智能补货决策系统 - 库存优化分析产品系统

电商企业普遍面临SKU数量多（300+）、库存资金占用高的痛点。一刀切的补货策略导致A类爆款频繁断货影响销售，C类长尾商品大量积压占用仓储。缺乏数据驱动的差异化库存管理方案，无法对不同价值等级的商品进行精细化运营。本项目旨在通过ABC分类法识别核心商品，结合需求预测和安全库存模型，为不同类别的SKU制定差异化的补货策略，在保证服务水平的前提下，系统性降低库存持有成本，解决"该补的没补、不该补的囤了一堆"的业务问题。

本系统包含四大核心功能模块：

ABC分类模块：基于销售额对300+SKU进行帕累托分析，自动划分为A类（高价值18%）、B类（中价值25%）、C类（低价值56%），并根据分类结果配置差异化的服务水平参数（99%/95%/90%）。

需求预测模块：集成移动平均、指数平滑、Holt-Winters三种时序预测算法，系统自动计算各算法的MAPE误差，自适应选择最优模型进行未来7-30天的销量预测，避免人工选型的主观偏差。

安全库存计算模块：基于经典安全库存公式，同时考虑需求波动（日需求标准差）和供应波动（提前期标准差），结合ABC分类对应的服务水平系数（Z值），自动计算每个SKU的安全库存阈值和再订货点。

EOQ经济订货批量模块：计算理论最优订货批量，并通过箱线图识别异常高值（如低价高销量SKU），自动标记需要人工复核的异常点，支持设置EOQ上限约束以适配仓储物理限制。

我的职责：我是本项目的独立设计者和开发者。完成了从业务需求分析、数据构建、算法选型、代码实现到可视化报告输出的完整工作流程。具体包括：构建300个SKU的模拟数据集（含4个品类、365天销售记录，共10万+条记录）；设计并实现了ABC分类、自适应需求预测、安全库存计算、EOQ等核心算法模块；完成可视化分析（盒须图、热力图等）；输出业务洞察和可落地的优化建议。

技术栈：Python（Pandas、NumPy、Matplotlib、Seaborn、Statsmodels）、Jupyter Notebook。数据层面自建10万条模拟销售数据集，覆盖品类、季节性（大促1.5倍系数、淡季0.7倍系数）、周末效应等真实业务特征。

技术亮点：(1) 自适应算法选择 - 系统自动计算三种预测算法的MAPE并择优，提升预测准确度；(2) 安全库存双重波动建模 - 同时考虑需求波动和供应商提前期波动，比行业常见的单因子模型更贴合实际；(3) 箱线图异常检测 - 通过EOQ箱线图识别出"低价高销量SKU被错分至B类"的分类偏差，并给出根因分析与3个具体SKU的优化方案；(4) 成本效益量化 - 将算法输出转化为可量化的业务价值（预估年节省14.2万元）。