供需缺口分析与优先级分配决策 — 供给不足时的SKU优先级量化与分配算法
Skill-Demand-Supply-Matching-Gap-Analysis · 04-供应链
causalexperimentforecastingoptimizationfraud_detection广告与投放供应链与补货定价与利润风控与合规WF-A 智能补货WF-B 广告优化WF-J DTC 独立站增长WF-K 全域风险防御WF-L 内容营销增长
年化 ROI15-25万元
实现难度⭐⭐⭐☆☆
业务视角
适用角色供应链负责人 · 采购负责人 · CEO / 运营 VP
适用平台Amazon FBA · 海外仓 · 多国仓位（美/欧/日）
什么情况下用库存周转率低，资金压在海外仓出不来；SKU 断货紧急空运，物流成本吃掉毛利；多仓库存分布不均
成功是什么样的库存周转天数从 90 天降到 60 天，断货率 <3%，海外仓综合成本降低 15-25%
业务痛点
1. 解决的问题
S&OP面临"供给不足时靠直觉分配库存"——多维优先级评分模型将AB类大促满足率从80%提升至95%，年化增量销售15-25万元
2. 核心算法逻辑
供需缺口分析 是S&OP中最关键但最缺乏量化工具的决策场景：当供给不足以满足所有需求时，如何分配有限库存？
3. 业务应用场景
场景A：大促前供需缺口紧急分配 - 业务问题：Black Friday前2周发现总备货量比需求计划少30%，无法全部满足，需要决定哪些SKU/渠道先保证 - 数据要求：各SKU需求计划 + 可供应量 + 毛利率 + 平台重要性权重 - 预期产出： - 供需缺口：总缺口15,000件（-30%） - 优先保证：A类旗舰款（最高优先级，全量满足） - 压缩供给：C类配件（优先级低，削减50%） - 行动：旗舰款紧急空运500件补缺，配件申请暂停部分广告 - 业务价值：精准分配避免旗舰款断货（GMV损失约20万），同时控制总缺口影响
**场景B：多平台供需冲突下的渠道优先级决策** - **业务问题**：同款吸奶器在Amazon/TikTok Shop/独立站都有备货需求，但总库存不足，三个渠道应该如何分配 - **数据要求**：各渠道预计销量 + 渠道毛利率 + 各平台战略权重 - **预期产出**：Amazon优先（Buy Box排名影响最大）→ TikTok Shop次之 → 独立站最后 - **业务价值**：系统化决策代替拍脑袋，保护最重要渠道的排名和口碑
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI预估：供需缺口精确分配使AB类旗舰款满足率从80%提升至95%，大促期间年化增量销售约15-25万元；同时避免CD类过度分配导致的积压
- 实施难度：⭐⭐⭐☆☆（需要建立优先级评分体系和跨部门共识，核心难点是权重设定）
- 优先级评分：⭐⭐⭐⭐⭐（陈凤霞："供给不足时的分配决策是S&OP的核心价值，拍脑袋分配每次都是错的"）
- 评估依据：大促期间供给短缺是常态（需求难精确预测），系统化分配决策比直觉判断提升约30%的GMV效率
7. 代码模板
代码块数量：1 · 路径：未检测到
"""
供需缺口分析与优先级分配决策
功能：供需缺口量化 / 多维度优先级评分 / 分配方案生成 / 行动建议
输入：需求计划 + 可供应量 + SKU属性
输出：分配方案 + 优先级排名 + 缺口行动计划
"""
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings('ignore')
def generate_supply_demand_data(n_skus=25, seed=42):
"""生成供需数据"""
np.random.seed(seed)
abc_classes = np.random.choice(['A', 'B', 'C', 'D'], n_skus,
p=[0.08, 0.24, 0.40, 0.28])
channels = np.random.choice(['Amazon-US', 'TikTok', 'Shopify', 'Amazon-DE'],
n_skus, p=[0.50, 0.20, 0.20, 0.10])
records = []
for i in range(n_skus):
abc = abc_classes[i]
demand = {'A': 1500, 'B': 600, 'C': 200, 'D': 50}[abc] * np.random.uniform(0.6, 1.4)
# 供应短缺场景：总体供应=需求的70%
supply_ratio = np.random.uniform(0.55, 0.95) # 有的SKU缺更多
supply = demand * supply_ratio
gross_margin = {'A': 0.45, 'B': 0.38, 'C': 0.30, 'D': 0.22}[abc]
gross_margin *= np.random.uniform(0.85, 1.15)
# 战略重要性（平台+品类）
strategic = {
'Amazon-US': 0.90, 'Amazon-DE': 0.75, 'TikTok': 0.70, 'Shopify': 0.65
}[channels[i]] * {'A': 1.0, 'B': 0.85, 'C': 0.70, 'D': 0.50}[abc]
# 缺货惩罚（断货会导致排名/流量损失）
stockout_penalty = {'A': 0.95, 'B': 0.75, 'C': 0.50, 'D': 0.25}[abc]
# 库存风险（过度分配的风险，滞销品风险高）
inventory_risk = {'A': 0.10, 'B': 0.20, 'C': 0.40, 'D': 0.60}[abc]
records.append({
'sku_id': f'SKU-{i+1:03d}',
'abc_class': abc,
'channel': channels[i],
'demand_qty': round(demand),
'supply_qty': round(supply),
'gap_qty': round(demand - supply),
'gap_pct': round((demand - supply) / demand * 100, 1),
'gross_margin': round(gross_margin, 3),
'strategic_score': round(strategic, 3),
'stockout_penalty': round(stockout_penalty, 3),
'inventory_risk': round(inventory_risk, 3),
})
return pd.DataFrame(records)
8. 论文来源
- 2311.06782