零售店每天處理大量庫存，使得庫存監控和管理變得更加繁瑣。傳統的零售商店庫存管理方法繁瑣，監控、追蹤和管理效率低。這需要一個強大的數位化庫存管理系統，該系統可以無縫執行零售商店庫存分析，以減少手頭庫存，並以更少的體力勞動實現更多庫存銷售。
本文展示如何使用時間序列機器學習模型 SARIMA 來有效地執行零售商店庫存分析，併計算隨著時間的推移滿足客戶需求所需的庫存參數，從而使零售商店獲得最大利潤。
首先，下載資料集。此資料集包含特定產品的歷史記錄，包括日期、產品需求和當前庫存水準等資訊。
執行需求預測和庫存管理的Python程式碼如下。
import pandas as pd
import numpy as np
import plotly.express as px
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX
data = 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 series
fig, 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 = 10
predictions = model_fit.predict(len(time_series), len(time_series) + future_steps - 1)
predictions = predictions.astype(int)
print(predictions)
# Create date indices for the future predictions
future_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 indices
forecasted_demand = pd.Series(predictions, index=future_dates)
# Initial inventory level
initial_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 formula
z = np.abs(np.percentile(forecasted_demand, 100 * (1 - service_level)))
order_quantity = np.ceil(forecasted_demand.mean() + z).astype(int)
# Calculate the reorder point
reorder_point = forecasted_demand.mean() * lead_time + z
# Calculate the optimal safety stock
safety_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 example
stockout_cost = 10 # # it's different for every business, 10 is an example
total_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 cost
total_cost = total_holding_cost + total_stockout_cost
print("Optimal Order Quantity:", order_quantity)
print("Reorder Point:", reorder_point)
print("Safety Stock:", safety_stock)
print("Total Cost:", total_cost)
我們首先可視化“一段時間內的需求”和“一段時間內的庫存”，從中可以觀察到季節性模式。因此我們使用 SARIMA——季節性自回歸移動平均線來預測需求。
要使用SARIMA，我們需要p（自回歸階數）、d（差分度）、q（移動平均階數）、P（季節性AR 階數）、D（季節性差分）和Q（季節性MA 階數） 。繪製 ACF — 自相關函數和 PACF — 偏自相關函數來找出參數值。
現在為了預測，我們初始化一些值。我們將未來步驟（即預測天數）設為 10，提前期（即補充庫存的天數）設定為 1 以及其他此類零售商店相關值。
最後為了計算庫存最優結果，我們使用NewsVendor公式。 NewsVendor 公式源自 NewsVendor 模型，NewsVendor 模型是用於確定最佳庫存水準的數學模型。您可以從本文中了解有關 NewsVendor 公式的更多資訊。
最終評估結果是，
提出的 SARIMA 模型使用 Newsvendor 公式以有效的方式將零售商店庫存管理數位化，以計算滿足客戶需求所需的最佳庫存，同時使零售商獲得最大利潤。
希望這篇文章可以幫助您找到您想要的東西。歡迎對本文提出任何改進或建議。乾杯:)
在這裡查看我的社交並隨時聯繫^_^
以上是零售店的需求預測與庫存管理 - SARIMA 模型的詳細內容。更多資訊請關注PHP中文網其他相關文章！
