebnistabelle 3 aus und laden Sie sie auf die Wettbewerbsplattform hoch.