① 问题 ② 算法 ③ 场景 ④ 代码 ⑤ 关联 ⑥ 价值

仓储入库质量与收货准确率KPI — 收货差异检测、破损率管控与验收时效

Skill-Warehouse-Inbound-Quality-Accuracy-KPI · 04-供应链

causalexperimentoptimization供应链与补货数据采集与治理WF-A 智能补货WF-E Review监控WF-I 智能体工程

年化 ROI15万元

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

库存周转天数太长资金压死了断货了只能空运救急成本爆了多市场库存分配不均

1. 解决的问题

仓储入库面临"收货差异无法追溯"——三维KPI体系（量/质/时）将入库差异率从2.8%降至0.5%，年减少损失15万元

2. 核心算法逻辑

入库质量管控是陈凤霞书中仓储管理的起点，"入库准确才能库存准确"。入库KPI体系覆盖三个核心维度：

3. 业务应用场景

场景A：FBA直发入库差异管控 - 业务问题：吸奶器批次入库FBA仓后，亚马逊系统显示收货500件但实际签收发货485件，差异15件无法追溯 - 数据要求：采购单数量 + 物流发货清单 + FBA收货确认 + 每批次差异原因记录 - 预期产出： - 近12月入库差异率趋势（当前平均2.8%，超标） - 差异原因分布：FBA收货差异35%、供应商短发28%、运输破损22%、录入错误15% - 每类差异的索赔成功率和追回金额 - 业务价值：系统化差异管控将损失从年化18万降至4万，同时满足Amazon平台差异率标准

**场景B：海外仓多供应商批量入库质量监控** - **业务问题**：海外仓（美国/德国）同时接收5家供应商货物，入库质量参差不齐，仓库人员标准不统一 - **数据要求**：每批次入库记录（时间/SKU/数量/破损情况/验收人） - **预期产出**： - 分仓库/分供应商的入库质量KPI热图 - 最佳实践标准化（从最优仓库推广） - **业务价值**：统一标准后整体破损率从0.8%降至0.25%，节省年化损失约10万元

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：将入库差异率从2%降至0.5% = 年减少损失约15万元（含差异货物价值+索赔人工+库存不准确导致的补货错误）；准确的入库KPI使库存准确率提升，减少年化库存偏差损失约10万元
实施难度：⭐⭐☆☆☆（核心是扫码验收替代手工记录，数据采集成本低）
优先级评分：⭐⭐⭐⭐⭐（"入库准确"是库存准确性的根基，陈凤霞书第一章起点）
评估依据：陈凤霞书中强调"库存不准从入库错误开始，90%的盘点差异可追溯到入库环节的错误或漏记"

7. 代码模板

代码块数量：2 · 路径：未检测到

"""
仓储入库质量与收货准确率 KPI 体系
功能：收货准确率计算 / 破损率监控 / 差异根因归因 / 入库KPI仪表盘
输入：入库验收记录（批次级）
输出：入库质量KPI报告 + 差异索赔建议 + 根因分析
"""
import numpy as np
import pandas as pd
from datetime import datetime, timedelta
import warnings
warnings.filterwarnings('ignore')


def generate_inbound_records(n=300, seed=42):
    """生成模拟入库验收数据"""
    np.random.seed(seed)
    
    suppliers = ['SUP-深圳宝美', 'SUP-宁波精工', 'SUP-广州婴优', 'SUP-东莞精密']
    warehouses = ['US-FBA仓', 'DE-海外仓', 'CN-保税仓']
    discrepancy_reasons = ['供应商短发', '运输破损', 'FBA收货误差', '包装换算错误', '系统录入错误', '无差异']
    
    records = []
    base_date = datetime(2025, 1, 1)
    
    for i in range(n):
        po_qty = np.random.randint(200, 2000)
        warehouse = np.random.choice(warehouses, p=[0.5, 0.3, 0.2])
        supplier = np.random.choice(suppliers)
        
        # 模拟差异（90%批次无实质差异，10%有差异）
        has_discrepancy = np.random.random() < 0.10
        
        if has_discrepancy:
            reason = np.random.choice(discrepancy_reasons[:-1],
                                      p=[0.30, 0.25, 0.20, 0.15, 0.10])
            # 差异量（短发/损坏数量）
            discrepancy_qty = np.random.randint(1, max(2, int(po_qty * 0.05)))
            received_qty = po_qty - discrepancy_qty
            damaged_qty = discrepancy_qty if reason == '运输破损' else 0
        else:
            reason = '无差异'
            discrepancy_qty = 0
            received_qty = po_qty
            damaged_qty = np.random.randint(0, 2)  # 偶尔有极少破损
        
        # 验收时效（小时）
        receiving_hours = np.random.choice(
            [np.random.randint(8, 20), np.random.randint(20, 48), np.random.randint(48, 72)],
            p=[0.75, 0.20, 0.05]
        )
        
        arrive_date = base_date + timedelta(days=np.random.randint(0, 365))
        
        records.append({
            'inbound_id': f'IN-{i+1:04d}',
            'supplier': supplier,
            'warehouse': warehouse,
            'arrive_date': arrive_date,
            'month': arrive_date.strftime('%Y-%m'),
            'po_qty': po_qty,

8. 论文来源

2311.08562