经管之家App
让优质教育人人可得
立即打开
核心目标是：基于完整的过往数据，实现对每一个日期、每个仓库、每种商品所处运营状态的自动化识别，生成可用于补货决策、新品评估及陈列优化的状态标签体系。
全部版块
我的主页
收藏
datewarehouse_idsku_idcate_1 / cate_2 / cate_3inventory_qtyoutbound_qtyoutbound_store_cntinbound_qtyinbound_qty(warehouse_id, sku_id, date)在进行状态标注前，需预先计算一系列滑动窗口指标和统计特征，用于检测异常模式或显著变化。
inbound_qtyinbound_qty(t) = max( inventory_qty(t) - inventory_qty(t-1) + outbound_qty(t), 0 )(warehouse_id, sku_id)roll_7d_outbound_qtyroll_7d_outbound_store_cntroll_30d_outbound_qtyroll_30d_outbound_store_cntroll_7d_inbound_qtyroll_30d_inbound_qtyhist_outbound_meanhist_outbound_stdhist_outbound_medianhist_outbound_MADhist_store_cnt_medianhist_store_cnt_MAD(warehouse_id, sku_id)首销日期 first_sell_date = 最早 outbound_qty > 0 的 date
上新期长度 T_new = 按品类设定，常见 7–14 天（生鲜可以短一点）[first_sell_date, first_sell_date + T_new - 1]outbound_store_cnt(t) > hist_store_cnt_median + K1 * hist_store_cnt_MADoutbound_qty(t) > hist_outbound_median + K2 * hist_outbound_MADoutbound_qty(t) > hist_outbound_Q90 （历史 90% 分位）inbound_qty(t) > hist_inbound_median + K3 * hist_inbound_MAD若 t 在 [first_sell_date, first_sell_date + T_new - 1] 内，
且 (门店数显著高 OR 出库量显著高 OR 入库量显著高)，
则状态 = "上新强铺货"。outbound_qty = 0inventory_qty > 0K_minK_max(warehouse_id, sku_id)[t_start, t_end]对于 t ∈ [t_start, t_end]：
outbound_qty(t) = 0
AND inventory_qty(t) > 0
区间长度 L = t_end - t_start + 1
K_min ≤ L ≤ K_max在 [t_start - P, t_start - 1] 这 P 天中，存在 t'，使 outbound_qty(t') > 0
并且 在 [t_end + 1, t_end + Q] 这 Q 天中，存在 t''，使 outbound_qty(t'') > 0状态 = "短暂下架"业务理解：
该 SKU 已基本从当前仓库的货架体系或运营流程中撤出，表现为长时间无法购买、不再补货。典型特征包括：
outbound_qty = 0由于不同品类的商品生命周期差异显著，建议依据品类分别配置“长期下架”的判定天数阈值。
M示例：
| 一级品类 | 短暂下架上限 K_max | 长期下架阈值 M |
|---|---|---|
| 生鲜 | 3–5 天 | 7–14 天 |
| 食品杂货 | 7–10 天 | 30 天 |
| 日化百货 | 10–14 天 | 30–60 天 |
对每个
(warehouse_id, sku_id)，寻找满足以下条件的时间点：
存在连续 M 天区间 [t_start, t_end]，对所有 t ∈ [t_start, t_end]：
outbound_qty(t) = 0
并且 (以下任一成立)
1）库存长期为 0 型：
inventory_qty(t) = 0 对所有 t ∈ [t_start, t_end]
2）库存极低且无入库型：
inventory_qty(t) ≤ I_low （小阈值，如 1 或 2）
且 inbound_qty(t) ≈ 0 （可以用 roll_30d_inbound_qty 很小来判断）
3）长期无流动型：
inbound_qty(t) ≈ 0 且库存几乎不变化（|inventory_qty(t) - inventory_qty(t-1)| ≤ δ）同时确保在
[t_start - H, t_start - 1]这一时间段内，商品曾有过稳定销量：
roll_30d_outbound_qty(t_start - 1) > V_min若不满足上述销量条件，则可能属于从未真正上架推广的滞销品，不应标记为“下架”，而应归类为“未推广”状态。
对符合条件的每个日期 t ∈ [t_start, t_end]，进行如下标记：
状态 = "长期下架"业务理解：
该 SKU 在市场上具备需求基础（历史数据显示为动销商品），但当前仓库库存为 0 或远低于合理水平，且无出库行为，表明供应能力未能匹配市场需求。
缺货通常被视为最高优先级的运营问题。
inventory_qty(t) <= 安全库存阈值 I_safe（通常 0 或很小）outbound_qty(t) = 0或
outbound_qty(t) << hist_outbound_mean （比如 < 0.2 * hist_outbound_mean）roll_30d_outbound_qty(t-1) > V_minroll_30d_outbound_store_cnt(t-1) > S_minstore_order_qty(t) > 0 但 outbound_qty(t) = 0对
(warehouse_id, sku_id, date=t)，当满足：
if inventory_qty(t) <= I_safe
AND ( outbound_qty(t) = 0
OR outbound_qty(t) < α * hist_outbound_mean )
AND ( roll_30d_outbound_qty(t-1) > V_min
OR roll_30d_outbound_store_cnt(t-1) > S_min ):
状态 = "缺货"其中：
I_safeαV_minS_min同一 SKU 在同一天可能符合多个状态判定规则（例如：库存为 0、长期无销量，同时刚过新品推广期）。因此，必须建立统一的状态优先级体系，以确保每日仅输出一个最终标签。
推荐优先级顺序（由高到低）：
实现逻辑上，可采用逐层覆盖方式：
for 每个 warehouse_id, sku_id, date=t:
if 满足缺货条件:
label(t) = "缺货"
else if 满足上新强铺货条件:
label(t) = "上新强铺货"
else if 满足短暂下架条件:
label(t) = "短暂下架"
else if 满足长期下架条件:
label(t) = "长期下架"
else:
label(t) = "正常"注意：
“长期下架”与“短暂下架”本质上是区间型属性，可先整体识别连续区间，再回填至每日记录。但在最终每日状态判定时，仍需按照上述优先级进行覆盖处理。
无需更改核心规则逻辑，只需保证所有计算均在
(warehouse_id, sku_id)分组基础上独立运行即可。
伪代码示意：
按 (warehouse_id, sku_id) 分组：
按 date 排序
计算 rolling 指标 + 历史统计指标
计算首销日期 first_sell_date
扫描日期序列进行状态判断打标多级品类主要用于差异化配置各类阈值参数，例如：
T_newK_min, K_maxMI_safeV_min, S_minK1, K2, K3建议构建一张“品类参数配置表”，示例如下：
| cate_1 | cate_2 | cate_3 | T_new | K_min | K_max | M | I_safe | V_min | S_min | α（缺货倍率） |
|---|---|---|---|---|---|---|---|---|---|---|
| 生鲜 | 水果 | 进口水果 | 5 | 2 | 5 | 10 | 5 | 3 | 0.2 | |
| 生鲜 | 肉禽蛋 | 冷鲜肉 | 3 | 2 | 5 | 7 | 5 | 3 | 0.2 | |
| 食品 | 饮料 | 碳酸饮料 | 10 | 3 | 10 | 30 | 2 | 10 | 5 | 0.3 |
| 日化 | 清洁 | 洗衣液 | 14 | 5 | 14 | 60 | 2 | 8 | 4 | 0.3 |
实际计算过程中，依据 SKU 所属的 cate_1/cate_2/cate_3 层级匹配对应参数。
提供一套可直接转化为 SQL 或 Python 代码的完整执行框架（按步骤说明）。
从原始业务系统中提取或汇总生成“日级库存+出库”明细表：
fact_daily_sku_warehouse
(
date,
warehouse_id,
sku_id,
cate_1, cate_2, cate_3,
inventory_qty,
outbound_qty,
outbound_store_cnt
)若有入库数据，可通过 join 补充
inbound_qty；若无，则可根据库存变动趋势反向推算入库情况。
对
(warehouse_id, sku_id)进行分组，并按
date排序，依次计算以下字段：
prev_inventory_qtyinbound_qtyroll_7d_outbound_qtyroll_30d_outbound_qtyroll_7d_outbound_store_cntroll_30d_outbound_store_cntroll_7d_inbound_qtyroll_30d_inbound_qty同时计算必要的历史统计量：
hist_*（可预先生成一张按 sku+仓 聚合的基础统计结果表）
对每个
(warehouse_id, sku_id)：
first_sell_date步骤 3：识别下架区间
查找连续出现的
outbound_qty = 0区间；对每一个这样的区间，依据其长度 L 判断属于“短暂下架候选”还是“长期下架候选”。
短暂下架候选：
- 区间内库存需大于 0；
- 区间前 P 天与后 Q 天均存在出库记录；
若满足上述条件，则将该区间内的每一天 t 标记为
label_candidate(t, "短暂下架") = 1长期下架候选：
- 区间长度 L ≥ M（取自品类参数表）；
- 区间内库存为 0 或处于极低水平，且无任何入库行为；
- 在区间开始之前存在历史销售行为；
若满足以上条件，则将该区间内所有时间点 t 标记为
label_candidate(t, "长期下架") = 1实现方式上，可利用窗口函数对“连续零销量”段进行分组处理。例如采用“连续区间 ID”的技术方案——通过累计求和的方式划分不同的连续区间。
步骤 4：每日缺货判断
针对每个
(warehouse_id, sku_id, date=t)执行以下操作：
I_safeαV_minS_minlabel_candidate(t, "缺货") = 1步骤 2：确定最早铺货日期
通过查询品类参数表获取基础配置信息，并计算首个 outbound_qty > 0 的 date，即为该商品最早的实际发货日期。
T_new在
[first_sell_date, first_sell_date + T_new - 1]范围内，逐日判断是否达到“强铺货”标准（即是否超过设定阈值）：
若满足条件，则标记为
label_candidate(t, "上新强铺货") = 1步骤 5：基于优先级整合最终状态
对于每一个
(warehouse_id, sku_id, date=t)综合已有候选标签并按照预设优先级规则进行决策输出：
if label_candidate(t, "缺货") == 1:
label_final(t) = "缺货"
elif label_candidate(t, "上新强铺货") == 1:
label_final(t) = "上新强铺货"
elif label_candidate(t, "短暂下架") == 1:
label_final(t) = "短暂下架"
elif label_candidate(t, "长期下架") == 1:
label_final(t) = "长期下架"
else:
label_final(t) = "正常"最终生成一张完整的每日状态标识表，结果示意如下：
sku_warehouse_daily_status
(
date,
warehouse_id,
sku_id,
cate_1, cate_2, cate_3,
status -- {上新强铺货, 短暂下架, 长期下架, 缺货, 正常}
)8.1 从未销售过的 SKU
若某个
(仓, SKU)在其整个历史周期中
outbound_qty 始终为 0：
建议在主流程启动前先行识别此类 SKU，避免被误判为“长期下架”或“短暂下架”情形。
8.2 清仓尾货场景识别
在某些长期下架发生前，可能出现短期内销量骤增随后迅速归零且不再补货的现象，属于典型的清仓行为。
若需单独区分，可引入附加规则（可选）：
outbound_qty(t)inventory_qty=0outbound_qty=0满足上述模式的区间，可在后续标记为“清仓后下架”。尽管本质上仍属长期下架范畴，但可通过扩展标签增强业务解释性。
8.3 数据缺失与异常峰值处理
MAD未知当前框架基于
纯规则+统计阈值构建，具备以下优势：
当数据量庞大、特征维度丰富时，可进一步演进为机器学习方案：
扫码加好友，拉您进群
