库存预警与智能补货：从被动响应到主动预测

引言

库存预警和智能补货是库存管理自动化的核心，可以避免缺货和积压，提升运营效率。本文将探讨预警机制设计和智能补货算法实现。

1. 库存预警机制

1.1 库存下限预警

触发条件：

当前库存 < 安全库存

预警级别：

黄色预警：50% < 当前库存/安全库存 < 100%
橙色预警：20% < 当前库存/安全库存 < 50%
红色预警：当前库存/安全库存 < 20%

Java实现：

public class InventoryAlertService {

    public String checkAlert(Inventory inventory) {
        int currentQty = inventory.getAvailableQty();
        int safetyStock = inventory.getSafetyStock();

        if (safetyStock == 0) return "NONE";

        double ratio = (double) currentQty / safetyStock;

        if (ratio >= 1.0) {
            return "NONE";          // 无预警
        } else if (ratio >= 0.5) {
            return "YELLOW";        // 黄色预警
        } else if (ratio >= 0.2) {
            return "ORANGE";        // 橙色预警
        } else {
            return "RED";           // 红色预警
        }
    }

    @Scheduled(cron = "0 */30 * * * ?")  // 每30分钟检查一次
    public void checkInventoryAlerts() {
        List<Inventory> inventories = inventoryMapper.selectAll();

        for (Inventory inventory : inventories) {
            String alertLevel = checkAlert(inventory);

            if (!"NONE".equals(alertLevel)) {
                // 发送预警通知
                sendAlert(inventory, alertLevel);

                // 触发补货流程
                if ("RED".equals(alertLevel) || "ORANGE".equals(alertLevel)) {
                    triggerReplenishment(inventory);
                }
            }
        }
    }
}

1.2 库存上限预警

触发条件：

当前库存 > 最大库存

问题：

占用仓储空间
资金占用过多
可能积压呆滞

Java实现：

public void checkOverstockAlert(Inventory inventory) {
    int currentQty = inventory.getAvailableQty();
    int maxStock = inventory.getMaxStock();

    if (currentQty > maxStock) {
        // 发送超库存预警
        AlertMessage alert = new AlertMessage();
        alert.setLevel("WARNING");
        alert.setMessage(String.format(
            "SKU %s 库存超标: 当前%d件, 最大%d件",
            inventory.getSku(), currentQty, maxStock
        ));
        alertService.send(alert);

        // 建议促销清仓
        promotionService.suggestPromotion(inventory.getSku());
    }
}

1.3 呆滞预警

定义：

一级预警：60天无销售
二级预警：90天无销售
三级预警：180天无销售

Java实现：

public void checkSlowMovingAlert() {
    LocalDate today = LocalDate.now();

    // 查询所有SKU的最后销售日期
    List<InventoryWithLastSale> inventories = inventoryMapper.selectWithLastSaleDate();

    for (InventoryWithLastSale inventory : inventories) {
        if (inventory.getLastSaleDate() == null) continue;

        long daysSinceLastSale = ChronoUnit.DAYS.between(inventory.getLastSaleDate(), today);

        String alertLevel = null;
        if (daysSinceLastSale >= 180) {
            alertLevel = "LEVEL_3";    // 三级预警（死库存）
        } else if (daysSinceLastSale >= 90) {
            alertLevel = "LEVEL_2";    // 二级预警（呆滞库存）
        } else if (daysSinceLastSale >= 60) {
            alertLevel = "LEVEL_1";    // 一级预警（慢销库存）
        }

        if (alertLevel != null) {
            // 发送呆滞预警
            sendSlowMovingAlert(inventory, alertLevel, daysSinceLastSale);

            // 建议处理措施
            if ("LEVEL_3".equals(alertLevel)) {
                // 报废处理
                suggestDisposal(inventory);
            } else if ("LEVEL_2".equals(alertLevel)) {
                // 促销清仓
                suggestClearance(inventory);
            }
        }
    }
}

2. 智能补货算法

2.1 基于销售预测补货

原理：

预测未来N天销量
计算需补货量 = 预测销量 - 当前库存 + 安全库存

移动平均法：

public BigDecimal forecastByMovingAverage(List<BigDecimal> history, int period) {
    if (history.size() < period) {
        return BigDecimal.ZERO;
    }

    // 取最近period天的平均值
    return history.stream()
        .skip(history.size() - period)
        .reduce(BigDecimal.ZERO, BigDecimal::add)
        .divide(BigDecimal.valueOf(period), 2, RoundingMode.HALF_UP);
}

指数平滑法：

public BigDecimal forecastByExponentialSmoothing(List<BigDecimal> history, double alpha) {
    if (history.isEmpty()) return BigDecimal.ZERO;

    BigDecimal forecast = history.get(0);

    for (int i = 1; i < history.size(); i++) {
        BigDecimal actual = history.get(i);
        forecast = actual.multiply(BigDecimal.valueOf(alpha))
            .add(forecast.multiply(BigDecimal.valueOf(1 - alpha)));
    }

    return forecast;
}

2.2 基于库存周转补货

原理：

目标周转天数：30天
补货量 = 30天预测销量 - 当前库存

Java实现：

public int calculateReplenishmentByTurnover(String sku, int targetTurnoverDays) {
    // 1. 获取日均销量
    BigDecimal dailySales = salesDataService.getDailyAverage(sku, 30);

    // 2. 计算目标库存
    int targetStock = dailySales.multiply(BigDecimal.valueOf(targetTurnoverDays))
        .setScale(0, RoundingMode.UP)
        .intValue();

    // 3. 获取当前库存
    int currentStock = inventoryService.getAvailableQty(sku);

    // 4. 计算补货量
    int replenishQty = targetStock - currentStock;

    return Math.max(replenishQty, 0);  // 不能为负数
}

2.3 基于ROP补货

原理：

当前库存 ≤ ROP时触发补货
补货量 = EOQ

Java实现：

@Component
public class ROPReplenishmentService {

    public void checkAndReplenish() {
        List<Inventory> inventories = inventoryMapper.selectAll();

        for (Inventory inventory : inventories) {
            int currentQty = inventory.getAvailableQty();
            int rop = inventory.getReorderPoint();

            if (currentQty <= rop) {
                // 触发补货
                int eoq = calculateEOQ(inventory.getSku());
                createPurchaseOrder(inventory.getSku(), eoq);

                log.info("触发ROP补货: sku={}, currentQty={}, rop={}, replenishQty={}",
                    inventory.getSku(), currentQty, rop, eoq);
            }
        }
    }

    private int calculateEOQ(String sku) {
        // EOQ = √(2DS/H)
        ProductCost cost = productService.getCost(sku);
        BigDecimal annualDemand = salesDataService.getAnnualDemand(sku);
        BigDecimal orderingCost = new BigDecimal("500");  // 订货成本
        BigDecimal holdingCost = cost.getUnitCost().multiply(new BigDecimal("0.2"));  // 持有成本率20%

        BigDecimal eoq = BigDecimal.valueOf(Math.sqrt(
            2 * annualDemand.doubleValue() * orderingCost.doubleValue()
            / holdingCost.doubleValue()
        ));

        return eoq.setScale(0, RoundingMode.UP).intValue();
    }
}

3. 补货策略优化

3.1 最小起订量（MOQ）

规则：

实际补货量 = max(计算补货量, MOQ)

Java实现：

public int adjustForMOQ(int calculatedQty, String sku) {
    Supplier supplier = supplierService.getSupplier(sku);
    int moq = supplier.getMinimumOrderQuantity();

    if (calculatedQty < moq) {
        log.info("补货量低于MOQ: calculated={}, moq={}, adjusted={}",
            calculatedQty, moq, moq);
        return moq;
    }

    return calculatedQty;
}

3.2 包装单位

规则：

向上取整至整箱
减少拆箱损耗

Java实现：

public int adjustForPackingUnit(int calculatedQty, String sku) {
    Product product = productService.getProduct(sku);
    int packingUnit = product.getPackingUnit();  // 每箱数量

    // 向上取整至整箱
    int boxes = (int) Math.ceil((double) calculatedQty / packingUnit);
    int adjustedQty = boxes * packingUnit;

    log.info("调整为整箱: calculated={}, packingUnit={}, boxes={}, adjusted={}",
        calculatedQty, packingUnit, boxes, adjustedQty);

    return adjustedQty;
}

3.3 运输成本优化

规则：

凑整车/整柜
降低单位运输成本

Java实现：

public int adjustForTransportCost(int calculatedQty, String sku) {
    TransportInfo transport = transportService.getInfo(sku);
    int fullTruckLoad = transport.getFullTruckLoad();  // 整车装载量

    double currentLoad = (double) calculatedQty / fullTruckLoad;

    // 如果接近整车（90%以上），凑整车
    if (currentLoad >= 0.9 && currentLoad < 1.0) {
        log.info("凑整车: calculated={}, fullTruckLoad={}, adjusted={}",
            calculatedQty, fullTruckLoad, fullTruckLoad);
        return fullTruckLoad;
    }

    return calculatedQty;
}

4. 综合补货系统

4.1 智能补货引擎

@Service
public class IntelligentReplenishmentEngine {

    public ReplenishmentPlan generatePlan(String sku) {

        // 1. 预测未来30天销量
        BigDecimal forecast = forecastService.predict(sku, 30);

        // 2. 获取当前库存
        int currentStock = inventoryService.getAvailableQty(sku);

        // 3. 获取安全库存
        int safetyStock = inventoryService.getSafetyStock(sku);

        // 4. 计算基础补货量
        int baseQty = forecast.intValue() - currentStock + safetyStock;

        if (baseQty <= 0) {
            return null;  // 无需补货
        }

        // 5. 应用各种调整
        int adjustedQty = baseQty;
        adjustedQty = adjustForMOQ(adjustedQty, sku);
        adjustedQty = adjustForPackingUnit(adjustedQty, sku);
        adjustedQty = adjustForTransportCost(adjustedQty, sku);

        // 6. 生成补货计划
        ReplenishmentPlan plan = new ReplenishmentPlan();
        plan.setSku(sku);
        plan.setBaseQty(baseQty);
        plan.setFinalQty(adjustedQty);
        plan.setForecast(forecast);
        plan.setCurrentStock(currentStock);
        plan.setSafetyStock(safetyStock);

        return plan;
    }
}

4.2 自动下单

@Component
public class AutoReplenishmentTask {

    @Autowired
    private IntelligentReplenishmentEngine engine;

    @Scheduled(cron = "0 0 3 * * ?")  // 每天凌晨3点
    public void autoReplenish() {
        log.info("开始自动补货");

        List<String> skus = productService.listAllActiveSku();

        for (String sku : skus) {
            try {
                // 生成补货计划
                ReplenishmentPlan plan = engine.generatePlan(sku);

                if (plan != null) {
                    // 创建采购订单
                    PurchaseOrder po = new PurchaseOrder();
                    po.setSku(sku);
                    po.setQuantity(plan.getFinalQty());
                    po.setSupplier(supplierService.getSupplier(sku));
                    po.setStatus("PENDING");

                    purchaseOrderService.create(po);

                    log.info("已创建补货订单: sku={}, qty={}", sku, plan.getFinalQty());
                }
            } catch (Exception e) {
                log.error("自动补货失败: sku={}", sku, e);
            }
        }

        log.info("自动补货完成");
    }
}

5. 实战案例：菜鸟网络的智能补货

5.1 业务背景

菜鸟网络管理全国数百个仓库，需要智能补货保证库存充足。

5.2 技术方案

AI预测：

LSTM神经网络预测销量
考虑节假日、促销、天气等因素
预测准确率85%+

多仓协同：

全国库存可视化
智能调拨优化
就近补货

自动化：

每天自动生成补货计划
自动下单给供应商
异常自动预警

5.3 优化成果

缺货率降低60%
库存周转率提升35%
补货效率提升80%

6. 总结

库存预警和智能补货是库存管理自动化的核心，可以大幅提升效率。

核心要点：

预警机制：库存下限、上限、呆滞
补货算法：销售预测、库存周转、ROP
策略优化：MOQ、包装单位、运输成本
自动化：定时任务、自动下单

在下一篇文章中，我们将探讨库存周转分析与优化，敬请期待！

参考资料

菜鸟网络技术博客
《供应链管理》教材
《库存管理与控制》

引言#

1. 库存预警机制#

1.1 库存下限预警#

1.2 库存上限预警#

1.3 呆滞预警#

2. 智能补货算法#

2.1 基于销售预测补货#

2.2 基于库存周转补货#

2.3 基于ROP补货#

3. 补货策略优化#

3.1 最小起订量（MOQ）#

3.2 包装单位#

3.3 运输成本优化#

4. 综合补货系统#

4.1 智能补货引擎#

4.2 自动下单#

5. 实战案例：菜鸟网络的智能补货#

5.1 业务背景#

5.2 技术方案#

5.3 优化成果#

6. 总结#

参考资料#

引言

1. 库存预警机制

1.1 库存下限预警

1.2 库存上限预警

1.3 呆滞预警

2. 智能补货算法

2.1 基于销售预测补货

2.2 基于库存周转补货

2.3 基于ROP补货

3. 补货策略优化

3.1 最小起订量（MOQ）

3.2 包装单位

3.3 运输成本优化

4. 综合补货系统

4.1 智能补货引擎

4.2 自动下单

5. 实战案例：菜鸟网络的智能补货

5.1 业务背景

5.2 技术方案

5.3 优化成果

6. 总结

参考资料