供应链优化实战：基于机器学习的动态定价与库存补货决策模型

1. 赛题核心与破题方向：从“蔬菜类商品”到“供应链优化”的思维跃迁

拿到2023年国赛C题“蔬菜类商品的自动定价与补货决策”时，很多队伍的第一反应是去找价格预测模型或者库存管理公式。这没错，但容易陷入局部最优。这道题的精妙之处在于，它表面上问的是“定价”和“补货”，本质上考的是在不确定需求下，如何构建一个动态、协同的供应链决策系统。它要求你不仅会算，更要会“想”，把零散的销售数据、损耗数据、品类关系，整合成一个能指导未来行动的智能决策框架。

题目给了我们几个核心约束和场景：一家生鲜商超，每天要决定各种蔬菜的售价和补货量。目标是让商超的整体收益最大化。这里面的难点层层递进：首先，蔬菜易腐，当天卖不完就损耗，直接成本吞噬利润；其次，不同品类蔬菜之间可能存在替代或互补关系，一个菜涨价了，顾客可能转头去买另一个；最后，销售数据里充满了“噪声”——周末效应、节假日、促销活动、甚至天气，都会让需求曲线上下跳动。官方附件提供了过去三年多的销售流水、损耗记录和商品分类信息，这就是我们全部的“矿藏”。

所以，我们的思路绝不能停留在简单的回归预测上。一个高分的模型，必然是一个**“感知-预测-决策-评估”的闭环系统**。你需要用统计和机器学习方法从历史数据中“感知”规律（如需求弹性、损耗率、品类关联），基于这些规律“预测”未来一天各单品在给定价格下的销量和损耗，然后建立一个优化模型来“决策”最优的价格和补货量组合，最后还要设计一套方法来“评估”这个决策模型在未知数据上的表现是否稳健。这四步，环环相扣，缺一不可。接下来，我就结合我们团队的实战经验，拆解每一步的具体做法、可选模型、以及那些容易掉进去的“坑”。

2. 数据感知与特征工程：从原始流水到模型“燃料”

附件中的数据是典型的零售业数据，看似规整，实则暗藏玄机。直接丢给模型效果肯定不好，必须经过精心清洗和特征构建。

2.1 数据清洗与整合：解决“脏数据”问题

销售流水表是核心，但里面有很多陷阱。首先就是缺失值与异常值。某些天某些单品完全没有销售记录，这可能是缺货，也可能是当天未上架。我们的处理原则是：对于连续多天无记录的单品，在对应日期填充为0销量和0损耗；对于偶尔一天无记录但前后都有销售的，可以考虑用前后天的均值或插值法填充，但要谨慎，最好结合损耗记录表判断——如果当天有损耗记录却无销售，那很可能是数据录入遗漏，销量应为0。

其次是数据一致性。销售表中的“销量”是实际售出，而“损耗量”在另一个表里。必须通过“单品编码”和“日期”将两个表精确关联，得到每个单品每日的“进货量”（销量+损耗量）。这里有个关键校验：计算出的“进货量”是否总是整数？理论上是的，因为蔬菜按份卖。如果出现小数，可能是数据合并或单位问题，需要排查。

2.2 核心特征构建：提炼影响决策的关键信息

清洗后的数据是“原料”，特征工程则是“烹饪”，决定模型的最终味道。我们构建了以下几类特征：

1. 时序特征：这是基础中的基础。包括年、月、日、星期几、是否为周末、是否为月初/月末、是否为节假日（需外部日历数据）。特别注意，国庆、春节等长假前后需求模式会剧变，最好能标识出来。
2. 历史统计特征：基于滚动窗口计算，这是体现“惯性”和“趋势”的关键。
   • 需求水平：过去7天、14天、30天的平均销量。
   • 需求波动：过去7天、14天销量的标准差、变异系数（标准差/均值），用来衡量需求的不确定性。
   • 价格弹性初探：可以计算过去一段时间内，销量与价格之间的相关系数（虽然简单，但能提供初步信号）。
3. 品类与关联特征：这是本题拉开差距的地方。
   • 品类聚合特征：同一个二级类（如“叶菜类”）下的所有单品，其总销量、平均价格可以作为该品类整体行情的代理变量。
   • 替代/互补品特征：这是难点。我们采用了两步法：首先，计算各单品间销量序列的相关系数，找出高度正相关（可能受共同因素驱动）或高度负相关（可能存在替代关系）的品对。然后，将关联性最强的3个单品的价格和销量作为特征，引入目标单品的模型中。例如，菠菜的价格，可能会受到小白菜（替代品）价格和销量的显著影响。
4. 损耗相关特征：损耗率（损耗量/进货量）是核心成本。可以计算单品的历史平均损耗率、损耗率的波动性。一个高损耗率且波动大的单品，在定价和补货时必须更加保守。
5. 滞后特征：将前1天、前7天（同期，比如都是周二）的价格、销量、损耗率作为特征，因为市场需求往往具有短期记忆和周期性。

注意：特征不是越多越好。高度相关的特征会导致模型过拟合或不稳定。一定要进行特征重要性分析（如基于树模型）或相关性分析，剔除冗余特征。我们当时用XGBoost初步跑了一个重要性排序，发现“前7天平均销量”、“星期几”、“历史损耗率”和“替代品价格”是最重要的几个特征。

3. 需求与损耗预测模型：不确定性下的“水晶球”

有了高质量特征，下一步就是预测：如果我明天给某个单品定价为P，预计能卖出多少（需求D）？又会有多少损耗（L）？这里有两个核心模型。

3.1 需求预测模型：价格与销量的博弈

需求预测模型需要刻画价格-销量关系。简单线性回归（销量 = a * 价格 + b）太理想化，不符合经济学常识（价格越高，需求通常越低，且关系可能非线性）。我们推荐以下几种方法：

• 经典需求函数拟合：直接采用经济学中的需求函数形式进行拟合。

  • 线性需求函数：D(p) = a - b * p(a, b > 0)。虽然简单，但在局部价格区间内可能有效。
  • 指数需求函数：D(p) = a * exp(-b * p)。能刻画需求随价格上升而加速下降的现象。
  • 幂函数需求函数：D(p) = a * p^(-b)(即常价格弹性函数，弹性为-b)。这是非常常用且具有良好经济学解释的模型，价格弹性恒定。 拟合时，将价格p作为自变量，销量D作为因变量，利用历史数据通过最小二乘法或最大似然估计求解参数a, b。但这里有个大坑：历史数据中的价格和销量是已经发生的“均衡结果”，可能存在内生性问题（即价格本身可能根据预期销量已经调整过）。更严谨的做法是使用面板数据模型或引入工具变量，但对数理基础要求高。

• 机器学习模型：更灵活，能自动捕捉非线性关系和特征交互。

  • XGBoost/LightGBM：非常适合表格数据，能高效处理特征，并提供特征重要性。我们可以构建一个模型，输入特征包括：计划定价p、历史特征、时序特征、品类特征等，直接输出预测销量D_hat。关键技巧：在训练时，p（价格）是作为一个特征加入的。但在预测时，p是我们要优化的决策变量。这意味着我们需要为每一个可能的p值（在一个合理范围内）都做一次预测，来描绘出大致的需求曲线D(p)。
  • 神经网络：如果有足够数据，可以尝试简单的全连接网络。但相对于树模型，它可解释性差，且更容易过拟合，在数模竞赛中需谨慎使用。

我们的选择与理由：我们采用了混合策略。首先，用XGBoost训练一个基础需求预测模型，特征中包含历史价格。然后，对于每个单品，我们固定其他特征，让价格p在历史价格的最小最大值区间内以一定步长变化，用模型预测出一系列(p, D_hat)点，再用这些点去拟合一个幂函数需求曲线D(p) = a * p^(-b)。这样做的好处是：既利用了机器学习模型强大的特征学习能力，又将最终的需求关系约束在一个符合经济学直觉、且易于后续优化求解的简洁数学形式上。拟合出的b值就是该单品在当前市场环境下的预估价格弹性。

3.2 损耗预测模型：成本控制的“预警机”

损耗预测相对直接，因为损耗主要与进货量（即补货决策）和商品本身特性有关，对价格不敏感（我们假设定价不影响损耗率）。可以建立一个预测损耗率r的模型。

• 因变量：损耗率r = 损耗量 / 进货量。注意处理进货量=0的边界情况。
• 自变量：包括单品类别、历史平均损耗率、进货量（预测值）、季节（夏季损耗可能更高）、是否为易腐品类（如叶菜类）等。
• 模型选择：由于损耗率是介于[0,1]之间的连续值，可以考虑使用Beta回归或分位数回归。更实用的是，使用梯度提升树（如LightGBM）直接回归，并在训练时对目标变量r做适当的压缩变换（如logit变换），效果也不错。

预测时，我们需要先有一个补货量Q的预估值（初始可设为历史均值），代入模型预测出损耗率r_hat，则预测损耗量L_hat = r_hat * Q。

4. 定价与补货联合优化模型：寻找收益最大化的“甜蜜点”

这是整个赛题最核心的部分，也是论文的亮点所在。预测模型告诉我们“如果这样，可能会怎样”，而优化模型则回答“到底应该怎样”。

我们的目标是最大化商超每日的总收益。对于单品i，设其定价为p_i，补货量为Q_i，预测需求为D_i(p_i)，预测损耗率为r_i（可能依赖于Q_i和其他因素），则：

• 实际销量为min(D_i(p_i), Q_i * (1 - r_i))。这里假设损耗发生在销售之前或之中，可供销售的量为Q_i * (1 - r_i)。
• 收益 = 销售收入 - 成本 =p_i * min(D_i(p_i), Q_i * (1 - r_i)) - c_i * Q_i。其中c_i是单品的进价（成本价）。

那么，总收益最大化问题可以形式化为一个约束优化问题：

目标函数：Maximize:Σ [ p_i * min(D_i(p_i), Q_i * (1 - r_i)) - c_i * Q_i ](对所有单品i求和)

约束条件：

1. p_i_min ≤ p_i ≤ p_i_max（价格上下限，通常基于历史数据或政策设定）
2. 0 ≤ Q_i ≤ Q_i_max（补货量上限，可能由供应商或仓储能力决定）
3. D_i(p_i)是第3步中得到的需求函数（如a_i * p_i^(-b_i)）。
4. r_i可能是常数，也可能是Q_i的函数（如进货越多，管理越难，损耗率微增）。

难点与解决方案：

1. min()函数导致非光滑：目标函数中的min()使其不光滑，难以直接用梯度类算法求解。处理方法有两种：一是引入辅助变量和不等式约束，将其转化为线性或非线性规划问题；二是采用分情况讨论，由于最优解通常倾向于让补货量略高于需求以避免缺货损失，我们可以先假设Q_i * (1 - r_i) ≥ D_i(p_i)，即货源充足。这样目标函数简化为Σ [ p_i * D_i(p_i) - c_i * Q_i ]。求解后，再验证该假设是否对所有单品成立。若不成立，对不满足的单品调整假设重新求解。
2. 品类关联性：目标函数是各单品收益的简单求和，忽略了替代效应。更高级的模型可以引入交叉价格弹性。假设单品i和j互为替代品，那么i的需求不仅取决于p_i，还取决于p_j：D_i = a_i * p_i^(-b_ii) * p_j^(b_ij)，其中b_ij > 0表示j的价格对i需求的影响。这样目标函数就变成了一个复杂的非线性方程组，求解难度极大。在竞赛有限时间内，一个可行的简化是：分层次优化。先对每个品类内部（替代性强）的单品进行联合优化，再在品类间进行协调。或者，将关联性强的单品打包，为这个“包”设定一个总补货量约束，然后在包内分配。
3. 求解算法：
   • 如果模型能简化为无约束或简单约束的凸优化问题，可以使用梯度下降法、牛顿法等。
   • 对于带约束的非线性规划，可以使用序列二次规划（SQP）或内点法，调用MATLAB的fmincon函数或Python的SciPy.optimize.minimize工具包。
   • 智能优化算法：当变量较多（几十上百个单品），问题非凸时，遗传算法（GA）、粒子群算法（PSO）是很好的选择。它们能全局搜索，虽然不能保证找到理论最优，但通常能找到高质量的可行解。我们当时采用了差分进化算法（DE），因为它参数少、收敛性相对好，非常适合这类连续变量的优化问题。我们将每个单品的(p_i, Q_i)编码为一个个体，以总收益的负值作为适应度函数，进行迭代进化。

5. 模型评估与策略分析：不只是数字游戏

优化模型输出了一套(p_i, Q_i)，但它的效果到底如何？不能只靠目标函数值说话，必须进行回溯测试和场景分析。

5.1 回溯测试（Backtesting）

从历史数据中划出一部分作为“测试期”（例如最后一个月）。用测试期之前的数据训练我们的预测模型和优化模型。然后，模拟在测试期的每一天：

1. 基于截至前一日的历史数据，运行优化模型，得到当天各单品的建议定价和补货量。
2. 将这些建议值“应用”到当天。但这里有个问题：我们无法知道如果用了建议价格，真实需求会是多少。所以我们需要一个“反事实估计”：利用我们之前拟合的需求函数D_i(p)，将建议定价p_i代入，计算出预测需求D_hat_i。
3. 模拟过程：实际销量 =min(D_hat_i, Q_i * (1 - r_i))，其中r_i用预测的损耗率。然后计算模拟的当日收益。
4. 将整个测试期的模拟收益加总，与测试期实际发生的收益进行对比。同时，对比模拟的销量、损耗量与实际情况的差异。

注意：这个对比不是看绝对数字是否一致（因为价格变了，需求也变了），而是看趋势和优化效果。一个成功的模型应该能显示出：在模拟中，通过优化定价和补货，总收益相比实际历史收益有显著提升，同时平均损耗率有所下降。

5.2 敏感性分析与策略解读

模型不是黑箱，我们需要理解它为什么做出这样的决策。

• 价格弹性分析：展示不同单品拟合出的价格弹性系数b。弹性高的单品（如常见绿叶菜），降价能显著提升销量，适合做促销引流；弹性低的单品（如必需调味品或特色菜），顾客对价格不敏感，可以维持较高利润率。
• 补货策略分析：分析优化后的补货量Q_i与历史平均销量的比值。对于损耗率高、需求波动大的单品，这个比值通常会比较保守（即少进多补）；对于畅销且稳定的单品，比值会更高。
• “如果-那么”场景分析：这是论文的加分项。例如：
  • 场景一（成本上涨）：假设所有单品进价c_i统一上涨10%，重新运行优化模型，观察最优定价和补货策略如何调整，总收益变化多少。
  • 场景二（需求波动）：模拟节假日（需求整体上浮20%）或恶劣天气（需求下浮15%，但可能某些品类需求上升），看模型的应对策略。
  • 场景三（捆绑促销）：如果强制要求某两种关联单品（如西红柿和鸡蛋）进行捆绑定价（总价打折），对整体收益有何影响？ 通过这些分析，你的模型就从一套数学公式，升华为一个能为管理者提供深度洞察的决策支持系统。

6. 论文写作与编程实现要点

思路再好，也需要通过论文和代码来呈现。

6.1 论文行文逻辑

1. 问题重述与分析：不要照抄题目，要用自己的话精炼概括问题的本质、目标和约束，并画出逻辑框图，清晰展示“数据->预测->优化->评估”的流程。
2. 模型假设：清晰列出关键假设，如“假设单品间的替代效应主要通过品类聚合特征刻画”、“假设损耗率在短期内相对稳定”等。合理的假设能简化问题，体现你的思考。
3. 符号说明：制作一个三线表，列出所有主要变量、符号及其含义，方便评委查阅。
4. 模型建立：这是核心章节。分小节详细介绍预测模型（需求、损耗）和优化模型。对每个模型，要交代为什么选这个模型（与其它模型对比的优劣），模型的具体形式（给出数学公式），以及参数如何估计或学习。
5. 模型求解：详细说明你采用的算法（如差分进化算法），包括编码方式、种群大小、迭代次数、变异交叉策略选择等参数设置，并解释为什么这些参数是合理的。可以附上算法流程图。
6. 模型检验与结果分析：展示回溯测试的结果对比图、表。进行深入的敏感性分析和场景分析。所有结论都要有图表或数据支撑，避免空谈。
7. 模型评价与推广：客观评价自己模型的优点（如综合考虑了多种因素、实用性强）和缺点（如对数据质量依赖高、未考虑突发极端事件）。提出可能的改进方向，并将模型推广到更一般的零售商品定价补货问题。

6.2 编程实现技巧

• 语言选择：Python是首选，生态丰富。Pandas用于数据清洗，Scikit-learn/XGBoost/LightGBM用于预测模型，SciPy用于优化，Matplotlib/Seaborn用于绘图。
• 代码结构：按模块组织代码：data_preprocessing.py,feature_engineering.py,demand_forecast.py,loss_forecast.py,optimization.py,evaluation.py。这样清晰且易于调试。
• 效率优化：优化模型求解可能是计算瓶颈。对于智能算法，设置合理的迭代次数和种群规模。可以考虑并行计算（如评估种群中个体的适应度函数时可以并行）。
• 结果可视化：不仅要画出销量-价格散点图及拟合的需求曲线，还要画出优化前后各单品价格/补货量的对比雷达图或条形图，以及总收益随时间变化的对比折线图。一图胜千言。

最后想说的是，国赛C题从来不是要一个完美的、能直接商用的系统，而是考察你们将复杂实际问题抽象为数学模型的能力、对多种建模方法的理解和驾驭能力、以及通过编程和数据分析解决问题的能力。大胆假设，小心求证，在模型复杂性和可解释性之间找到平衡，并用严谨的论文和可靠的代码将其呈现出来，这就是通往高分的道路。我们当时在最后一天，发现最初的优化模型在某个特殊品类上结果反常，连夜回溯，发现是给该品类设定的价格下限不合理，导致模型搜索空间受限。所以，永远要对模型结果保持怀疑，用业务常识去校验它，这个反复调试、思考、完善的过程，或许比最终的答案更重要。