学院新闻
预测精准度+10%，库存-70%，MIT团队如何做到？
在家装行业，库存管理一直是企业运营中的一大难题，尤其是面对不规则需求产品（Lumpy Products）时，传统的需求预测模型往往难以应对。针对这一难题，在2025年MIT SCALE Connect的供应链挑战（Supply Chain Challenge）中，由MIT Global SCALE Network 各中心的6位学生组成的团队（我院陈余恒作为宁创同学代表）成功提出了一套优化方案，并在竞赛中获奖。
团队以某一生产管道产品的企业为例，该企业需求呈现出典型的“不规则需求”特征，这意味着其销售模式并非持续稳定，而是表现出长时间无销售和突发性需求高峰两种极端情况。
而这一特点给库存管理带来了双重挑战：一方面，某些产品可能数周甚至数月没有销售记录，导致库存积压，占用大量资金，同时增加了库存管理的难度；另一方面，需求可能在短时间内突然激增，导致传统预测模型难以准确捕捉这一变化，这容易导致库存不足，影响客户满意度并增加运营成本。
为了应对这一挑战，团队首先对数据进行了深入分析。通过对月度、周度以及物料级别的需求数据进行汇总，发现传统的需求模式并不明显。因此，团队采用了ABC分类法，基于需求量对物料进行分类，如某一物料占据了总需求的36%，这说明该物料属于企业核心产品之一。
此外，团队应用了SPC方法（Syntetos-Boylan Approximation），结合平方变异系数和平均需求间隔等指标，将不规则需求产品细分为六个类别，这一分类方法为后续的预测模型构建奠定了基础。
在构建预测模型时，团队还评估了可能影响需求的内外部变量，包括库存水平、水泥发货量、建筑业GDP、经济监测指标等。然而，数据分析显示，这些变量与需求之间的相关性较弱，因此团队决定在模型中排除这些外部变量，专注于产品本身的需求模式。模型构建的关键步骤包括：深入了解企业的业务模式和产品需求特点、研究各种预测方法、确定关键的性能指标（KPI）、探索多种预测模型（包括统计模型、机器学习和神经网络模型）、确保模型能够捕捉不同方面的需求波动，并通过交叉验证和超参数调优、确保模型的准确性和稳定性。
随后，团队使用了2022年至2024年8月的数据进行模型训练，并生成了2024年9月至11月的13周预测。预测的粒度精确到每周，以满足生产调度的需求，并最小化日常误差。在评估模型性能时，团队选择了均方根误差（RMSE）作为核心指标，相比于传统的平均绝对百分比误差（MAPE），RMSE在处理零需求时更为可靠，且能够更好地捕捉需求波动中的误差幅度，特别适合不规则需求预测。
团队共运行了13种不同的预测模型，并通过交叉验证和超参数调优，确保每个SKU的RMSE最小化。最终，XGBoost和N-HiTS模型表现最为出色，分别适用于23个和18个SKU。然而，真正的突破来自于集成模型（Ensemble Model），该模型在84个SKU中的82个上表现最优，平均预测准确率提升了10.2%，部分SKU的RMSE甚至降低了55.5%。
通过集成模型的精准预测，团队还开发了一个自动化Python脚本，能够快速处理76个预测模型，并为每个SKU生成最优的加权集成预测。这一改进直接转化为更高效的库存管理，降低了成本并提升了客户服务水平。
具体来说，团队提出的库存优化策略包括：根据预测误差调整安全库存水平，以更好地应对需求不确定性；在低波动性产品类别中，36个产品的库存有望大幅减少，而在低需求类别中，12个产品和5个间歇性需求产品则需要增加库存，以减少缺货风险。通过集成模型的应用，该企业有望将平均库存从56,000单位减少到17,000单位，同时保持现有的服务水平。
团队的库存优化方案带来了以下关键洞察：统计模型（如季节性模型、朴素模型）在间歇性需求预测中表现良好，而XGBoost和N-HiTS在处理复杂需求模式时表现出色；集成模型显著降低了预测误差，但需要注意过度拟合的风险；根据需求波动性调整服务水平，确保安全库存与预测误差相匹配，能够更好地管理不确定性。
基于这些洞察，团队还提出了以下建议：建立结构化模型评估框架，确保模型的高效性和准确性；采用集成模型，以提升预测性能，特别是在不规则需求场景下；根据需求波动性动态调整库存策略，确保在减少库存的同时，维持高服务水平。
通过先进的预测模型和库存优化策略，团队成功解决了不规则需求带来的挑战，显著提升了库存管理效率，降低了运营成本，并确保了客户满意度。这一案例不仅为家装行业提供了宝贵的经验，也为其他面临类似挑战的企业提供了可借鉴的解决方案。未来，我院将继续探索更多创新技术，进一步优化供应链管理，为企业提供更具前瞻性的解决方案。
返回上一级