预测缺货：通过数据驱动的洞察增强快速消费品的弹性
Posted: Tue Feb 04, 2025 6:09 am
编者注： SCM 毕业论文《病例填补率预测》由 Madeleine Lee 和 Kamran Iqbal Siddiqui 撰写，由 Elenna Dugundji 博士 ( [email protected] ) 和 Thomas Koch 博士 ( [email protected] ) 指导。如需有关毕业论文的更多信息，请联系论文指导老师。
快速消费品 (FMCG) 行业目前市值 10 万亿美元，有望实现指数级增长，预计到 2025 年将达到 15 万亿美元。然而，该行业复杂的供应链和不可预测的需求模式因近期 COVID-19 疫情、苏伊士运河封锁和港口拥堵等事件而变得更加复杂。这些挑战凸显了快速消费品行业的脆弱性，导致客户需求得不到满足，危及业务弹性。
为了解决这些问题，我们的毕业项目着手确定导致快速消费品公司货箱填充率 (CFR) 低的关键因素，并开发预测模型来改善未来的 CFR。通过利用数据驱动的洞察力，该项目提供了一种管理 CFR 的变革性方法，最终提高快速消费品领域的销售额、客户忠诚度和整体弹性。
共同的斗争
拥有多样化产品组合的消费品公司面临着在动态商业环境中保持最佳 CFR 的共 象牙海岸电子邮件列表 同挑战。CFR 通过将总出货量除以总客户订单量计算得出，是公司满足客户需求能力的指标。CFR 下降可能导致销售损失、客户忠诚度下降，甚至可能违约。销售额仅下降 1% 就可能意味着数百万的净利润损失，这凸显了保持最佳 CFR 的重要性。
我们的项目遵循了稳健的三阶段方法：业务理解、建模和验证。我们汇编了大量数据集，包括销售交易、客户购买历史、库存水平和制造计划，以全面了解业务运营和客户行为。我们采用了严格的数据预处理技术来确保数据完整性、集成各种数据类型并提高数据质量。我们还应用了描述性分析，例如ACF（自相关函数）和 PACF （偏自相关函数），来识别时间序列数据集中的自相关。
在建模阶段，我们采用了各种技术来发现模式并预测未来的 CFR。时间序列分析能够分离单个和多个变量对 CFR 的影响。我们利用统计方法（包括决策树矩阵）来识别低 CFR 的主要驱动因素。我们采用了两种不同的方法：一种混合模型用于预测切割数量，另一种高级深度学习技术（包括 XGBoost、LSTM 和多步 LSTM）用于预测库存可用性和订单数量。
快速消费品 (FMCG) 行业目前市值 10 万亿美元，有望实现指数级增长，预计到 2025 年将达到 15 万亿美元。然而，该行业复杂的供应链和不可预测的需求模式因近期 COVID-19 疫情、苏伊士运河封锁和港口拥堵等事件而变得更加复杂。这些挑战凸显了快速消费品行业的脆弱性，导致客户需求得不到满足，危及业务弹性。
为了解决这些问题，我们的毕业项目着手确定导致快速消费品公司货箱填充率 (CFR) 低的关键因素，并开发预测模型来改善未来的 CFR。通过利用数据驱动的洞察力，该项目提供了一种管理 CFR 的变革性方法，最终提高快速消费品领域的销售额、客户忠诚度和整体弹性。
共同的斗争
拥有多样化产品组合的消费品公司面临着在动态商业环境中保持最佳 CFR 的共 象牙海岸电子邮件列表 同挑战。CFR 通过将总出货量除以总客户订单量计算得出，是公司满足客户需求能力的指标。CFR 下降可能导致销售损失、客户忠诚度下降，甚至可能违约。销售额仅下降 1% 就可能意味着数百万的净利润损失，这凸显了保持最佳 CFR 的重要性。
我们的项目遵循了稳健的三阶段方法：业务理解、建模和验证。我们汇编了大量数据集，包括销售交易、客户购买历史、库存水平和制造计划，以全面了解业务运营和客户行为。我们采用了严格的数据预处理技术来确保数据完整性、集成各种数据类型并提高数据质量。我们还应用了描述性分析，例如ACF（自相关函数）和 PACF （偏自相关函数），来识别时间序列数据集中的自相关。
在建模阶段，我们采用了各种技术来发现模式并预测未来的 CFR。时间序列分析能够分离单个和多个变量对 CFR 的影响。我们利用统计方法（包括决策树矩阵）来识别低 CFR 的主要驱动因素。我们采用了两种不同的方法：一种混合模型用于预测切割数量，另一种高级深度学习技术（包括 XGBoost、LSTM 和多步 LSTM）用于预测库存可用性和订单数量。