Multi-Channel Inventory Pooling（多渠道库存池化）

1. 解决的问题

吸奶器在 Amazon FBA 仓缺货（销量超预期），但独立站海外仓还有 200 件积压，TikTok Shop 也在慢速消化——三渠道信息不互通，总库存 800 件却出现"某渠道缺货 + 某渠道积压"

2. 核心算法逻辑

多个销售渠道（Amazon / 独立站 / TikTok Shop）独立备货会造成总库存冗余——A 渠道缺货的同时 B 渠道积压。库存池化通过调拨中心（transshipment hub）实现跨渠道动态调拨，用 GNN 建模渠道拓扑 + DRL 学习最优调拨策略。

3. 业务应用场景

业务问题：吸奶器在 Amazon FBA 仓缺货（销量超预期），但独立站海外仓还有 200 件积压，TikTok Shop 也在慢速消化——三渠道信息不互通，总库存 800 件却出现"某渠道缺货 + 某渠道积压"。

数据要求：各渠道 6 个月日销量 + 库存水位 + 调拨成本与时效。GNN 拓扑：3 节点（渠道）+ 1 中心调拨节点

预期产出： - 池化后总安全库存从 1200 降至 900（-25%），同等服务水平 - 调拨触发策略：当 A 渠道库存 < 7 天预测需求且 B 渠道 > 14 天时，自动触发调拨 - 缺货率从 8% 降至 3%

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：库存持有成本 -25%（$12,500/月）+ 缺货损失 -5pp（$40,000/月）；年化 200-400 万元
• 实施难度：⭐⭐⭐☆☆（3 星）— GNN + DRL 有一定工程复杂度，贪心简化版可快速上线
• 优先级评分：⭐⭐⭐⭐☆（4 星）— 多渠道场景下 ROI 极高，WF-A P7 核心能力
• 评估依据：HDPO 论文含完整开源代码（transshipment_backlogged 环境），IBM 论文真实零售链数据验证

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Multi-Channel Inventory Pooling — GNN + Hindsight Policy Optimization
基于 HDPO (arXiv:2306.11246) 框架的简化实现
"""

import numpy as np
from typing import List, Dict, Tuple


class ChannelInventoryPool:
    """多渠道库存池化管理器"""
    
    def __init__(self, n_channels: int, 
                 transship_cost: np.ndarray,  # (n, n) 调拨成本矩阵
                 lead_times: np.ndarray):      # (n, n) 调拨提前期
        self.n = n_channels
        self.transship_cost = transship_cost
        self.lead_times = lead_times
        self.inventory = np.zeros(n_channels)
    
    def pool_decision(
        self, 
        inventory: np.ndarray,
        demand_forecast: np.ndarray,  # 未来 7 天预测
        holding_cost: float = 1.0,
        shortage_cost: float = 10.0,
    ) -> Dict:
        """
        池化决策：决定是否调拨、调拨多少
        
        简化贪心策略：对每对 (i,j)，
        如果 i 缺货风险高且 j 库存充裕 → 调拨
        """
        n = len(inventory)
        decisions = []
        
        for i in range(n):
            # 渠道 i 的缺货风险
            i_demand_7d = demand_forecast[i].sum()
            i_risk = max(0, i_demand_7d - inventory[i])
            
            if i_risk <= 0:
                continue
            
            # 找最优调拨源
            best_source = -1
            best_profit = -np.inf
            
            for j in range(n):
                if j == i:
                    continue
                j_surplus = inventory[j] - demand_forecast[j].sum()
                
                if j_surplus <= 0:
                    continue
                
                transfer_qty = min(i_risk, j_surplus)
                transfer_cost = transfer_qty * self.transship_cost[j, i]
                saving = transfer_qty * shortage_cost - transfer_cost - \
                         transfer_qty * holding_cost * self.lead_times[j, i]

8. 论文来源

• 2306.11246
• 2310.12183