预测偏差加减码检测与校正 — 供应链计划主动修正行为的量化分析与偏差溯源
Skill-Forecast-Bias-Adjustment-Detection · 04-供应链
1. 解决的问题
供应链团队凭经验打折预测反而可能比直接使用原始预测更差——修正Theil's U量化人工修正价值（>1说明修正有害），发现有害修正后停止此类干预使计划准确率提升约5-8%
2. 核心算法逻辑
书籍核心洞察（陈凤霞）：供应链团队在拿到销售预测后，往往会主动"打折"（认为预测偏高而缩减）或"加码"（认为保险起见而扩大）。书中将这种行为称为加减码（Supply Chain Adjustment），并明确指出：加减码本身不是问题，问题是加减码行为是否有依据、是否带来正向效果。如果供应链团队的历史修正总是让预测变得更差（即修正后的计划准确率低于原始预测准确率），那么这种"经验调整"实际上是在增加误差而非减少。
3. 业务应用场景
- 业务问题：某卖家月末经常发现库存积压，运营声称"预测做得很好"，但实际供应链分析发现销售团队的月度预测平均高出实际28%（系统性乐观偏差） - 检测应用： 1. 计算过去12个月每月的FA：平均72%（28%偏差） 2. 计算修正后的PA（供应链后来打折了80%执行）：平均78%（修正有益！） 3. 但仍有22%误差，且修正系数本身也有偏差（打折80%基于经验，实际应打折74%） 4. 量化最优修正系数：0.74，更新供应链SOP - 预期产出：计划准确率从78%提升至84%，库存积压减少约20%
场景B：加减码行为影响评估（是否应该保留人工修正）
- **业务问题**：管理层质疑"为什么需要人工修正预测？"，想了解供应链团队的修正到底有没有价值 - **算法评估**：计算修正Theil's U： - 吸奶器品类：U=0.85（修正有益，保留） - 婴儿服装品类：U=1.12（修正有害！去掉人工修正） - 婴儿食品品类：U=0.97（基本无效，建议自动化替代）
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：发现"有害修正"后停止此类人工干预，直接使计划准确率提升约5-8%；以月GMV$50万计算，准确率每提升1%≈$5000价值；系统$1万，ROI>400%
- 实施难度：⭐⭐☆☆☆（只需历史预测+实际数据；主要挑战是记录每次人工修正前后的原始预测值）
- 优先级：⭐⭐⭐⭐⭐（书中第五章专章讲解，是供应链计划管理的"元认知"——知道自己的决策质量）
- 适用规模：所有有人工预测修正流程的组织，特别是销售与供应链存在"博弈"的团队
- 数据依赖：原始销售预测（修正前）、最终执行计划（修正后）、实际销售数据（结果）
7. 代码模板
代码块数量：3 · 路径：未检测到
"""
预测偏差加减码检测与校正
基于《全链路管理》陈凤霞 第五章第一节
FA vs PA对比 + 修正Theil's U + 最优修正系数
"""
import numpy as np
import pandas as pd
from scipy import stats
from typing import Dict, List, Optional, Tuple
import warnings
warnings.filterwarnings('ignore')
class ForecastBiasAnalyzer:
"""预测偏差与加减码分析器"""
@staticmethod
def forecast_accuracy(forecasts: np.ndarray, actuals: np.ndarray) -> float:
"""计算预测准确率FA"""
if len(actuals) == 0:
return 0.0
errors = np.abs(forecasts - actuals) / np.maximum(actuals, 1)
return float(1 - np.mean(errors))
@staticmethod
def mean_bias(forecasts: np.ndarray, actuals: np.ndarray) -> float:
"""计算系统性偏差（正=乐观偏高，负=悲观偏低）"""
biases = (forecasts - actuals) / np.maximum(actuals, 1)
return float(np.mean(biases))
@staticmethod
def theil_u_ratio(forecasts: np.ndarray, plans: np.ndarray,
actuals: np.ndarray) -> float:
"""
修正Theil's U统计量
<1: 修正优于原始预测
=1: 修正与原始预测等效
>1: 修正劣于原始预测（有害修正）
"""
rmse_forecast = np.sqrt(np.mean((forecasts - actuals) ** 2))
rmse_plan = np.sqrt(np.mean((plans - actuals) ** 2))
if rmse_forecast == 0:
return 1.0
return float(rmse_plan / rmse_forecast)
def compute_optimal_adjustment_factor(self, forecasts: np.ndarray,
actuals: np.ndarray,
min_factor: float = 0.5,
max_factor: float = 1.5) -> Dict:
"""
计算历史最优修正系数
通过网格搜索找到使PA最高的乘数因子
"""
best_factor = 1.0
best_pa = self.forecast_accuracy(forecasts, actuals)
for factor in np.arange(min_factor, max_factor, 0.02):
adjusted = forecasts * factor
pa = self.forecast_accuracy(adjusted, actuals)
if pa > best_pa:8. 论文来源
未自动抽取；请查看原始 Skill 卡片。