供应链数据分析案例

场景

你是某零售/电商公司的供应链数据分析师，发现整体库存周转天数从 30 天上升到 45 天，滞销库存金额占比达 25%。请分析原因并提出优化方案。

核心指标

指标	公式	说明
库存周转天数	平均库存金额 / 日均销售成本	越低越好
库存周转率	销售成本 / 平均库存金额	越高越好
滞销率	90 天无动销 SKU / 总 SKU	≤10% 为健康
缺货率	缺货 SKU-天 / 总 SKU-天	≤2% 为健康
预测准确率	`1 -	实际 - 预测

分析过程

第一步：按品类拆解库存健康度

-- 各品类库存健康度
SELECT
    category,
    SUM(inventory_value) AS inventory_value,
    SUM(last_30d_sales) AS sales_30d,
    ROUND(SUM(inventory_value) / NULLIF(SUM(last_30d_sales) / 30, 0), 1) AS turnover_days,
    -- 滞销比例（90 天未动销）
    ROUND(SUM(CASE WHEN last_sale_date < DATE_SUB(CURDATE(), INTERVAL 90 DAY) THEN inventory_value ELSE 0 END) /
          SUM(inventory_value) * 100, 1) AS dead_stock_pct,
    -- 缺货率
    ROUND(SUM(CASE WHEN stock_qty = 0 THEN 1.0 ELSE 0 END) / COUNT(*) * 100, 1) AS stockout_rate
FROM inventory_snapshot
GROUP BY category
ORDER BY turnover_days DESC;

品类	库存(万)	周转天数	滞销率	缺货率
服装	3000	65	35%	5%
电子	2000	25	8%	3%
食品	1000	12	3%	8%
家居	1500	50	28%	2%

关键发现

服装品类周转天数 65 天，滞销率 35%，是拉高整体库存周转的主要原因。

第二步：供需匹配分析

-- 需求预测准确率
SELECT
    category,
    sku_id,
    forecast_qty,
    actual_qty,
    ROUND(ABS(forecast_qty - actual_qty) / NULLIF(actual_qty, 0) * 100, 1) AS mape,
    CASE
        WHEN forecast_qty > actual_qty * 1.3 THEN '预测过高'
        WHEN forecast_qty < actual_qty * 0.7 THEN '预测过低'
        ELSE '预测准确'
    END AS forecast_status
FROM demand_forecast
WHERE month = '2024-01';

-- 按品类汇总预测偏差
SELECT
    category,
    ROUND(AVG(ABS(forecast_qty - actual_qty) / NULLIF(actual_qty, 0)) * 100, 1) AS avg_mape,
    SUM(CASE WHEN forecast_qty > actual_qty * 1.3 THEN 1 ELSE 0 END) AS over_forecast_skus,
    SUM(CASE WHEN forecast_qty < actual_qty * 0.7 THEN 1 ELSE 0 END) AS under_forecast_skus
FROM demand_forecast
WHERE month = '2024-01'
GROUP BY category;

第三步：ABC-XYZ 分类

	X（需求稳定）	Y（需求波动中）	Z（需求剧烈波动）
A（高价值）	安全库存+定期补货	动态安全库存	按需采购
B（中价值）	定期补货	需求预测+安全库存	减少 SKU
C（低价值）	大批量低频补货	评估是否淘汰	淘汰/清仓

-- ABC 分类（按销售额累计占比）
WITH sku_ranking AS (
    SELECT
        sku_id,
        total_sales,
        SUM(total_sales) OVER (ORDER BY total_sales DESC) AS cumulative_sales,
        SUM(total_sales) OVER () AS grand_total
    FROM sku_sales_summary
)
SELECT
    sku_id,
    total_sales,
    CASE
        WHEN cumulative_sales / grand_total <= 0.8 THEN 'A'
        WHEN cumulative_sales / grand_total <= 0.95 THEN 'B'
        ELSE 'C'
    END AS abc_class
FROM sku_ranking;

第四步：优化建议

措施	目标	实施方案	预期效果
滞销清理	降低滞销率	服装品类 90 天未动销 SKU 打折清仓	释放库存金额 1000 万
补货优化	降低周转天数	引入 ABC-XYZ 分类补货策略	周转天数 → 35 天
预测升级	提升预测准确率	服装品类引入机器学习预测模型	MAPE 降低 10pp
SKU 精简	减少长尾 SKU	淘汰 C-Z 类 SKU（低价值+高波动）	管理 SKU 减少 30%

---

面试应答要点

供应链分析核心

1. 库存不是越少越好：要平衡周转效率和缺货风险
2. 分品类、分 SKU 看：不同品类策略不同
3. ABC-XYZ 分类是通用分析框架
4. 预测准确率是供应链优化的起点

---

相关链接

• 描述统计 - 库存数据概览
• 回归分析 - 需求预测
• 特征工程 - 预测模型特征