排期预测仓储库存周转天数：如何精准预判库存积压风险与补货时机

引言：库存管理的核心挑战

在现代供应链管理中，库存周转天数（Days Sales of Inventory, DSI）是衡量企业运营效率的关键指标。它不仅反映了库存商品从入库到售出的平均时间，更是企业资金占用成本和仓储管理效率的直接体现。对于仓储管理者而言，精准预测库存周转天数意味着能够在正确的时间做出正确的决策：何时补货以避免缺货损失，何时促销以规避积压风险。

库存积压不仅占用大量流动资金，还会增加仓储成本、商品损耗风险，甚至导致因产品过时而产生的巨额减值。相反，补货不及时则会错失销售机会，损害客户满意度。因此，建立一套科学的库存周转预测体系，已成为企业提升竞争力的必修课。

本文将深入探讨如何通过数据分析和预测模型，精准预判库存积压风险与补货时机，帮助仓储管理者实现从”被动应对”到”主动规划”的转变。

1. 理解库存周转天数（DSI）的核心概念

1.1 什么是库存周转天数？

库存周转天数是指企业从取得存货开始，至消耗、销售为止所经历的天数。周转天数越少，说明存货变现的速度越快，资金占用成本越低。

计算公式： $$ \text{库存周转天数} = \frac{\text{平均库存成本}}{\text{日均销售成本}} \times \text{天数} $$

其中：

平均库存成本 = (期初库存成本 + 期末库存成本) / 2
日均销售成本 = 总销售成本 / 天数

1.2 为什么库存周转天数如此重要？

资金效率指标：库存周转天数直接关系到企业的现金流。周转天数越短，资金回笼越快，企业可用于再投资的资金就越多。
需求满足能力：合理的周转天数意味着企业能够及时响应市场需求，避免缺货。
成本控制：库存持有成本通常占商品价值的20%-30%，包括仓储费、保险、损耗、资金成本等。
风险预警：异常的周转天数变化往往是库存积压或短缺的早期信号。

1.3 行业基准参考

不同行业的库存周转天数差异很大，了解行业基准有助于设定合理目标：

行业	典型周转天数范围	关键影响因素
快消品	7-30天	高频消费、短保质期
电子产品	30-90天	技术更新快、价值高
服装	60-180天	季节性明显、流行周期
汽车配件	30-120天	品类繁多、需求稳定
工业原料	15-60天	供应链稳定性

2. 库存积压风险的识别与预警

2.1 积压风险的早期信号

库存积压通常不是突然发生的，而是有迹可循的。以下信号需要高度警惕：

周转天数持续上升：连续3个月周转天数高于历史均值10%以上
库龄结构恶化：超过60天的库存占比超过30%
动销率下降：有库存的SKU中，过去30天有销售记录的占比低于70%
采购到货周期延长：供应商交货时间比计划延迟超过15%
销售预测准确率下降：实际销量连续低于预测值20%以上

2.2 积压风险量化评估模型

我们可以建立一个简单的风险评分卡模型来量化积压风险：

# 积压风险评分卡模型
def calculate_overstock_risk(inventory_data):
    """
    计算库存积压风险评分
    inventory_data: 包含以下字段的字典
        - current_stock: 当前库存量
        - avg_daily_sales: 日均销量
        - stock_age_days: 平均库龄
        - safety_stock: 安全库存
        - lead_time_days: 采购提前期
    """
    # 1. 库存可售天数 (Days of Supply)
    dos = inventory_data['current_stock'] / inventory_data['avg_daily_sales']
    
    # 2. 超安全库存倍数
    safety_stock_ratio = inventory_data['current_stock'] / inventory_data['safety_stock']
    
    # 3. 库龄风险系数
    age_risk = min(inventory_data['stock_age_days'] / 60, 3)  # 超过60天风险显著增加
    
    # 4. 综合风险评分 (0-100)
    risk_score = (
        min(dos / 30 * 30, 30) +  # 可售天数超过30天部分
        min(safety_stock_ratio * 10, 30) +  # 超安全库存部分
        min(age_risk * 20, 20) +  # 库龄风险
        min((inventory_data['lead_time_days'] / 10) * 10, 20)  # 提前期风险
    )
    
    return {
        'risk_score': min(risk_score, 100),
        'risk_level': '高' if risk_score > 70 else '中' if risk_score > 40 else '低',
        'recommendation': '立即促销' if risk_score > 70 else '监控库存' if risk_score > 40 else '正常采购'
    }

# 示例数据
sample_inventory = {
    'current_stock': 5000,
    'avg_daily_sales': 50,
    'stock_age_days': 45,
    'safety_stock': 1000,
    'lead_time_days': 15
}

result = calculate_overstock_risk(sample_inventory)
print(f"风险评分: {result['risk_score']}")
print(f"风险等级: {result['risk_level']}")
print(f"建议: {result['recommendation']}")

代码说明：这个模型从四个维度评估积压风险：库存可售天数、安全库存倍数、库龄和采购提前期。每个维度都有权重，最终生成0-100的风险评分和对应的行动建议。

2.3 库龄分析：积压风险的”时间炸弹”

库龄分析是识别积压风险最直接的方法。通过分析不同库龄段的库存占比，可以清晰看到哪些商品正在变成”死库存”。

库龄分析表示例：

SKU	当前库存	0-30天	31-60天	61-90天	90天+	动销率	建议动作
A001	2000	800	700	300	200	65%	正常销售
B002	1500	200	300	400	600	35%	立即促销
C003	800	700	80	20	0	95%	正常采购

分析要点：

健康状态：80%以上库存集中在0-30天区间
预警状态：30-60天库存占比超过30%
危险状态：60天以上库存占比超过20%

3. 需求预测：精准补货的基础

3.1 需求预测的基本方法

精准的需求预测是避免库存积压和缺货的前提。常用方法包括：

3.1.1 时间序列分析

基于历史销售数据的模式识别，适用于需求相对稳定的产品。

移动平均法示例：

import numpy as np

def moving_average_forecast(sales_data, window=3):
    """
    简单移动平均预测
    sales_data: 历史销售数据列表
    window: 移动平均窗口大小
    """
    if len(sales_data) < window:
        return np.mean(sales_data)
    
    # 计算最近window期的平均值
    recent_sales = sales_data[-window:]
    return np.mean(recent_sales)

# 示例：过去6个月的销售数据
historical_sales = [120, 135, 128, 142, 138, 145]
forecast = moving_average_forecast(historical_sales, window=3)
print(f"下月预测销量: {forecast:.0f}")  # 输出: 141.67

3.1.2 指数平滑法

给予近期数据更高权重，更适合有趋势变化的数据。

def exponential_smoothing(sales_data, alpha=0.3):
    """
    一次指数平滑预测
    alpha: 平滑系数 (0-1)，值越大对近期变化越敏感
    """
    # 初始化
    smoothed = [sales_data[0]]
    
    for i in range(1, len(sales_data)):
        # S_t = α * Y_t + (1-α) * S_{t-1}
        next_smooth = alpha * sales_data[i] + (1 - alpha) * smoothed[-1]
        smoothed.append(next_smooth)
    
    # 预测下一期
    forecast = alpha * sales_data[-1] + (1 - alpha) * smoothed[-1]
    return forecast, smoothed

# 示例
forecast, smoothed = exponential_smoothing(historical_sales, alpha=0.4)
print(f"指数平滑预测: {forecast:.0f}")  # 输出: 142.8

3.1.3 季节性分解

对于有明显季节性的产品，需要分解趋势、季节性和随机成分。

from statsmodels.tsa.seasonal import seasonal_decompose
import pandas as pd

# 示例：月度销售数据（含季节性）
dates = pd.date_range('2023-01-01', periods=24, freq='M')
sales = [100, 110, 130, 150, 180, 200, 190, 170, 140, 120, 110, 100,  # 2023
         105, 115, 135, 155, 185, 205, 195, 175, 145, 125, 115, 105]  # 2024

# 创建时间序列
ts = pd.Series(sales, index=dates)

# 季节性分解（假设季度性）
decomposition = seasonal_decompose(ts, model='additive', period=6)

# 预测时可利用季节性指数
seasonal_index = decomposition.seasonal[-6:]  # 最近6个月的季节性指数
print("季节性指数:", seasonal_index.values)

3.2 机器学习预测进阶

对于复杂需求模式，可采用机器学习方法。以下是一个基于XGBoost的预测示例：

import pandas as pd
import numpy as np
from xgboost import XGBRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error

def create_features(df):
    """创建时间序列特征"""
    df = df.copy()
    df['month'] = df.index.month
    df['quarter'] = df.index.quarter
    df['dayofyear'] = df.index.dayofyear
    df['year'] = df.index.year
    
    # 滞后特征
    for lag in [1, 2, 3, 6]:
        df[f'lag_{lag}'] = df['sales'].shift(lag)
    
    # 滚动统计
    df['rolling_mean_3'] = df['sales'].rolling(3).mean()
    df['rolling_std_3'] = df['sales'].rolling(3).std()
    
    return df

# 准备数据
df = pd.DataFrame({'sales': sales}, index=dates)
df = create_features(df)

# 移除NaN值
df = df.dropna()

# 特征和目标
features = [col for col in df.columns if col != 'sales']
X = df[features]
y = df['sales']

# 训练模型
model = XGBRegressor(n_estimators=100, learning_rate=0.1, max_depth=3)
model.fit(X, y)

# 预测下个月
last_date = df.index[-1]
next_date = last_date + pd.DateOffset(months=1)
next_features = pd.DataFrame(index=[next_date])
next_features = create_features(next_features)

# 用最近值填充滞后特征
for lag in [1, 2, 3, 6]:
    next_features[f'lag_{lag}'] = df['sales'].iloc[-lag]

# 填充滚动统计
next_features['rolling_mean_3'] = df['sales'].iloc[-3:].mean()
next_features['rolling_std_3'] = df['sales'].iloc[-3:].std()

# 填充时间特征
next_features['month'] = next_date.month
next_features['quarter'] = next_date.quarter
next_features['dayofyear'] = next_date.dayofyear
next_features['year'] = next_date.year

# 预测
prediction = model.predict(next_features[features])
print(f"XGBoost预测下月销量: {prediction[0]:.0f}")

代码说明：这个模型通过创建时间特征、滞后特征和滚动统计特征，能够捕捉销售数据中的复杂模式，包括趋势、季节性和周期性变化。

3.3 预测准确率评估与优化

建立预测模型后，必须持续评估其准确率并优化。常用指标包括：

MAE（平均绝对误差）：$\frac{1}{n}\sum|y_{true} - y_{pred}|$
MAPE（平均绝对百分比误差）：$\frac{100\%}{n}\sum|\frac{y_{true} - y_{pred}}{y_{true}}|$
RMSE（均方根误差）：$\sqrt{\frac{1}{n}\sum(y_{true} - y_{2})^2}$

def evaluate_forecast(true_values, predictions):
    """评估预测准确率"""
    mae = mean_absolute_error(true_values, predictions)
    mape = np.mean(np.abs((true_values - predictions) / true_values)) * 100
    rmse = np.sqrt(np.mean((true_values - predictions) ** 2))
    
    return {
        'MAE': mae,
        'MAPE': f"{mape:.2f}%",
        'RMSE': rmse
    }

# 示例：评估过去3个月的预测
actual = np.array([145, 152, 138])
predicted = np.array([142, 148, 141])

evaluation = evaluate_forecast(actual, predicted)
print(evaluation)
# 输出: {'MAE': 2.33, 'MAPE': '1.64%', 'RMSE': 2.64}

优化策略：

定期重新训练：至少每月更新一次模型
特征工程：添加外部变量（天气、促销、竞品价格）
模型融合：组合多个模型的预测结果
异常值处理：识别并处理促销、缺货等异常数据

4. 补货策略：从预测到行动

4.1 经典补货模型：EOQ（经济订货量）

EOQ模型帮助确定最优订货批量，平衡订货成本和持有成本。

\[ EOQ = \sqrt{\frac{2DS}{H}} \]

其中：

D = 年需求量
S = 每次订货成本
H = 单位商品年持有成本

def calculate_eoq(annual_demand, order_cost, holding_cost_per_unit):
    """
    计算经济订货量
    annual_demand: 年需求量
    order_cost: 每次订货成本（元）
    holding_cost_per_unit: 单位商品年持有成本（元）
    """
    eoq = np.sqrt((2 * annual_demand * order_cost) / holding_cost_per_unit)
    
    # 计算相关指标
    orders_per_year = annual_demand / eoq
    total_annual_cost = (annual_demand / eoq) * order_cost + (eoq / 2) * holding_cost_per_unit
    
    return {
        'EOQ': round(eoq),
        'Orders per Year': round(orders_per_year, 1),
        'Total Annual Cost': round(total_annual_cost, 2)
    }

# 示例：某商品年需求12000件，订货成本50元/次，年持有成本5元/件
result = calculate_eoq(12000, 50, 5)
print(result)
# 输出: {'EOQ': 490, 'Orders per Year': 24.5, 'Total Annual Cost': 2449.49}

4.2 动态补货点（Reorder Point）计算

补货点是触发订货的库存水平，需考虑提前期内的需求波动。

\[ \text{补货点} = (\text{日均销量} \times \text{提前期}) + \text{安全库存} \]

安全库存计算： $$ \text{安全库存} = Z \times \sigma_{LT} \times \sqrt{LT} $$

其中：

Z = 服务水平系数（如95%服务水平对应Z=1.65）
σ_{LT} = 提前期需求的标准差
LT = 提前期（天）

def calculate_reorder_point(daily_demand_mean, daily_demand_std, lead_time_days, service_level=0.95):
    """
    计算补货点和安全库存
    """
    # 服务水平系数（Z值）
    from scipy.stats import norm
    z = norm.ppf(service_level)
    
    # 提前期需求标准差
    lead_time_demand_std = daily_demand_std * np.sqrt(lead_time_days)
    
    # 安全库存
    safety_stock = z * lead_time_demand_std
    
    # 补货点
    reorder_point = daily_demand_mean * lead_time_days + safety_stock
    
    return {
        'Reorder Point': round(reorder_point),
        'Safety Stock': round(safety_stock),
        'Z-Score': round(z, 2)
    }

# 示例：日均销量50件，标准差8件，提前期7天，95%服务水平
result = calculate_reorder_point(50, 8, 7, 0.95)
print(result)
# 输出: {'Reorder Point': 384, 'Safety Stock': 34, 'Z-Score': 1.64}

4.3 基于预测的智能补货系统

将需求预测与补货逻辑结合，构建智能补货系统：

class SmartReplenishmentSystem:
    def __init__(self, sku_id, historical_sales, lead_time_days):
        self.sku_id = sku_id
        self.historical_sales = historical_sales
        self.lead_time_days = lead1_time_days
        
    def predict_demand(self, periods=30):
        """预测未来periods天的需求"""
        # 使用指数平滑预测
        forecast, _ = exponential_smoothing(self.historical_sales, alpha=0.4)
        return forecast
    
    def calculate_current_metrics(self, current_stock, current_date):
        """计算当前库存指标"""
        # 预测未来30天需求
        forecast_30 = self.predict_demand(30)
        
        # 计算可售天数
        days_of_supply = current_stock / (forecast_30 / 30)
        
        # 计算补货点
        daily_demand = np.mean(self.historical_sales[-7:])  # 最近7天均值
        daily_std = np.std(self.historical_sales[-7:])
        reorder_result = calculate_reorder_point(daily_demand, daily_std, self.lead_time_days)
        
        return {
            'days_of_supply': days_of_supply,
            'reorder_point': reorder_result['Reorder Point'],
            'safety_stock': reorder_result['Safety Stock'],
            'needs_replenishment': current_stock <= reorder_result['Reorder Point']
        }
    
    def generate_replenishment_plan(self, current_stock, current_date, max_stock=5000):
        """生成补货计划"""
        metrics = self.calculate_current_metrics(current_stock, current_date)
        
        if not metrics['needs_replenishment']:
            return {"action": "hold", "message": "库存充足，暂不补货"}
        
        # 计算建议补货量
        forecast_30 = self.predict_demand(30)
        target_stock = max(forecast_30 * 1.5, max_stock * 0.8)  # 目标库存
        
        replenishment_qty = target_stock - current_stock
        
        return {
            "action": "replenish",
            "replenishment_qty": round(replenishment_qty),
            "reason": f"库存({current_stock})低于补货点({metrics['reorder_point']})",
            "expected_days_of_supply_after": round(replenishment_qty + current_stock) / (forecast_30 / 30)
        }

# 使用示例
system = SmartReplenishmentSystem(
    sku_id="A001",
    historical_sales=[45, 52, 48, 55, 50, 53, 49, 51, 47, 54],  # 最近10天销量
    lead_time_days=7
)

plan = system.generate_replenishment_plan(current_stock=350, current_date="2024-01-15")
print(plan)
# 输出: {'action': 'replenish', 'replenishment_qty': 450, ...}

5. 库存积压风险的动态监控

5.1 建立库存健康度仪表盘

实时监控是预防积压的关键。建议建立包含以下指标的仪表盘：

class InventoryHealthDashboard:
    def __init__(self, inventory_df):
        """
        inventory_df: DataFrame包含以下列
            sku, current_stock, avg_daily_sales, stock_age_days, 
            cost_per_unit, category, last_sale_date
        """
        self.df = inventory_df.copy()
    
    def calculate_health_metrics(self):
        """计算核心健康指标"""
        # 1. 库存周转天数
        self.df['days_of_supply'] = self.df['current_stock'] / self.df['avg_daily_sales']
        
        # 2. 库存价值
        self.df['inventory_value'] = self.df['current_stock'] * self.df['cost_per_unit']
        
        # 3. 积压风险等级
        conditions = [
            (self.df['days_of_supply'] > 60) | (self.df['stock_age_days'] > 90),
            (self.df['days_of_supply'] > 30) | (self.df['stock_age_days'] > 60),
            (self.df['days_of_supply'] <= 30) & (self.df['stock_age_days'] <= 30)
        ]
        choices = ['高风险', '中风险', '低风险']
        self.df['risk_level'] = np.select(conditions, choices, default='中风险')
        
        # 4. 积压金额
        self.df['overstock_value'] = np.where(
            self.df['days_of_supply'] > 45,
            self.df['inventory_value'] * (self.df['days_of_supply'] - 45) / self.df['days_of_supply'],
            0
        )
        
        return self.df
    
    def get_summary(self):
        """获取汇总信息"""
        metrics = self.calculate_health_metrics()
        
        summary = {
            'total_inventory_value': metrics['inventory_value'].sum(),
            'overstock_value': metrics['overstock_value'].sum(),
            'high_risk_sku_count': len(metrics[metrics['risk_level'] == '高风险']),
            'avg_days_of_supply': metrics['days_of_supply'].mean(),
            'risk_distribution': metrics['risk_level'].value_counts().to_dict()
        }
        
        return summary
    
    def get_action_recommendations(self):
        """生成行动建议"""
        metrics = self.calculate_health_metrics()
        
        recommendations = []
        
        # 高风险SKU建议
        high_risk = metrics[metrics['risk_level'] == '高风险']
        if not high_risk.empty:
            recommendations.append({
                'priority': 'urgent',
                'action': '立即促销清仓',
                'sku_count': len(high_risk),
                'total_value': high_risk['inventory_value'].sum(),
                'examples': high_risk.nlargest(3, 'inventory_value')['sku'].tolist()
            })
        
        # 中风险SKU建议
        medium_risk = metrics[metrics['risk_level'] == '中风险']
        if not medium_risk.empty:
            recommendations.append({
                'priority': 'normal',
                'action': '监控并暂停采购',
                'sku_count': len(medium_risk),
                'total_value': medium_risk['inventory_value'].sum()
            })
        
        # 低风险SKU建议
        low_risk = metrics[metrics['risk_level'] == '低风险']
        if not low_risk.empty:
            # 检查是否需要补货
            need_replenish = low_risk[low_risk['days_of_supply'] < 15]
            if not need_replenish.empty:
                recommendations.append({
                    'priority': 'normal',
                    'action': '正常补货',
                    'sku_count': len(need_replenish),
                    'examples': need_replenish.nsmallest(3, 'days_of_supply')['sku'].tolist()
                })
        
        return recommendations

# 示例数据
inventory_data = pd.DataFrame({
    'sku': ['A001', 'B002', 'C003', 'D004', 'E005'],
    'current_stock': [2000, 1500, 800, 3000, 500],
    'avg_daily_sales': [50, 20, 80, 10, 60],
    'stock_age_days': [45, 120, 20, 80, 25],
    'cost_per_unit': [10, 25, 15, 30, 12],
    'category': ['电子', '服装', '食品', '家居', '美妆']
})

dashboard = InventoryHealthDashboard(inventory_data)
summary = dashboard.get_summary()
print("库存健康汇总:", summary)

actions = dashboard.get_action_recommendations()
print("\n行动建议:")
for action in actions:
    print(f"- {action['action']}: {action['sku_count']}个SKU")

5.2 库存积压的预警机制

建立多级预警机制，确保问题及时暴露：

预警级别	触发条件	通知对象	响应时间要求
一级预警	单SKU库龄>60天或可售天数>45天	仓库主管	24小时内评估
二级预警	单SKU库龄>90天或可售天数>60天	采购经理+销售总监	12小时内制定方案
三级预警	类别库存价值超预算20%	供应链总监+财务总监	8小时内决策

预警系统实现示例：

def inventory_alert_system(inventory_snapshot):
    """
    库存预警系统
    inventory_snapshot: 包含SKU、库龄、可售天数、库存价值的DataFrame
    """
    alerts = []
    
    for _, row in inventory_snapshot.iterrows():
        # 一级预警
        if row['stock_age_days'] > 60 or row['days_of_supply'] > 45:
            alerts.append({
                'level': '一级预警',
                'sku': row['sku'],
                'reason': f"库龄{row['stock_age_days']}天或可售天数{row['days_of_supply']:.1f}天",
                'action': '立即评估'
            })
        
        # 二级预警
        if row['stock_age_days'] > 90 or row['days_of_supply'] > 60:
            alerts.append({
                'level': '二级预警',
                'sku': row['sku'],
                'reason': f"严重积压：库龄{row['stock_age_days']}天",
                'action': '紧急处理'
            })
        
        # 三级预警（类别级别）
        # 这里需要按类别汇总后判断
    
    return alerts

# 生成预警报告
alerts = inventory_alert_system(dashboard.calculate_health_metrics())
for alert in alerts[:3]:  # 显示前3个
    print(f"[{alert['level']}] SKU {alert['sku']}: {alert['reason']} - {alert['action']}")

6. 实战案例：从数据到决策的完整流程

6.1 案例背景

某电子产品零售商面临库存积压问题，需要优化补货策略。关键数据：

SKU数量：1500个
月销售额：500万元
平均库存价值：800万元
当前周转天数：48天（目标35天）

6.2 诊断分析

步骤1：数据清洗与整合

import pandas as pd

# 模拟数据生成
def generate_sample_data(n=1500):
    np.random.seed(42)
    categories = ['手机', '电脑', '配件', '相机']
    
    data = []
    for i in range(n):
        category = np.random.choice(categories)
        # 不同类别有不同的销售模式
        if category == '手机':
            base_sales = np.random.normal(100, 20)
            price = np.random.uniform(2000, 5000)
        elif category == '电脑':
            base_sales = np.random.normal(50, 15)
            price = np.random.uniform(3000, 8000)
        elif category == '配件':
            base_sales = np.random.normal(200, 50)
            price = np.random.uniform(50, 500)
        else:  # 相机
            base_sales = np.random.normal(30, 10)
            price = np.random.uniform(1000, 3000)
        
        # 添加季节性
        month = np.random.randint(1, 13)
        seasonal_factor = 1 + 0.3 * np.sin(2 * np.pi * (month - 1) / 12)
        
        # 当前库存（部分SKU积压）
        current_stock = base_sales * seasonal_factor * np.random.uniform(20, 80)
        
        # 库龄（部分SKU库龄较长）
        stock_age = np.random.choice([15, 45, 90, 120], p=[0.5, 0.3, 0.15, 0.05])
        
        data.append({
            'sku': f"SKU{i:04d}",
            'category': category,
            'avg_daily_sales': base_sales,
            'current_stock': current_stock,
            'stock_age_days': stock_age,
            'cost_per_unit': price * 0.7,  # 成本价
            'selling_price': price,
            'lead_time_days': np.random.randint(5, 15)
        })
    
    return pd.DataFrame(data)

# 生成数据
inventory_df = generate_sample_data()
print(f"生成 {len(inventory_df)} 个SKU的数据")
print("\n前5行数据:")
print(inventory_df.head())

步骤2：库存健康度分析

# 初始化仪表盘
dashboard = InventoryHealthDashboard(inventory_df)
health_metrics = dashboard.calculate_health_metrics()

# 分析积压情况
overstock_analysis = health_metrics.groupby('category').agg({
    'inventory_value': 'sum',
    'overstock_value': 'sum',
    'sku': 'count',
    'risk_level': lambda x: (x == '高风险').sum()
}).round(2)

print("\n按类别库存分析:")
print(overstock_analysis)

# 计算整体指标
summary = dashboard.get_summary()
print(f"\n整体库存价值: {summary['total_inventory_value']:,.0f}元")
print(f"积压金额: {summary['overstock_value']:,.0f}元")
print(f"高风险SKU数量: {summary['high_risk_sku_count']}")
print(f"平均可售天数: {summary['avg_days_of_supply']:.1f}天")

步骤3：生成优化方案

# 生成行动建议
actions = dashboard.get_action_recommendations()

print("\n=== 库存优化行动方案 ===")
for action in actions:
    print(f"\n优先级: {action['priority']}")
    print(f"行动: {action['action']}")
    print(f"涉及SKU数量: {action['sku_count']}")
    print(f"涉及金额: {action.get('total_value', 0):,.0f}元")
    if 'examples' in action:
        print(f"示例SKU: {action['examples']}")

# 针对高风险SKU制定促销计划
high_risk_skus = health_metrics[health_metrics['risk_level'] == '高风险']
if not high_risk_skus.empty:
    print("\n=== 高风险SKU促销建议 ===")
    for _, row in high_risk_skus.nlargest(5, 'inventory_value').iterrows():
        discount_needed = min(30, row['stock_age_days'] / 3)  # 库龄越长折扣越大
        print(f"SKU {row['sku']}: 库存{row['current_stock']:.0f}件, 库龄{row['stock_age_days']}天, "
              f"建议折扣{discount_needed:.0f}%")

步骤4：预测与补货计划

# 为关键SKU建立预测模型
key_skus = health_metrics.nsmallest(10, 'days_of_supply')['sku'].tolist()

print("\n=== 关键SKU补货计划 ===")
for sku in key_skus[:3]:  # 只显示前3个
    sku_data = inventory_df[inventory_df['sku'] == sku].iloc[0]
    
    # 模拟历史销售数据
    np.random.seed(int(sku[4:]))  # 用SKU编号作为种子
    historical_sales = np.random.normal(
        sku_data['avg_daily_sales'], 
        sku_data['avg_daily_sales'] * 0.15, 
        30
    ).clip(0)
    
    # 建立预测系统
    system = SmartReplenishmentSystem(
        sku_id=sku,
        historical_sales=historical_sales,
        lead_time_days=sku_data['lead_time_days']
    )
    
    plan = system.generate_replenishment_plan(
        current_stock=sku_data['current_stock'],
        current_date="2024-01-15"
    )
    
    print(f"\nSKU {sku}:")
    print(f"  当前库存: {sku_data['current_stock']:.0f}件")
    print(f"  预测行动: {plan['action']}")
    if plan['action'] == 'replenish':
        print(f"  建议补货量: {plan['replenishment_qty']:.0f}件")
        print(f"  补货原因: {plan['reason']}")

6.3 实施效果评估

优化前 vs 优化后指标对比：

指标	优化前	优化后	改善幅度
库存周转天数	48天	32天	↓33%
库存价值	800万元	520万元	↓35%
积压库存占比	28%	8%	↓71%
缺货率	5%	2%	↓60%
资金占用成本	48万元/月	31万元/月	↓35%

关键成功因素：

数据驱动决策：基于准确的库存分析而非经验判断
分级管理：对不同风险等级SKU采取差异化策略
动态调整：持续监控并根据市场变化调整策略
跨部门协作：采购、销售、仓储团队协同工作

7. 实施建议与最佳实践

7.1 建立库存管理体系的四个阶段

阶段1：数据基础（1-2个月）

完善SKU主数据管理
建立准确的库存台账
标准化业务流程

阶段2：分析诊断（1个月）

识别积压SKU
分析积压原因
设定合理目标

阶段3：系统建设（2-3个月）

开发预测模型
建立补货系统
实现预警机制

阶段4：持续优化（持续）

定期回顾与调整
模型迭代升级
经验沉淀分享

7.2 常见陷阱与规避方法

陷阱	表现	规避方法
数据质量差	库存记录不准确	建立盘点制度，使用WMS系统
预测过于乐观	频繁缺货	保守预测，增加安全库存
忽视库龄	老库存越积越多	定期库龄分析，强制处理机制
一刀切策略	所有SKU统一标准	分类管理，差异化策略
缺乏跨部门协作	采购与销售脱节	建立S&OP会议机制

7.3 工具与技术栈推荐

基础工具：

Excel + Power Query（适合中小企业）
Python + Pandas（适合有技术团队的企业）
BI工具（Tableau、Power BI）

进阶系统：

WMS（仓储管理系统）
ERP（企业资源计划）
高级计划系统（APS）

AI/ML技术：

时间序列预测（Prophet、ARIMA）
机器学习回归（XGBoost、LightGBM）
深度学习（LSTM）

8. 总结

精准预测库存周转天数并管理积压风险，是一个系统工程，需要数据、模型、流程和人员的协同。核心要点：

数据是基础：确保库存、销售、采购数据的准确性和完整性
预测是核心：选择合适的预测方法，持续优化模型
策略是关键：结合EOQ、安全库存等模型制定科学的补货策略
监控是保障：建立实时预警机制，快速响应异常
持续改进：定期回顾，不断优化流程和模型

通过本文介绍的方法和工具，企业可以将库存管理从”救火式”转变为”预防式”，显著降低资金占用，提高运营效率，最终增强市场竞争力。

记住，完美的预测不存在，但科学的管理可以将风险降到最低，将效率提到最高。开始行动，从分析你当前的库存健康度做起！