1. 項(xiàng)目概述從賽題到實(shí)戰(zhàn)的完整拆解去年國賽C題“蔬菜類商品的自動定價(jià)與補(bǔ)貨決策”可以說是近年來數(shù)學(xué)建模賽題中將理論模型與商業(yè)實(shí)踐結(jié)合得相當(dāng)緊密的一道題。它不像一些純理論推導(dǎo)題那樣飄在空中而是直接把我們拉進(jìn)了一個(gè)生鮮零售的日常運(yùn)營場景里每天面對波動劇烈的銷量和損耗到底該怎么定菜價(jià)、該進(jìn)多少貨這幾乎是所有超市、菜場經(jīng)理每天睜開眼就要頭疼的問題。題目給出的數(shù)據(jù)比如過去四個(gè)月的銷量、損耗和批發(fā)價(jià)格就是現(xiàn)實(shí)世界里最真實(shí)、也最“臟”的數(shù)據(jù)集。處理它需要的不僅是套用幾個(gè)現(xiàn)成的模型更需要理解零售業(yè)務(wù)的內(nèi)在邏輯。這道題的核心目標(biāo)很明確第一建立一個(gè)自動定價(jià)模型讓系統(tǒng)能根據(jù)歷史數(shù)據(jù)和市場情況動態(tài)給出每種蔬菜的每日售價(jià)第二設(shè)計(jì)一個(gè)智能補(bǔ)貨決策模型告訴采購員明天該訂多少貨才能在滿足需求的同時(shí)把損耗和成本壓到最低。這背后其實(shí)是對“預(yù)測”和“優(yōu)化”兩大建模核心能力的綜合考察。預(yù)測不準(zhǔn)定價(jià)和補(bǔ)貨就是瞎搞優(yōu)化不好就算預(yù)測準(zhǔn)了利潤也可能被高庫存或高損耗吃掉。我注意到很多同學(xué)一看到“定價(jià)”和“補(bǔ)貨”腦子里立刻蹦出“線性回歸”和“ARIMA”。沒錯這些是基礎(chǔ)工具但直接往上套往往拿不到高分。關(guān)鍵在于你要理解蔬菜銷售的特殊性強(qiáng)季節(jié)性、極短的保質(zhì)期、價(jià)格彈性復(fù)雜、且受天氣、節(jié)假日等外部因素影響巨大。你的模型必須能刻畫這些特性。所以這篇“參考論文”的分享我會重點(diǎn)拆解如何超越基礎(chǔ)模型構(gòu)建一個(gè)更有業(yè)務(wù)解釋力、也更穩(wěn)健的解決方案。無論是準(zhǔn)備國賽、美賽的同學(xué)還是對數(shù)據(jù)驅(qū)動決策感興趣的朋友相信都能從中獲得可以直接“抄作業(yè)”的靈感和避坑指南。2. 解題核心思路與模型框架設(shè)計(jì)面對這樣一個(gè)綜合性的決策問題最忌諱的就是一上來就埋頭調(diào)參跑代碼。我的思路是先搭建一個(gè)清晰的**“預(yù)測-決策”雙層框架**把大問題分解成幾個(gè)可攻克的小模塊。2.1 問題分解與整體流程整個(gè)系統(tǒng)可以看作一個(gè)數(shù)據(jù)驅(qū)動的決策閉環(huán)我將其設(shè)計(jì)為四個(gè)核心階段數(shù)據(jù)理解與預(yù)處理階段這是所有工作的地基。題目給的數(shù)據(jù)通常包含缺失值、異常值比如某天銷量為0但損耗巨大或者價(jià)格突變。首先需要進(jìn)行數(shù)據(jù)清洗并對銷量、價(jià)格序列進(jìn)行可視化觀察其趨勢性、季節(jié)性和周期性。對于蔬菜數(shù)據(jù)周末效應(yīng)、節(jié)假日前后的爆發(fā)式增長和節(jié)后的驟降都是必須識別的模式。需求預(yù)測模塊這是定價(jià)和補(bǔ)貨的前置輸入。我們需要預(yù)測未來一天或幾天每種蔬菜的需求量。注意這里預(yù)測的是“潛在需求”而不是歷史銷量因?yàn)闅v史銷量可能受缺貨、定價(jià)不合理等因素抑制。一個(gè)穩(wěn)健的做法是結(jié)合時(shí)間序列模型如ARIMA、Prophet捕捉歷史規(guī)律再引入外部特征如是否為周末、節(jié)假日、前一天的批發(fā)價(jià)波動進(jìn)行增強(qiáng)。定價(jià)決策模塊基于預(yù)測的需求、當(dāng)前庫存、進(jìn)貨成本以及損耗率建立定價(jià)模型。定價(jià)不是孤立的它直接影響需求。因此這里需要引入價(jià)格彈性的概念。我們可以通過歷史數(shù)據(jù)擬合出每種蔬菜的需求-價(jià)格關(guān)系曲線未必是簡單的線性。定價(jià)的目標(biāo)是最大化單品的預(yù)期毛利潤即(售價(jià) - 成本) * 預(yù)測銷量 - 預(yù)期損耗成本。補(bǔ)貨決策模塊在給定定價(jià)決策后補(bǔ)貨模型需要決定訂購量。這是一個(gè)典型的報(bào)童模型的變體。核心權(quán)衡是多進(jìn)貨缺貨損失小但滯銷損耗風(fēng)險(xiǎn)大少進(jìn)貨損耗小但可能錯過銷售機(jī)會造成缺貨損失。我們需要找到一個(gè)最優(yōu)訂購量使得期望總成本進(jìn)貨成本 損耗成本 缺貨機(jī)會成本最低。這四個(gè)模塊環(huán)環(huán)相扣預(yù)測的準(zhǔn)確性直接決定后續(xù)決策的質(zhì)量。在論文中必須清晰地畫出這個(gè)邏輯框架圖并闡述模塊間的數(shù)據(jù)流向。2.2 模型選型的深層考量為什么不能直接用線性回歸預(yù)測銷量然后定價(jià)因?yàn)楹雎粤藙討B(tài)博弈和不確定性。對于需求預(yù)測單純用ARIMA模型可能不夠。蔬菜銷售序列常有突變點(diǎn)如促銷、天氣突變。我推薦采用融合模型例如“ARIMA 特征工程 LightGBM/XGBoost”。ARIMA負(fù)責(zé)捕捉線性時(shí)間依賴樹模型則能更好地處理非線性關(guān)系并吸納節(jié)假日、星期幾等類別型特征。這樣既能利用經(jīng)典時(shí)序模型的穩(wěn)定性又能發(fā)揮機(jī)器學(xué)習(xí)模型的強(qiáng)大擬合能力。對于定價(jià)模型這是體現(xiàn)建模深度的關(guān)鍵。簡單成本加成法成本×1利潤率太初級。我采用的方法是基于價(jià)格彈性的收益管理模型。首先利用歷史數(shù)據(jù)對不同蔬菜分段擬合需求函數(shù)例如對數(shù)線性模型log(Q) a - b*log(P) c*X其中X是其他特征。得到價(jià)格彈性系數(shù)b后對于預(yù)測的需求可以通過求解邊際收益 邊際成本的一階條件來計(jì)算出理論上的最優(yōu)價(jià)格。這個(gè)價(jià)格還需要考慮市場接受度價(jià)格上限和競爭對手價(jià)格進(jìn)行校準(zhǔn)。對于補(bǔ)貨模型標(biāo)準(zhǔn)的報(bào)童模型假設(shè)需求分布已知。在實(shí)際中我們可以用預(yù)測模塊輸出的不是單一值而是一個(gè)需求概率分布例如通過分位數(shù)回歸或預(yù)測區(qū)間的上下界來構(gòu)建。假設(shè)需求服從正態(tài)分布或經(jīng)驗(yàn)分布然后根據(jù)蔬菜的單位利潤售價(jià)-成本和單位損耗成本成本處理費(fèi)計(jì)算關(guān)鍵比率。最優(yōu)訂購量就是這個(gè)關(guān)鍵比率對應(yīng)的需求分布分位數(shù)點(diǎn)。這個(gè)計(jì)算過程必須在論文中詳細(xì)展示。實(shí)操心得在有限的時(shí)間內(nèi)模型復(fù)雜度需要權(quán)衡。對于新手隊(duì)可以重點(diǎn)打磨需求預(yù)測模塊使用相對穩(wěn)健的融合模型并對定價(jià)和補(bǔ)貨采用簡化版模型如考慮價(jià)格彈性的定價(jià)和經(jīng)典報(bào)童模型把邏輯講透同樣能獲得不錯評價(jià)。對于沖獎隊(duì)則需要在需求分布估計(jì)、多商品聯(lián)合補(bǔ)貨考慮資金和倉儲約束等細(xì)節(jié)上做更深度的優(yōu)化。3. 核心模塊的詳細(xì)實(shí)現(xiàn)與數(shù)據(jù)處理這一部分我們深入到每個(gè)模塊的代碼和計(jì)算細(xì)節(jié)我會用偽代碼和關(guān)鍵公式來說明你可以很容易地用PythonPandas, Statsmodels, Scikit-learn或MATLAB實(shí)現(xiàn)。3.1 數(shù)據(jù)預(yù)處理與特征工程數(shù)據(jù)質(zhì)量決定模型天花板。我們拿到的是sales_data.csv每日銷量、損耗、售價(jià)和cost_data.csv每日批發(fā)價(jià)。import pandas as pd import numpy as np # 1. 數(shù)據(jù)加載與合并 sales_df pd.read_csv(sales_data.csv, parse_dates[date]) cost_df pd.read_csv(cost_data.csv, parse_dates[date]) df pd.merge(sales_df, cost_df, on[date, vegetable_id], howleft) # 2. 異常值處理 # 假設(shè)銷量為0但損耗大于閾值可能是數(shù)據(jù)記錄錯誤用前后均值填充 def fix_abnormal_sales(group): mask (group[sales] 0) (group[waste] group[waste].quantile(0.75)) group.loc[mask, sales] group[sales].replace(0, np.nan).ffill().bfill() return group df df.groupby(vegetable_id).apply(fix_abnormal_sales) # 3. 特征工程 df[day_of_week] df[date].dt.dayofweek df[is_weekend] df[day_of_week].isin([5,6]).astype(int) df[month] df[date].dt.month df[price_cost_ratio] df[selling_price] / df[cost_price] # 價(jià)成本比重要特征 # 滯后特征前1天前7天的銷量和價(jià)格對預(yù)測至關(guān)重要 for lag in [1, 7]: df[fsales_lag_{lag}] df.groupby(vegetable_id)[sales].shift(lag) df[fprice_lag_{lag}] df.groupby(vegetable_id)[selling_price].shift(lag) # 4. 處理缺失值由滯后特征產(chǎn)生 df df.dropna()關(guān)鍵點(diǎn)price_cost_ratio售價(jià)成本比是一個(gè)強(qiáng)力特征它能間接反映市場的供需緊張程度。滯后特征lag features是時(shí)間序列預(yù)測的標(biāo)配。3.2 需求預(yù)測模型的構(gòu)建與訓(xùn)練我們?yōu)槊糠N蔬菜單獨(dú)訓(xùn)練一個(gè)預(yù)測模型如果商品太多可以考慮聚類后對類目建模。from statsmodels.tsa.arima.model import ARIMA import lightgbm as lgb from sklearn.model_selection import TimeSeriesSplit def train_demand_model(veg_df, veg_id): # veg_df 是單個(gè)蔬菜的數(shù)據(jù)框 # 劃分訓(xùn)練集和測試集時(shí)間序列不能隨機(jī)劃分 train_size int(len(veg_df) * 0.8) train, test veg_df.iloc[:train_size], veg_df.iloc[train_size:] # 方法一ARIMA模型作為基線 arima_model ARIMA(train[sales], order(2,1,2)) # (p,d,q)參數(shù)需通過AIC/BIC準(zhǔn)則網(wǎng)格搜索確定 arima_result arima_model.fit() arima_forecast arima_result.forecast(stepslen(test)) # 方法二LightGBM融合模型 features [day_of_week, is_weekend, month, price_cost_ratio, sales_lag_1, sales_lag_7, price_lag_1, cost_price] target sales lgb_train lgb.Dataset(train[features], labeltrain[target]) lgb_test lgb.Dataset(test[features], labeltest[target], referencelgb_train) params { objective: regression, metric: rmse, boosting_type: gbdt, num_leaves: 31, learning_rate: 0.05, feature_fraction: 0.9 } gbm_model lgb.train(params, lgb_train, valid_sets[lgb_test], callbacks[lgb.early_stopping(50)]) lgb_forecast gbm_model.predict(test[features]) # 融合預(yù)測簡單加權(quán)平均 final_forecast 0.3 * arima_forecast 0.7 * lgb_forecast return final_forecast, gbm_model # 返回預(yù)測值和模型用于后續(xù)新數(shù)據(jù)預(yù)測注意事項(xiàng)ARIMA的(p,d,q)參數(shù)選擇至關(guān)重要。通常使用auto_arima函數(shù)來自pmdarima庫進(jìn)行自動定階但手動分析ACF自相關(guān)和PACF偏自相關(guān)圖是理解數(shù)據(jù)特性的好習(xí)慣。對于LightGBM要防止過擬合特別是數(shù)據(jù)量不大時(shí)需嚴(yán)格控制num_leaves和min_data_in_leaf等參數(shù)。3.3 定價(jià)模型從價(jià)格彈性到最優(yōu)價(jià)格這是整個(gè)項(xiàng)目的精華。我們以小白菜為例演示如何計(jì)算最優(yōu)價(jià)格。估計(jì)價(jià)格彈性 使用歷史數(shù)據(jù)擬合需求模型。為了更穩(wěn)健我建議使用對數(shù)-對數(shù)形式常彈性模型log(Q) β0 β1 * log(P) β2 * X ε其中Q是銷量P是售價(jià)X是控制變量如星期幾、成本價(jià)。β1就是價(jià)格彈性系數(shù)通常為負(fù)數(shù)。其絕對值越大說明需求對價(jià)格越敏感。import statsmodels.api as sm # 假設(shè) df_veg 是小白菜的歷史數(shù)據(jù) df_veg[log_sales] np.log(df_veg[sales] 1) # 加1防止對0取對數(shù) df_veg[log_price] np.log(df_veg[selling_price]) X df_veg[[log_price, day_of_week, cost_price]] X sm.add_constant(X) # 添加常數(shù)項(xiàng) y df_veg[log_sales] model sm.OLS(y, X).fit() price_elasticity model.params[log_price] # 這就是我們需要的價(jià)格彈性系數(shù) β1 print(f小白菜的價(jià)格彈性估計(jì)值為: {price_elasticity:.3f})計(jì)算最優(yōu)價(jià)格 在已知成本價(jià)C、預(yù)測的基礎(chǔ)需求量Q0在某個(gè)參考價(jià)格P0下和價(jià)格彈性e的情況下最大化利潤π (P - C) * Q。 其中需求函數(shù)為Q Q0 * (P / P0)^e。 通過求導(dǎo)dπ/dP 0可以得到理論最優(yōu)價(jià)格P*的公式P* (e / (1 e)) * C這是一個(gè)非常重要的結(jié)論最優(yōu)價(jià)格與成本價(jià)成正比與價(jià)格彈性系數(shù)有關(guān)。彈性越大越負(fù)最優(yōu)價(jià)格越接近成本價(jià)彈性越小越缺乏彈性可以定更高的溢價(jià)。# 假設(shè)從預(yù)測模塊得到在參考價(jià)格 P05.0元時(shí)預(yù)測需求 Q0100公斤 C 3.5 # 當(dāng)日進(jìn)貨成本 e -2.0 # 估計(jì)出的價(jià)格彈性例如-2.0 P0 5.0 Q0 100 if e -1: # 確保需求有彈性 P_optimal (e / (1 e)) * C # 注意e是負(fù)數(shù)所以 (e/(1e)) 是一個(gè)大于1的因子 print(f理論最優(yōu)價(jià)格為: {P_optimal:.2f} 元) # 需要檢查 P_optimal 是否在合理市場區(qū)間內(nèi)否則取邊界值 P_final min(max(P_optimal, C * 1.1), C * 2.0) # 例如限制在1.1倍到2倍成本之間 print(f經(jīng)市場校準(zhǔn)后的最終定價(jià)為: {P_final:.2f} 元)3.4 補(bǔ)貨決策報(bào)童模型的具體應(yīng)用定價(jià)完成后我們知道了最終售價(jià)P和成本C。假設(shè)當(dāng)日未售出的蔬菜殘值為S可能為0或極低的處理價(jià)缺貨造成的商譽(yù)損失或機(jī)會成本折算為G。計(jì)算關(guān)鍵比率Cu P - C G代表單位欠貨成本少進(jìn)一件的損失。Co C - S代表單位超儲成本多進(jìn)一件的損失。關(guān)鍵比率Critical RatioCu / (Cu Co)。 這個(gè)比率衡量了“容忍缺貨”的相對成本。比率越高說明缺貨損失越大就應(yīng)該多進(jìn)貨。確定最優(yōu)訂購量 從需求預(yù)測模塊中我們不僅得到了一個(gè)點(diǎn)預(yù)測μ還應(yīng)該得到一個(gè)預(yù)測分布例如假設(shè)需求服從均值為μ標(biāo)準(zhǔn)差為σ的正態(tài)分布。最優(yōu)訂購量Q*就是這個(gè)分布上累積概率等于關(guān)鍵比率的分位數(shù)。Q* F^(-1)(Critical Ratio)其中F是需求分布的累積分布函數(shù)。from scipy.stats import norm # 假設(shè)參數(shù) P 6.0 # 最終售價(jià) C 3.5 # 成本 S 0.5 # 殘值元/公斤 G 1.0 # 單位缺貨機(jī)會成本元 Cu P - C G # 6.0 - 3.5 1.0 3.5 Co C - S # 3.5 - 0.5 3.0 critical_ratio Cu / (Cu Co) # 3.5 / (3.53.0) ≈ 0.538 # 假設(shè)預(yù)測需求服從 N(μ100, σ20) mu 100 sigma 20 Q_optimal norm.ppf(critical_ratio, locmu, scalesigma) # 求正態(tài)分布的分位數(shù) Q_optimal int(np.round(Q_optimal)) # 取整 print(f關(guān)鍵比率為: {critical_ratio:.3f}) print(f最優(yōu)補(bǔ)貨量為: {Q_optimal} 公斤)實(shí)操心得G缺貨成本最難估計(jì)它包含了顧客流失、口碑下降等隱性損失。在比賽中可以將其設(shè)定為k * (P - C)即單位利潤的k倍例如k0.5并進(jìn)行敏感性分析說明不同k值對訂購量的影響。這能體現(xiàn)你思考的全面性。4. 模型集成、驗(yàn)證與策略分析單個(gè)模型跑通只是第一步要讓方案有說服力必須進(jìn)行系統(tǒng)的驗(yàn)證和策略分析。4.1 模型集成與滾動預(yù)測在實(shí)際應(yīng)用中我們每天都要運(yùn)行一次這個(gè)決策流程。這就需要建立一個(gè)滾動預(yù)測與決策系統(tǒng)。滾動訓(xùn)練每天用截至到前一天的所有歷史數(shù)據(jù)重新訓(xùn)練預(yù)測模型或每周重訓(xùn)。這能讓模型持續(xù)學(xué)習(xí)到最新的趨勢。多步預(yù)測對于補(bǔ)貨可能需要預(yù)測未來幾天的需求如果供貨周期長?？梢允褂枚嗖綍r(shí)間序列預(yù)測方法或?qū)尾筋A(yù)測模型迭代使用。集成決策將定價(jià)模塊和補(bǔ)貨模塊串聯(lián)。流程是輸入最新數(shù)據(jù) → 更新需求預(yù)測模型 → 運(yùn)行定價(jià)模型得到明日售價(jià) → 將此售價(jià)代入補(bǔ)貨模型計(jì)算最優(yōu)訂購量。在論文中你應(yīng)該用一張清晰的流程圖可以用Visio或PPT畫然后截圖插入來展示這個(gè)自動化決策流程并附上一段偽代碼說明每日的自動化腳本如何運(yùn)行。4.2 模型驗(yàn)證與效果評估不能只說自己模型好要用數(shù)據(jù)證明。我們需要設(shè)計(jì)合理的驗(yàn)證方式。歷史數(shù)據(jù)回測將最后一個(gè)月的數(shù)據(jù)作為“測試集”模擬每天根據(jù)過去的數(shù)據(jù)做決策將決策結(jié)果定價(jià)、補(bǔ)貨量與當(dāng)天的實(shí)際最優(yōu)決策事后諸葛亮進(jìn)行對比。評估指標(biāo)包括利潤提升你的模型策略下的累計(jì)模擬利潤 vs. 實(shí)際歷史利潤或 vs. 簡單策略如“均價(jià)策略”、“成本加成策略”的利潤。損耗率模型策略下的平均損耗率 vs. 歷史實(shí)際損耗率。缺貨率模型策略下發(fā)生缺貨的天數(shù)比例。敏感性分析這是拿高分的亮點(diǎn)。分析關(guān)鍵參數(shù)變動對整體利潤的影響。價(jià)格彈性估計(jì)誤差的影響如果彈性系數(shù)估計(jì)有±10%的偏差利潤會變化多少需求預(yù)測誤差的影響假設(shè)預(yù)測誤差RMSE增大20%對補(bǔ)貨決策和最終利潤的沖擊有多大成本波動的魯棒性批發(fā)價(jià)格突然上漲10%你的定價(jià)和補(bǔ)貨模型能否快速適應(yīng)利潤能否保持穩(wěn)定通過敏感性分析你可以指出模型的強(qiáng)項(xiàng)和脆弱點(diǎn)并提出改進(jìn)方向例如引入更頻繁的彈性系數(shù)估計(jì)、建立更穩(wěn)健的預(yù)測區(qū)間這體現(xiàn)了建模的深度和批判性思維。4.3 策略擴(kuò)展與商業(yè)洞見一個(gè)優(yōu)秀的解決方案不應(yīng)止步于模型本身還應(yīng)能提煉出對管理有指導(dǎo)意義的策略。商品分類管理根據(jù)計(jì)算出的價(jià)格彈性和銷售特征如銷量、利潤貢獻(xiàn)可以將蔬菜分為四類高彈性高銷量敏感商品應(yīng)保持低價(jià)競爭定價(jià)接近成本追求薄利多銷和流量。低彈性高利潤明星商品需求穩(wěn)定對價(jià)格不敏感可以定較高價(jià)格獲取高毛利。高彈性低銷量問題商品考慮促銷清倉或減少進(jìn)貨。低彈性低銷量淘汰商品考慮下架。 在論文中做一個(gè)矩陣圖將幾種主要蔬菜歸類并給出差異化的定價(jià)和補(bǔ)貨策略建議。聯(lián)合補(bǔ)貨與約束優(yōu)化原題是單品決策?，F(xiàn)實(shí)中倉庫容量、采購資金、物流車次是有限的。可以提出一個(gè)擴(kuò)展模型在總預(yù)算和總倉容的約束下如何分配不同蔬菜的訂購量使得總期望利潤最大。這引出了一個(gè)線性/整數(shù)規(guī)劃問題。即使由于時(shí)間關(guān)系無法完全實(shí)現(xiàn)在論文的“展望”部分提出這個(gè)想法并簡述建模思路決策變量、目標(biāo)函數(shù)、約束條件能極大提升方案的完整性和深度。動態(tài)調(diào)價(jià)機(jī)制模型可以不止每天運(yùn)行一次。對于保質(zhì)期極短的商品如葉菜可以考慮在當(dāng)天傍晚進(jìn)行二次調(diào)價(jià)打折促銷以進(jìn)一步減少損耗。這可以建模為一個(gè)兩階段決策問題。5. 論文寫作要點(diǎn)與常見問題排查模型建得好還要論文寫得好。國賽評閱時(shí)間緊清晰的表達(dá)和邏輯至關(guān)重要。5.1 論文結(jié)構(gòu)與寫作技巧摘要這是門面。用一段話精煉概括問題、你的核心方法例如“本文構(gòu)建了融合ARIMA與LightGBM的需求預(yù)測模型結(jié)合價(jià)格彈性理論建立了非線性定價(jià)模型并利用報(bào)童模型框架進(jìn)行補(bǔ)貨決策”、以及主要結(jié)論/指標(biāo)例如“通過歷史回測本模型使綜合利潤提升了15.2%平均損耗率降低了5%”。避免在摘要中出現(xiàn)公式和細(xì)節(jié)。問題重述與分析不要照抄題目。用自己的話梳理問題的背景、目標(biāo)和難點(diǎn)并畫出你的整體技術(shù)路線圖。模型假設(shè)與符號說明列出關(guān)鍵、合理的假設(shè)如“短期內(nèi)價(jià)格彈性穩(wěn)定”、“需求預(yù)測誤差服從正態(tài)分布”。制作一個(gè)清晰的符號說明表讓評委隨時(shí)查閱。模型建立與求解這是核心章節(jié)。對應(yīng)我們前面的模塊分小節(jié)撰寫。每個(gè)模型都要講清“為什么用這個(gè)模型”再給出公式和求解步驟。關(guān)鍵公式必須編號。求解過程可以簡述但重要的計(jì)算步驟如關(guān)鍵比率的推導(dǎo)、最優(yōu)價(jià)格公式必須呈現(xiàn)。模型檢驗(yàn)與結(jié)果分析展示回測結(jié)果用圖表說話。比如繪制“模型策略 vs. 實(shí)際歷史”的利潤對比折線圖、損耗率對比柱狀圖。展示敏感性分析的表格或趨勢圖。對結(jié)果進(jìn)行深入分析解釋為什么模型有效以及結(jié)果說明了什么。模型評價(jià)與推廣客觀評價(jià)模型的優(yōu)點(diǎn)數(shù)據(jù)驅(qū)動、自動化、考慮全面和缺點(diǎn)對數(shù)據(jù)質(zhì)量依賴高、參數(shù)需要定期校準(zhǔn)。提出可行的改進(jìn)方向如引入天氣數(shù)據(jù)、考慮競爭對手價(jià)格和商業(yè)推廣建議。5.2 常見問題與解決方案速查表在備賽和實(shí)際建模中你肯定會遇到以下問題這里是我的解決方案實(shí)錄問題現(xiàn)象可能原因排查與解決思路需求預(yù)測模型在測試集上誤差巨大1. 過擬合。2. 存在未考慮的外部突變?nèi)缤蝗坏膼毫犹鞖狻?. 歷史數(shù)據(jù)本身波動太大無規(guī)律。1.檢查過擬合對比訓(xùn)練集和驗(yàn)證集誤差。如果訓(xùn)練集誤差遠(yuǎn)小于驗(yàn)證集說明過擬合。需增加正則化L1/L2、減少模型復(fù)雜度如減少樹模型的深度、或使用更簡單的模型。2.引入外部變量檢查預(yù)測誤差大的日期是否為特殊日期節(jié)日、極端天氣?？紤]加入“節(jié)假日虛擬變量”或嘗試獲取天氣數(shù)據(jù)作為特征。3.換用更穩(wěn)健的模型對于波動極大的序列可以嘗試使用指數(shù)平滑ETS或 Prophet 模型它們對異常值相對不敏感?；蛘卟活A(yù)測具體值轉(zhuǎn)而預(yù)測銷量區(qū)間分位數(shù)回歸。價(jià)格彈性系數(shù)估計(jì)出來是正數(shù)不符合常識1. 存在嚴(yán)重的多重共線性。2. 遺漏重要變量導(dǎo)致價(jià)格變量與誤差項(xiàng)相關(guān)。3. 數(shù)據(jù)中存在“價(jià)格越低銷量越低”的特殊促銷期清倉。1.檢查共線性計(jì)算特征間的方差膨脹因子VIF。如果價(jià)格變量與其他變量如成本高度相關(guān)需要剔除或合并變量。2.使用工具變量法如果懷疑價(jià)格是內(nèi)生的例如銷量高時(shí)商家也可能主動降價(jià)嘗試尋找一個(gè)只影響價(jià)格但不直接影響銷量的“工具變量”如上一期的批發(fā)市場價(jià)格進(jìn)行兩階段最小二乘法2SLS估計(jì)。這在高級計(jì)量經(jīng)濟(jì)學(xué)中常用在論文中提及能顯著提升檔次。3.數(shù)據(jù)分段處理將正常銷售期和清倉促銷期的數(shù)據(jù)分開建模。報(bào)童模型計(jì)算出的訂購量總是遠(yuǎn)高于或低于歷史銷量1. 關(guān)鍵比率計(jì)算有誤特別是缺貨成本G估計(jì)不合理。2. 需求分布假設(shè)錯誤如實(shí)際為長尾分布卻用了正態(tài)分布。3. 預(yù)測的需求均值μ存在系統(tǒng)性偏差。1.校準(zhǔn)缺貨成本G是調(diào)節(jié)訂購量最重要的杠桿。通過模擬不同G值下的歷史利潤反向找出使歷史總利潤最大化的G值范圍。2.檢驗(yàn)需求分布繪制歷史需求量的直方圖和Q-Q圖檢驗(yàn)其是否接近正態(tài)分布。如果不符可以使用經(jīng)驗(yàn)分布或更靈活的分布如負(fù)二項(xiàng)分布適用于計(jì)數(shù)數(shù)據(jù)。3.修正預(yù)測偏差如果模型持續(xù)高估或低估在最終預(yù)測值上加一個(gè)修正項(xiàng)偏差 歷史預(yù)測誤差的均值。模型在回測中利潤提升不明顯甚至為負(fù)1. 模型各部分預(yù)測、定價(jià)、補(bǔ)貨誤差疊加導(dǎo)致整體效果差。2. 模型過于復(fù)雜在樣本外不穩(wěn)定。3. 評估基準(zhǔn)選擇不合理。1.模塊化診斷單獨(dú)測試每個(gè)模塊的準(zhǔn)確性。例如固定使用歷史實(shí)際價(jià)格只測試補(bǔ)貨模型的效果或固定使用簡單補(bǔ)貨規(guī)則只測試定價(jià)模型的效果。找出最薄弱的環(huán)節(jié)進(jìn)行改進(jìn)。2.簡化模型回歸基礎(chǔ)。嘗試使用移動平均法預(yù)測需求用成本加成法定價(jià)用簡單的s, S策略補(bǔ)貨看是否比復(fù)雜模型更穩(wěn)定。有時(shí)簡單規(guī)則的魯棒性更好。3.設(shè)定合理基準(zhǔn)對比基準(zhǔn)應(yīng)該是現(xiàn)實(shí)中可能采用的簡單策略如“昨日銷量即為今日訂貨量”、“售價(jià)恒定”。確保你的模型確實(shí)超越了這些“樸素策略”。5.3 代碼實(shí)現(xiàn)與工具選擇建議語言選擇Python是首選。Pandas進(jìn)行數(shù)據(jù)處理Statsmodels/Sktime做傳統(tǒng)時(shí)間序列Scikit-learn/LightGBM/XGBoost做機(jī)器學(xué)習(xí)SciPy進(jìn)行優(yōu)化和統(tǒng)計(jì)計(jì)算Matplotlib/Seaborn/Plotly畫圖。生態(tài)完整代碼簡潔。MATLAB在時(shí)間序列分析和優(yōu)化求解上有工具箱優(yōu)勢但數(shù)據(jù)處理和機(jī)器學(xué)習(xí)庫的豐富性不如Python。如果隊(duì)伍特別熟悉MATLAB也可以使用。必須避免的坑不要在論文里貼大段代碼只展示最關(guān)鍵的一小段如關(guān)鍵比率計(jì)算、模型訓(xùn)練的核心參數(shù)設(shè)置其余放在附錄。確保代碼可復(fù)現(xiàn)在代碼開頭設(shè)置隨機(jī)種子如np.random.seed(42)并注明所有依賴庫的版本。注重效率如果商品種類多如50種為每種蔬菜單獨(dú)訓(xùn)練模型可能耗時(shí)?？梢钥紤]使用scikit-learn的MultiOutputRegressor或深度學(xué)習(xí)模型進(jìn)行多任務(wù)學(xué)習(xí)一次性預(yù)測所有商品的需求。最后想說的是數(shù)學(xué)建模比賽和解決真實(shí)業(yè)務(wù)問題一脈相承核心都是“用合理的模型刻畫復(fù)雜的現(xiàn)實(shí)”。國賽C題提供了一個(gè)絕佳的練兵場。從理解業(yè)務(wù)開始到數(shù)據(jù)清洗、特征工程、模型構(gòu)建、驗(yàn)證分析最后形成決策建議這個(gè)完整流程走一遍收獲的絕不僅僅是一個(gè)獎項(xiàng)更是一套解決實(shí)際問題的數(shù)據(jù)思維框架。在實(shí)際操作中我最大的體會是沒有完美的模型只有最適合當(dāng)前數(shù)據(jù)和業(yè)務(wù)場景的模型。大膽假設(shè)小心求證不斷用結(jié)果反饋來修正你的模型這才是數(shù)據(jù)工作的常態(tài)。希望這份超詳細(xì)的拆解能幫你不僅做出這道題更能吃透這一類題。