设想你经营着一家小面馆，每天打烊后都在为同一个问题发愁：明天该备多少面粉、多少蔬菜、多少酱料？备少了，客人来了没得吃，白花花的生意溜走；备多了，食材烂在冰箱里，全是心疼。更麻烦的是，你的供应商要提前两天备货，供应商的供应商又要提前一周安排生产……每个人都想周全，但每个人都在猜。这就是供应链的日常——一条长长的接力链，任何一环判断失误，都会像多米诺骨牌一样传导下去，越传越离谱。而“供应链协同”，就是让这条链上的所有人不再各自为政，而是共享信息、联合预测、步调一致地接力。今天这篇文章，就跟随老张面馆的订货风波，看看 AI 如何帮我们从“靠感觉备货”走向“靠数据协同”的智慧经营。
理解供应链协同与需求预测，是 AI 从业者将算法落地为零售供应链优化方案的入场券——它能让你从“会调模型”进阶为“能设计整套协同决策系统”的工程师。
目录
可视化演示
展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。
本节配有交互动效（进入视口后自动加载，约 3KB）。
系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T
一、协同本质：从单打独斗到搭伙接力
老张的“老张面馆”开在街角，每天打烊后，他都要对着进货单发愁：面粉订多了怕积压生虫，订少了怕第二天客人来了没面下锅。更要命的是，他只能凭自己店的直觉订货，既不知道隔壁老街坊是不是也在抢同批货源，更不知道上游批发商小李手里到底还有多少存货。这种“各扫门前雪”的备货方式，就是供应链上最常见的困局——每个环节都在黑暗中摸索，总成本和风险被悄悄推高。
供应链协同，简单来说，就是让链条上的供应商、制造商、批发商、零售商不再各自为政，而是共享关键信息、联合做决策，像接力赛一样把需求信号平稳地传下去。协同的目标不是让某一环赚得最多，而是让整条链的总成本最低、响应速度最快。在零售场景里，这意味着老张能把真实的客流和菜单变化告诉小李，小李提前备好料，双方都少压货、少断档。
要理解协同的价值，先要看清一个朴素的目标函数：总库存成本等于缺货成本与持有成本之和。缺货成本是需求来了却没货可卖的损失，持有成本是货物压在仓库里的开销，协同的本质就是在这两者之间找最优平衡点。
对老张来说，这道理一听就懂：面备少了，客人骂骂咧咧走了；备多了，面条放坏只能扔掉。协同并不是什么高深魔法，而是让整个链条的人一起对着这笔账精打细算。当老张和小李坐在一起，把需求数据、安全库存、补货节奏摊开来看，总成本才能以更小的代价被压下去。
- 缺货成本当需求超过可用库存时产生的损失——丢单的收入、顾客流失的长期影响以及紧急补货的额外运费，记为 $C_{\text{stockout}}$。
- 持有成本库存本身带来的开销——占用资金的利息、仓库租金、食材变质损耗，记为 $C_{\text{holding}}$。
- 协同目标供应链协同的实质，就是在缺货与积压之间找平衡，使总成本 $\displaystyle \min C_{\text{total}}$ 最小，而不是让某一环压垮另一环。
二、需求预测基础：看天吃饭与看数据吃饭
老张以前预测明天卖多少碗面，全靠“看天吃饭”——下雨天冷，汤面卖得好；周末学生多，牛肉面走量。这些经验固然有用，但一旦遇到节假日调休、附近新开写字楼这类新情况，直觉就失灵了。后来他听做数据分析的外甥建议，把过去一年的销售记录导出来，按天画成曲线，才发现很多“感觉”其实是有规律的数字。
需求预测，就是根据历史销售数据、营销计划、季节节日等信号，提前估计未来一段时间的需求量。零售场景中的需求通常有三个成分：趋势——长期是涨是跌；季节——每年固定时点的周期性起伏；噪声——随机且难以解释的波动。预测模型的工作，就是从噪声中把趋势和季节“捞”出来。
最基础的预测方法是简单移动平均，它像用一块滑动玻璃板看数据：取最近 n 天的销量求平均，把平均值当作明天的预测值。
老张听完这一套，笑着说：“这不就是把我过去几周的面条销量加一加、除一除嘛。” 没错，但别小看这个朴素操作——它是后面所有复杂模型的基石。老张用移动平均算出的数字，再结合“下雨天”这个外部特征，备货就有了第一个“靠谱的锚点”。
- 滑动窗口$y_{t-i}$ 表示第 t 天往前数第 i 天的实际销量，窗口长度固定为 n，随着新一天到来，窗口不断向前滚动。
- 累加求和$\displaystyle \sum_{i=0}^{n-1} y_{t-i}$ 把窗口内 n 天的销量全部加起来，这一步把分散的历史信息汇总成总量。
- 取平均$\displaystyle \frac{1}{n}$ 把总量除以窗口长度 n，得到这段时期的平均水平，n 越大曲线越平滑，但反应越迟钝。
三、牛鞭效应：一碗面的蝴蝶效应
某个周五傍晚，突然降温，老张面馆多卖了 10 碗热汤面。老张心想明天可能还是冷天，就把面粉订单从平时的 50 斤加到 60 斤。批发商小李一看订单涨了 20%，担心备货不足，就向上一级订了 100 斤。再往上的加工厂看到订单翻倍，干脆把产能排到了 200 斤。就这样，终端只多卖了 10 碗面，传到链条最上游却变成了翻几倍的生产计划——这就是著名的“牛鞭效应”。
牛鞭效应指的是需求信息在供应链向上传递时逐级失真的现象：越往上游，订单波动越剧烈，像一条不断加粗的鞭子。它的根源包括：终端需求的随机波动、各环节的安全库存叠加、批量订货带来的心理放大、以及促销引起的价格波动。可怕的是，每一环都觉得自己在“合理应对”，合起来却造成了巨大的库存浪费。
量化牛鞭效应的常用指标，是订单方差与需求方差的比值。如果比值大于 1，说明波动被放大了。
老张听完恍然大悟：原来自己“多订点以防万一”的小心思，到了小李那里会被加倍猜度，再往上就变成滔天巨浪。缓解牛鞭效应的关键，一是把真实需求数据透明地共享给上游，二是缩短提前期、减少批量订货的跳动幅度，三是通过协同补货让上游直接看到终端的实际销售，而不是只盯着订单数字猜。
- 方差度量$\operatorname{Var}(\text{需求})$ 是终端真实销量的方差，代表市场需求的天然波动，记为 $\sigma^2_d$。
- 订单方差$\operatorname{Var}(\text{订单})$ 是某级节点向上一级发出的订单量的方差，记为 $\sigma^2_o$，它包含了需求波动和决策叠加。
- 比值判断$D = \dfrac{\sigma^2_o}{\sigma^2_d}$，当 D 大于 1 时存在牛鞭效应，D 越大说明波动被放大得越厉害。
四、预测模型方法：从直觉到算法
老张发现移动平均虽然稳，但总慢半拍——每次等趋势变了才反应过来。就像用温度计测水温，水都烧开了，读数才慢慢爬上来。他想要一个能更快跟上变化的“智能温度计”。
指数平滑就是这样的工具：它不把过去所有天同等看待，而是让越近的数据权重越大，越远的数据权重越小，像一个会“健忘”又记性很好的订餐员——昨天的销量记得最牢，上周的销量慢慢淡忘。它的递推公式非常优雅，新的预测由当期真实值和上一期的平滑值各取一部分组成。
再往上的 ARIMA 模型，能同时捕捉趋势、季节和自相关结构，适合有稳定规律的中长期预测；而深度学习模型（如 LSTM、Transformer）可以自动从海量数据中学习复杂的非线性模式，适合品类多、特征杂的零售场景。老张的体会是：预测模型就像选菜刀——不是越贵越好，而是要看切什么菜。规律稳定的用轻便的指数平滑，波动复杂的才请出深度学习这把“重型斩骨刀”。
- 平滑系数$\alpha$（阿尔法）是介于 0 和 1 之间的权重，它决定了模型“记性”的好坏，$\alpha$ 越大越看重当期真实值。
- 当期真实值$y_t$ 是今天实际发生的销量，它是修正预测方向的“最新情报”，乘以 $\alpha$ 决定情报的影响力。
- 上一期平滑值$S_{t-1}$ 是昨天算出的平滑预测，它浓缩了此前所有历史信息的记忆，乘以 $(1-\alpha)$ 表示旧记忆的衰减。
- 递推更新新预测 $S_t$ 等于新旧两部分的加权和，这一步把“新情报”和“旧记忆”融合成一个更新的预测值。
五、信息共享机制：把账本摊在桌上
老张以前死活不愿意把销售数据给小李看，怕小李知道面馆生意好就涨价。后来小李主动提出：你把未来一周的促销计划告诉我，我就能提前备足货，你也不用因为缺货去隔壁批发市场高价救急。老张一试，发现双方都省了钱。这就是信息共享的力量——它不是单方面的“交底”，而是共同把饼做大。
供应链中的信息共享是有层级的：最低层只传订单，中层共享库存与销售数据，最高层共享促销计划、新品上市等前瞻性需求信息。共享层次越深，上下游越能更早、更准地感知真实需求，牛鞭效应也就被削得越狠。
衡量共享价值的直接指标，是比较共享前后预测误差的下降幅度。如果共享后均方根误差更小，说明信息共享确实让预测更贴近真实。
当然，摊开账本也要讲安全。老张和小李不会把配方和利润全盘托出，只会共享与预测相关的关键数据。现代实践通常依靠云端协同平台或 EDI 系统，在数据脱敏、权限分级的前提下实现安全共享，这样既拿到了协同的收益，又守住了商业底线。
- 共享前误差$\text{RMSE}_{\text{alone}}$ 是各节点只看自己订单数据时的预测均方根误差，它包含大量由信息扭曲带来的偏差。
- 共享后误差$\text{RMSE}_{\text{shared}}$ 是共享终端销售数据后重新预测的误差，它剔除了部分层层放大造成的噪声。
- 下降率$R_{\text{dec}}$ 表示共享让误差下降了百分之多少，数值越大说明信息共享的收益越明显。
六、CPFR协同：一起写菜谱
老张和小李合作久了，发现光共享数据还不够——各猜各的预测，数字还是对不齐。老张预测明天卖 200 碗，小李预测卖 150 碗，到底听谁的？于是他们干脆坐下来，像两个大厨一起写一份菜谱：每周开一次会，把双方的市场判断、促销安排、供货能力摆在一起，共同生成一个双方都认的预测计划。
这就是 CPFR（Collaborative Planning, Forecasting and Replenishment，协同计划、预测与补货）。它的核心思想是：预测不是零售商的私事，也不是供应商的负担，而是双方共同的责任。一套完整的 CPFR 流程包括：联合业务计划→销售预测→订单预测→协同补货→绩效评估，每一步都让上下游对着一张图作战。
联合预测最常用的方法，是把双方各自的预测进行加权平均，权重则根据双方的历史预测精度动态调整——谁预测得准，谁的话语权就更大。
老张和小李按照这份“联合菜谱”执行了一个季度，缺货次数明显减少，老张不用再半夜给小李打电话求加急送货，小李的库存周转也快了一截。CPFR 的精髓，就是把“猜忌式交易”变成“合伙式经营”——一起写菜谱的人，自然不会再为食材多少吵架。
- 零售商预测$F_{\text{retailer}}$ 是门店基于促销和客流给出的预测，它更贴近终端市场变化。
- 供应商预测$F_{\text{supplier}}$ 是供应商基于自身产能和主数据给出的预测，它更能反映供给侧的约束。
- 动态权重$w$ 在 0 到 1 之间取值，按双方近期的预测误差反比调整——误差小的那方权重更大，这一步体现了“谁表现好谁多说话”的公平原则。
- 加权融合两边预测乘以各自权重后相加，得到的 $F_{\text{final}}$ 就是双方共同认可的协同预测值。
七、敏捷供应链：随机应变的本领
面馆生意刚稳定，新问题来了：街对面开了一家网红面馆，掀起一阵“番茄牛腩面”热潮，老张的招牌炸酱面销量突然掉了三成。老张没有急着压货，而是把菜单里新加的酸汤水饺放在了显眼位置，又通过小程序搞了一波“老客到店送卤蛋”活动，还把面粉订单临时拆成小批量、高频次补货——两周后，销量不但稳住还涨了。这种“市场变了能快速转身”的能力，就是供应链敏捷性。
敏捷供应链指的是链条具备快速感知需求变化并灵活响应的能力，核心技术是让信息流和物流都“提速”。具体手段包括：缩短前置期——把补货周期从一周压缩到一到两天；延迟定制——先生产半成品，等看清需求方向再完成最后一道工序；柔性库存——用安全库存加快速补货代替一次性大批量备货。
敏捷性的价值可以用利润函数来直观理解：收入减去持有成本和缺货成本，任何一方的损失都会直接削减利润。
老张的体会很朴素：以前备货像囤冬菜——一车拉回来慢慢吃；现在补货像点外卖——需要的时候再叫，及时送到还不占冰箱。快速响应不是说库存越少越好，而是让库存的每一分钱都花在刀刃上，让供应链学会“见风使舵”。
- 销售收入$R_{\text{revenue}}$ 是实际卖出商品获得的收入，它受需求响应速度影响——反应越快，错过的销售机会越少。
- 持有成本$C_{\text{holding}}$ 是库存积压产生的仓储、资金占用和损耗成本，敏捷供应链通过小批量快周转来压低它。
- 缺货成本$C_{\text{stockout}}$ 是需求来了没货可卖导致的损失，快速响应能力让它被控制在很小范围。
- 利润最大化敏捷供应链的目标是让 $P$ 尽可能大，即让收入奔跑、让两类成本打盹。
八、工程实践：从方案到落地
老张的协同流程跑通了，但全靠他和小李人工维护——每周开会、对表、调权重，忙得不可开交。外甥提议：把这些规则写成系统，每天自动跑一遍预测和补货建议，像后厨的标准化作业清单一样，谁来做都不会走样。这就是工程实践的价值：把“妙招”变成“制度”。
一个完整的供应链预测系统包含三块：数据管道——收集历史销量、促销日历、天气等信号，完成清洗、对齐和特征工程；模型落地——选好预测模型，先离线训练回测，再上线做实时推理，并设置自动监控；效果评估——用一个可量化的指标持续盯住预测质量，发现偏差及时调参或换模型。
零售预测最常用的评估指标是 MAPE（平均绝对百分比误差），它用百分比衡量预测偏离真实值的平均程度，让老板一眼看懂“我的预测平均偏了几成”。
落地之后还要持续迭代：每周核查 MAPE，发现某类商品持续偏大就补充特征或切换模型；每个季度复盘协同流程，把新学到的经验沉淀进系统。老张最后感慨：以前觉得“供应链协同”是大公司才玩的词，做了一年才发现，哪怕是家小面馆，只要把数据、模型和协作流程拧成一股绳，也能吃上香喷喷的“系统红利”。
- 预测残差$\hat{y}_t$ 是模型给第 t 天的预测值，$y_t$ 是当天真实销量，两者相减得到误差，取绝对值防止正负抵消。
- 除以真实值$\dfrac{|y_t - \hat{y}_t|}{y_t}$ 把绝对误差折算成相对误差，消除不同销量规模对误差口径的影响，让面包店和小超市能互相比较。
- 平均与百分比对所有天的相对误差求平均再乘以 100%，得到的 MAPE 就是平均偏差百分比，数值越小说明模型越靠谱。
AI 应用场景
盒马鲜生的智能补货
阶段：需求预测与自动补货决策
解决的问题：生鲜品类损耗率极高，传统超市靠店长经验订货，要么临期报废，要么晚市缺货。盒马用 AI 融合历史销量、天气、节假日、实时客流与线上搜索热度，逐小时滚动预测各门店的生鲜需求，并自动向供应商下发补货单，把损耗率显著压低。
具体案例：某沿海门店在台风预警前一天，AI 模型根据天气与历史避险采购规律，自动将水、面点等应急商品的补货量上调 40%，同时把叶菜类订货下调 30%，避免了积压与抢空并存。
宝洁与沃尔玛的 CPFR 合作
阶段：协同预测与协同补货
解决的问题：宝洁向沃尔玛供货时，订单波动远大于门店真实销售波动，导致促销期缺货、平时积压。双方通过共享每日 POS（销售终端）数据，用联合预测模型代替各自为政的订单预测，再自动生成补货计划，显著降低了牛鞭效应。
具体案例：双方对纸尿裤品类实施 CPFR 后，库存周转天数降低约 30%，缺货率下降一半，供应商能提前看到促销计划并预置产能，不再被动接单。
ZARA 的快速反应供应链
阶段：需求感知与柔性补货
解决的问题：时尚零售需求变化极快，提前数月大批量下单风险极高。ZARA 用 AI 实时分析全球门店的款式试穿与销售数据，把新款首单压到总预估量的 15%~20%，剩余部分根据流行趋势小批量、高频次追单，把“猜需求”变成“应需求”。
具体案例：一款联名卫衣首周销量超预期，系统自动把同面料同版式的追单排进工厂缺口产能，两周内完成补货上架，赶在热度回落前吃满销量。
Python 演示
import mathimport random def simulate_supply_chain(steps=60, base=30): """四级供应链仿真：零售商->批发商->分销商->工厂""" levels = 4 # 各节点库存、在途订单、历史订单记录 stock = [100] * levels in_flight = [[0] * (i + 1) for i in range(levels)] orders = [[] for _ in range(levels)] random.seed(42) for t in range(steps): # 终端需求 = 基础量 + 周期波动 + 随机噪声 demand = max(1, int(base + 12 * math.sin(t / 5) + random.uniform(-2, 2))) flow = demand for i in range(levels): stock[i] -= flow # 本层发货，库存减少 stock[i] += in_flight[i].pop(0) # 在途订单到货，库存增加 incoming = max(0, 100 - stock[i]) # 目标库存策略补货 in_flight[i].append(incoming) # 新订单进入在途队列 orders[i].append(incoming) # 记录历史订单 flow = incoming # 本层订单成为上游需求 return orders if __name__ == "__main__": orders = simulate_supply_chain() names = ["Retailer", "Wholesale", "Distributor", "Factory"] print("节点 订单均值 订单标准差") for i, name in enumerate(names): avg = sum(orders[i]) / len(orders[i]) var = sum((x - avg) ** 2 for x in orders[i]) / len(orders[i]) print(f"{name:<10} {avg:8.2f} {var ** 0.5:8.2f}")
stock[i] -= flow本层库存被下游订单消耗，模拟真实出货stock[i] += in_flight[i].pop(0)提前期前发出的订单此刻到货，补回库存incoming = max(0, 100 - stock[i])目标库存补货策略：缺多少补多少in_flight[i].append(incoming)新订单进入在途队列，等待提前期后到货orders[i].append(incoming)记录本层每月订单量，用于后续方差统计flow = incoming把本层订单当作上游需求传入下一层，构成级联传递demand = max(1, int(base + 12 * math.sin(t / 5) + random.uniform(-2, 2)))构造带周期与噪声的终端需求var = sum((x - avg) ** 2 for x in orders[i]) / len(orders[i])计算订单方差，对比放大程度
常见误区
误区很多人觉得预测模型追求的最高目标就是“100% 预测准确”，恨不得让机器算出明天精确到碗的销量，以为准确率越高，供应链就越高效。
正解预测的边际收益是递减的——从 60% 提升到 85% 能省很多钱，但从 95% 追到 99% 往往要付出十倍成本。真正的目标不是让预测完美，而是让预测“够用且及时”，并配上快速补货机制来兜底。老张面馆与其花大价钱装一套超精密预测系统，不如把小批量快补货做好。像做菜一样，火候差不多就好，重点是不能炒糊。
为何常见：模型竞赛和评测榜单让人习惯性地把“精度”当作唯一标准，忽略了业务中“决策价值”才是核心。
误区有些供应商一听要信息共享就紧张，以为必须把成本、配方、利润全盘托出，否则就不算“协同”，因此拒绝参与。
正解供应链协同分享的是与预测相关的关键数据——促销计划、门店库存、订单前置量等，而不是全部商业秘密。双方通过脱敏、聚合、权限分级的方式共享“够用”的信息即可。老张只跟小李分享“未来一周预计卖多少碗”，不会把炸酱秘方交出去。共享是分层的，协同不等于裸奔。
为何常见：把“共享”直觉地理解成“公开一切”，忽视了数据治理和权限设计本身就是协同方案的组成部分。
误区有人觉得电商和数字平台数据透明，牛鞭效应早就消失了，只有线下批发链条才会被放大订单波动。
正解牛鞭效应的根源是信息延迟、批量决策与激励错位，而不仅是渠道形态。电商的库存中心、大促备货、多仓调拨同样存在订单逐级放大；直播带货的瞬时峰值甚至会引发更剧烈的“脉冲式”牛鞭效应。数字化转型只是降低了消除它的难度，并不意味着自动消除。老张开了线上外卖后，遇到平台满减活动，备货波动反而更刺激了。
为何常见：人们容易把“数据在线”误认为“信息协同”，忽略了数据没有被有效共享和联合决策时，在线也只是更快的“各自为政”。
误区不少企业觉得实施 CPFR 就要上全套昂贵的新系统，把 ERP、WMS 全部替换，项目动辄一年半载，小企业根本玩不起。
正解CPFR 的核心是流程和组织协同，IT 只是支撑。完全可以在现有系统基础上，先补一个共享预测表、每周开一次联合计划会，用电子表格或轻量云文档就能起步。老张和小李最初甚至只用微信同步每日销量和明日预估，效果就立竿见影。系统升级是循序渐进的事，不是前置条件。
为何常见：供应商和零售商的系统确实异构，人们容易把“系统打通”误当成协同本身，忽略了流程契约和信任建设才是更难的环节。
误区有的工程师一上来就上 LSTM、Transformer，觉得深度学习才是未来，简单模型拿不出手，结果数据量不够、特征太杂，模型在线上跑得又慢又不稳。
正解模型选型要看数据量与业务复杂度。数据量小时，移动平均和指数平滑又稳又解释性强；数据充足、模式复杂时，深度学习才有优势。老张面馆的数据只有几百条，外甥用指数平滑就够用了；等到连锁扩张、数据量级上来，再考虑上复杂模型。工程实践讲究“够用就好，简单优先”。
为何常见：技术热点驱动的惯性思维，加上对“简单模型效果足够好”的不信任，导致过度建模成为常态。
面试题
Q1. 牛鞭效应最直接的表现是什么？
- A.波动沿链条逐级放大← 正确答案
- B.库存成本持续下降
- C.物流配送速度翻倍
- D.供应商品种大量减少
答案：A。牛鞭效应的核心是终端需求的小波动在向上游传递时被层层放大，就像老张多卖 10 碗面，传到工厂变成翻倍订单。B、C、D 都不是牛鞭效应的必然结果，甚至可能是别的手段带来的改善。
Q2. 简单移动平均中，窗口 n 取更大时预测曲线会发生什么？
- A.预测曲线更平滑← 正确答案
- B.预测曲线更灵敏
- C.预测结果没有变化
- D.结果必然更加精确
答案：A。n 越大，参与平均的历史数据越多，随机噪声被稀释得越干净，曲线更平滑；但代价是对新趋势反应更迟钝。窗口变化肯定影响结果，所以 C 错；n 大并不保证更精确，D 错。
Q3. 指数平滑公式中，平滑系数 α 接近 1 代表什么含义？
- A.更信任近期数据← 正确答案
- B.更信任远期数据
- C.模型不再迭代更新
- D.预测结果恒为零值
答案：A。指数平滑中 α 越大，当期真实值的权重越大，等于说“最近发生的事最重要”；α 越小，历史记忆保留越多。α=1 时预测完全等于当期值，但这不代表模型停止迭代或预测为零，所以 C、D 错。
Q4. 供应链协同中“信息共享”的首要价值是什么？
- A.消除牛鞭效应的根源← 正确答案
- B.减少门店员工数量
- C.增加仓库安全库存
- D.扩大供应商的数量
答案：A。信息共享让上游直接看到终端真实需求，减少因猜测订单而叠加的安全库存，这是消除牛鞭效应的关键。它不会减少员工、增加库存或扩大供应商数量，那些是其他手段可能带来的副作用。
Q5. CPFR 联合预测中的权重 w 应该怎样确定？
- A.按预测精度动态调优← 正确答案
- B.固定取值 0.5 不变
- C.由供应商独自决定
- D.由零售商独自决定
答案：A。权重 w 应基于双方历史预测误差的动态表现来调整——谁预测得准，谁的话语权大。固定 0.5 忽略了个体能力差异；由单方决定则违背协同的公平原则，会损伤另一方的参与积极性。
Q6. 以下哪些措施能有效缓解牛鞭效应？
- A.上下游信息透明共享← 正确答案
- B.大幅缩短订单提前期← 正确答案
- C.保持供应商数量不变
- D.实施CPFR协同补货← 正确答案
答案：ABD。信息共享能消除需求信息的层层扭曲，缩短提前期能让补货更快响应真实需求，CPFR 让上下游联合预测和补货，三者都直击牛鞭效应的成因。保持供应商数量不变与波动放大没有直接关系。
Q7. 关于 MAPE 评价指标，下列说法正确的有哪些？
- A.除以真实值消除量纲← 正确答案
- B.对零值敏感易失真← 正确答案
- C.适合横向对比误差← 正确答案
- D.表示绝对误差大小
答案：ABC。MAPE 先求相对误差再取平均，所以消除了量纲、适合横向比较，但遇到真实值为 0 时分母为零导致失真。它衡量的是百分比相对误差，不是绝对误差，D 错。
Q8. 在目标库存补货策略中，提前期从 1 期增至 3 期，其他条件不变，订单方差通常如何变化？
- A.订单波动方差增大← 正确答案
- B.订单波动方差减小
- C.订单波动保持恒定
- D.预测精度不受影响
答案：A。提前期越长，决策者看到的需求信息越滞后，补货决策越容易被暂时性波动带偏，订单方差随之放大。这就是仿真代码中越往上游提前期越长、标准差越大的原因。其余选项与提前期的信息滞后效应矛盾。
Q9. 供应链协同的直接受益者是谁？
- A.供应链上所有参与节点← 正确答案
- B.仅零售商和门店两个环
- C.仅上游供应商一个环节
- D.仅物流运输配送公司方
答案：A。协同降低的是整条链的总成本与总风险，缺货损失和库存积压的减少会惠及零售商、供应商、物流商等每一个节点。单独某一家获益不可持续，所以 B、C、D 都太片面。
Q10. 构建销售预测模型时，哪些适合作为输入特征？
- A.历史销售数据← 正确答案
- B.促销计划安排← 正确答案
- C.季节日期特征← 正确答案
- D.顾客昵称爱好
答案：ABC。历史销量、促销日历和季节特征是影响未来销量的核心信号，模型可以从中学到趋势与周期。顾客昵称爱好属于隐私且与销量无直接因果，既不适合也不合法作为预测特征。