图9-14　用机器学习算法来计算安全库存示意图

我们知道任何概率事件都需要足够的样本，比如扔硬币，虽然正、反面朝上的概率各是50%，但是你扔10次，有可能有8次会是正面，只有你扔得足够多才能达到接近50%的概率。为此在实践中，即便安全库存设置的是要满足99%的有货率，但可能你近期还是会频繁缺货，在运营期间就需要通过供需调节来解决这个问题。

有两种方式，一是在运营期间如果供应还有调节的空间，那可以进行腾挪。举个例子，对于覆盖范围大，有多个仓库、多级仓库的情图9-14　用机器学习算法来计算安全库存示意图

我们知道任何概率事件都需要足够的样本，比如扔硬币，虽然正、反面朝上的概率各是50%，但是你扔10次，有可能有8次会是正面，只有你扔得足够多才能达到接近50%的概率。为此在实践中，即便安全库存设置的是要满足99%的有货率，但可能你近期还是会频繁缺货，在运营期间就需要通过供需调节来解决这个问题。

有两种方式，一是在运营期间如果供应还有调节的空间，那可以进行腾挪。举个例子，对于覆盖范围大，有多个仓库、多级仓库的情况下，近期的需求波动对不同的仓库的影响不一样，有些仓库的库存会多但有些会库存不足。可以通过在多个仓库之间进行库存的腾挪来进行供应的调节，这也称为分销资源计划（distributio resource plaig，DRP）。假设有三个仓库，分别按照预测备货，但由于需求波动，各个仓库发货的数量跟当初预测的不一致，有的仓库由于实际需求比预测的少导致库存过多，有的由于实际需求比预测的多导致库存过少。这时可以在仓库之间进行“转移”，把库存从多的仓库转移到少的仓库，对库存少的仓库进行补充。用图9-15举例，仓库1实际需求小于原本的预测，导致库存开始积压，而仓库2实际需求大于原本的预测，导致库存出现不足，仓库3比较平均。由于处于运营期间，从外部供应商处获取供应已经不现实，这时就需要在仓库之间做腾挪，把仓库1多余的库存挪到仓库2里面去。

同时，你不能等到第一个仓库的库存已经积压了，第二个已经短缺了才开始转移。这就需要提前预判，通过比原来的需求计划做得更细致的需求感知（demad sesig）来判断实际与预测的偏差。好比1个月前，你决定去旅游，于是查看了天气预报觉得目的地的天气不错，开始订票、订酒店。你很关心目的地的天气，每天跟踪天气预报，离计划出行时间还有2周时你发现目的地在计划旅行那几天可能有台风和暴雨，不适合旅行了。这时你就会想办法改变行程。DRP的原理也是这样的，1个月前你看天气预报就相当于需求计划，而2周前你再看更具体的天气预报就相当于需求感知。如图9-16所示，需求计划的颗粒度比较粗，可能是按周、按月，它参考的历史销售数据的颗粒度也比较粗，依赖定量的统计预测和定性的判断。随着时间的推移进入运营周期后，需求会变，就需要更细致的需求感知，比如每天来预况下，近期的需求波动对不同的仓库的影响不一样，有些仓库的库存会多但有些会库存不足。可以通过在多个仓库之间进行库存的腾挪来进行供应的调节，这也称为分销资源计划（distributio resource plaig，DRP）。假设有三个仓库，分别按照预测备货，但由于需求波动，各个仓库发货的数量跟当初预测的不一致，有的仓库由于实际需求比预测的少导致库存过多，有的由于实际需求比预测的多导致库存过少。这时可以在仓库之间进行“转移”，把库存从多的仓库转移到少的仓库，对库存少的仓库进行补充。用图9-15举例，仓库1实际需求小于原本的预测，导致库存开始积压，而仓库2实际需求大于原本的预测，导致库存出现不足，仓库3比较平均。由于处于运营期间，从外部供应商处获取供应已经不现实，这时就需要在仓库之间做腾挪，把仓库1多余的库存挪到仓库2里面去。

同时，你不能等到第一个仓库的库存已经积压了，第二个已经短缺了才开始转移。这就需要提前预判，通过比原来的需求计划做得更细致的需求感知（demad sesig）来判断实际与预测的偏差。好比1个月前，你决定去旅游，于是查看了天气预报觉得目的地的天气不错，开始订票、订酒店。你很关心目的地的天气，每天跟踪天气预报，离计划出行时间还有2周时你发现目的地在计划旅行那几天可能有台风和暴雨，不适合旅行了。这时你就会想办法改变行程。DRP的原理也是这样的，1个月前你看天气预报就相当于需求计划，而2周前你再看更具体的天气预报就相当于需求感知。如图9-16所示，需求计划的颗粒度比较粗，可能是按周、按月，它参考的历史销售数据的颗粒度也比较粗，依赖定量的统计预测和定性的判断。随着时间的推移进入运营周期后，需求会变，就需要更细致的需求感知，比如每天来预测运营周期内每天的需求量，这种精度和颗粒度的要求超出了统计预测和定性判断能处理的范围，需要更高级的预测技术。对于时效性更高的生鲜类产品，甚至会有按照小时做需求感知的，外送的生鲜电商更是要做到15～30分钟的级别，数字化时代人工智能技术能够比人更好地驾驭这样的复杂问题。测运营周期内每天的需求量，这种精度和颗粒度的要求超出了统计预测和定性判断能处理的范围，需要更高级的预测技术。对于时效性更高的生鲜类产品，甚至会有按照小时做需求感知的，外送的生鲜电商更是要做到15～30分钟的级别，数字化时代人工智能技术能够比人更好地驾驭这样的复杂问题。图9-15　多个仓库的库存不均衡分布

图9-16　用需求感知来矫正需求计划

当发现原本的需求计划和需求感知的结果有偏差时，如果供应可以调整（比如从仓库1转移到仓库2），那就管理供应来匹配需求。读者可能会问，不是有安全库存吗？安全库存应对的是缺货，但对于盈余无能为力，并且在运营周期供需的偏差超出了做计划时所假设的偏差，就需要通过识别需求计划与需求感知的差异，管理供应去匹配需求来提高库存利用效率进而提高周转。

如果没有办法调节供应了，但需求还可以调节，假如供应大于需求，可以通过刺激需求，比如打折促销来调节供需；假如供应小于需求，可以通过调整价格的方式来影响需求，进而达到供需匹配，或者通过给重要的客户优先权来调节供需。滴滴出行中的高峰期加价就是典型的调节供需的方式，其白金会员享有几次优先排队权。

2）时尚型产品图9-15　多个仓库的库存不均衡分布

图9-16　用需求感知来矫正需求计划

当发现原本的需求计划和需求感知的结果有偏差时，如果供应可以调整（比如从仓库1转移到仓库2），那就管理供应来匹配需求。读者可能会问，不是有安全库存吗？安全库存应对的是缺货，但对于盈余无能为力，并且在运营周期供需的偏差超出了做计划时所假设的偏差，就需要通过识别需求计划与需求感知的差异，管理供应去匹配需求来提高库存利用效率进而提高周转。

如果没有办法调节供应了，但需求还可以调节，假如供应大于需求，可以通过刺激需求，比如打折促销来调节供需；假如供应小于需求，可以通过调整价格的方式来影响需求，进而达到供需匹配，或者通过给重要的客户优先权来调节供需。滴滴出行中的高峰期加价就是典型的调节供需的方式，其白金会员享有几次优先排队权。

2）时尚型产品对于时尚型产品在运营期间总供应给定，同时区域或门店的需求不均衡，同样的款式有的区域或门店卖得快，有的卖得慢。在区域或门店之间做调配，从而确保稳定的供应来支撑销售是第一要务。这就需要让整个水路系统的水流向流速快的地方，快速把库存流出去变成现金，腾出钱来买新货。

第一件事是识别哪个款式在哪个地方流动快，用流动快的地方产生的需求拉力把流动慢的地方的库存拉过来。为了识别流动得快的地方，就需要做比较，可以将店均周销（门店每周的平均销量）与小类内的店均周销进行比较，超过平均店均周销1.5～2倍的，就是A类款。也可以采用排名，如果某个款式的销售速度排在前10%，且销售量排在前10%，那么它也是A类款。第二件事是找出流动慢的，类似的逻辑，把销售速度是平均速度的20%～50%的定义为C类款，把流动慢的地方的库存搬到流动快的地方，原理与上述仓库的DRP原理类似。

对于时尚型产品，给门店或者区域仓库进行供应，有两种类型：一种是补充相同的款式，基于该款式预测的销售结合库存来补充；另一种是相同款没有货，或者企业的经营策略是靠商品的多样性来刺激消费，不愿意补充同样的款式，这时为了提高确定性，可以优先补充其他类似门店（区域类似、所处商圈类似、服务的客群类似、面积类似等）或接近区域卖得好的款式，通过不断把已经经过市场销售验证的款式补充到还没有上货的门店或区域。如果实在没有经过验证的款式，可以通过门店试穿多、客户反馈有需求的款式，或者现有款式中卖得好的来提炼卖点，重新设计新款（ZARA的模式）来提高确定性。对于时尚型产品在运营期间总供应给定，同时区域或门店的需求不均衡，同样的款式有的区域或门店卖得快，有的卖得慢。在区域或门店之间做调配，从而确保稳定的供应来支撑销售是第一要务。这就需要让整个水路系统的水流向流速快的地方，快速把库存流出去变成现金，腾出钱来买新货。

第一件事是识别哪个款式在哪个地方流动快，用流动快的地方产生的需求拉力把流动慢的地方的库存拉过来。为了识别流动得快的地方，就需要做比较，可以将店均周销（门店每周的平均销量）与小类内的店均周销进行比较，超过平均店均周销1.5～2倍的，就是A类款。也可以采用排名，如果某个款式的销售速度排在前10%，且销售量排在前10%，那么它也是A类款。第二件事是找出流动慢的，类似的逻辑，把销售速度是平均速度的20%～50%的定义为C类款，把流动慢的地方的库存搬到流动快的地方，原理与上述仓库的DRP原理类似。

对于时尚型产品，给门店或者区域仓库进行供应，有两种类型：一种是补充相同的款式，基于该款式预测的销售结合库存来补充；另一种是相同款没有货，或者企业的经营策略是靠商品的多样性来刺激消费，不愿意补充同样的款式，这时为了提高确定性，可以优先补充其他类似门店（区域类似、所处商圈类似、服务的客群类似、面积类似等）或接近区域卖得好的款式，通过不断把已经经过市场销售验证的款式补充到还没有上货的门店或区域。如果实在没有经过验证的款式，可以通过门店试穿多、客户反馈有需求的款式，或者现有款式中卖得好的来提炼卖点，重新设计新款（ZARA的模式）来提高确定性。