基于B/S架構的庫存風險預警平臺的研究

朱騰蛟　馬柯　樊琳

摘要：為幫助企業完善庫存風險預警管理機制，而設計了一個基于B/S架構的平臺解決方案。該解決方案完成了對風險預警機制的設定，并以時間序列模型，對廠內產成品、在途庫存、在庫庫存的庫存規模及庫存規模比進行7～14天的預測。最后以庫存規模為例，對模型的預測性能進行了驗證。

關鍵詞：B/S架構；風險預警；時間序列模型

中圖分類號：TP311 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2015.05.029

本文著錄格式：朱騰蛟，馬柯，樊琳.基于B/S架構的庫存風險預警平臺的研究[J].軟件，2015，36（5）：133-135

0 引言

在大數據概念越發火熱的當下，企業管理者比以往任何時期都更加看重數據的價值。庫存規模的決策需要數據的支持，基于數據的決策會更加科學、準確與合理。由于庫存管理的優劣直接影響到各家企業的競爭力和物資供應的順暢程度，因此迫切地需要依據自身情況，定制一套高效可用的庫存數據可視化預警平臺來幫助企業控制成本，發現潛在風險，保障各項業務的順利運行，為企業資源的合理管控提供決策支持。

1 平臺設計

1.1 平臺架構設計

該平臺采用了可維護性更強的B/S（Browser/Server）架構，即瀏覽器服務器架構。它是隨著Internet技術的興起，對C/S（client/Server）架構的一種改進。在B/S架構下，只有少部分事務邏輯在前端實現，而主要的事務邏輯在服務器端實現，形成了所謂的“3-tier”三層架構。

三層架構的具體部署如圖1所示，將整個系統應用劃分成三個層次，分別是數據層、應用層和表示層。數據層包含一個中央數據管理服務器，提供多種數據接口，可以根據企業具體需要從多個數據源抽取庫存數據，按照統一維度處理之后存儲在本地磁盤，方便應用層實時讀取。應用層包含一個Web服務器和時間序列預測分析組件，通過接收表示層的作業請求，到數據層中抽取數據，再通過分析之后，發送到表示層作可視化的展示。表示層則可以是任意可接入互聯網的終端，包括智能手機、平板電腦、筆記本電腦等等。三層架構充分體現出了系統的高內聚性和低耦合性。

伴隨著經濟的快速發展以及“兩化融合”的不斷推進，云計算技術有可能短期內在中小企業之間得到廣泛的應用。云計算是綜合互聯網技術計算機技術和移動信息技術等應用集成發展的面向全球用戶的多功能應用服務。云服務的發展趨勢將會是更便宜、更安全，其有效性和可信性將更高。采用云數據庫技術把數據庫部署到云端，可以解決許多企業在不斷發展壯大的過程中要面臨的與數據相關的問題，比如呈指數級增長的數據量的儲存問題，大規模并行處理問題，數據中心運行維護的成本問題等等。未來的信息系統，將是B/S與云計算結合的模式。所以在風險預警平臺架構的設計初期，把未來可能與云服務相結合也考慮進去的做法是具有前瞻性的。

1.2 平臺主要功能模塊

1.2.1 產成品庫存地圖

庫存地圖包括了總庫存規模（廠內產成品庫存規模、渠道風險庫存規模）、按區域（顯示總部、專營公司、渠道公司）分別顯示廠內產成品庫存、在途庫存、地區公司在庫庫存、加工中心庫存的當期庫存規模、昨日新人庫庫存規模、昨日已出庫庫存規模。

1.2.2 庫存規模預警

由合同接單開始，按照庫存模型，測算下一個月的庫存走勢，并與庫存指標對比判斷庫存風險高低，對高庫存風險觸發庫存預警應對機制，以控制供應鏈庫存風險。

庫存規模模型為，故依照庫存規模模型可以預測第t月的平均庫存走勢情況。

庫存規模比模型為，該模型為某地區（專業）公司第t周的動態庫存規模比。

其中：ISt為某地區（專業）公司第t月的庫存規模。St為第t月對應的訂貨量，IPt即入庫比系數，為預測第t月合同總量中入地區公司庫存的量的比重。按照移動平均法預測Rt風險系數，為預測第t月入庫合同量中付款方式不是全額預付的比重，按照移動平均法預測，TOt周轉周期，為預測的第t個月的庫存平均周轉周期，可按照移動平均法預測。It是庫存規模，St定義為該公司第t周庫存對應的訂貨量，由于現貨和期貨的銷售周期分別為1個月（30天）和1個半月（45天），故第t周庫存對應的訂貨量為：對期貨而言，以第t周為終點，前推一個月的訂貨量；對現貨而言，以第t周為終點，前推一個半月的訂貨量。根據統計的前t周的庫存規模比數據值，可按照移動平均法預測第t+1周庫存規模比。

1.2.3 庫存入庫提示

對“廠內在制品一>廠內產成品一>在途一>地區公司一>加工中心”全流程各環節中形成的庫存，通過梳理基礎數據和合同信息，形成庫存流向信息流，在各個環節點提前提示庫存即將到庫的信息。如跟蹤T時點的在庫信息N噸，根據運輸方式及到目的地所需的平均周期，預測到庫時間點2天后入庫，并提示地區公司還有T+2時間點有N噸庫存即將入庫。同時可以查詢即將到庫的合同明細，以利于各公司提前準備開展催提和收款工作，加快庫存周轉效率。

對于庫存規模、庫齡結構及未按期周轉的庫存風險報警，將結合庫存規模、庫齡結構及定金45天周轉周期的庫存管理要求，監控在庫庫存的實績，對未達管理要求的高風險庫存觸發庫存風險應對機制，向庫存管理責任人推送相關庫存報警信息，并系統跟蹤庫存責任人處理高風險庫存的情況，處理完后警報自動解除。

1.2.4 全流程的可視化展示

面向總部管理人員的可視化展示，針對總體庫存的全流程鏈條，設計各環節實際庫存、庫存規模預警、庫存規模、庫齡結構及未按期周轉的庫存風險報警等功能的可視化動態展示，幫助總部庫存管理人員及時掌握庫存全局動態，有效控制總體庫存規模。

面向產品銷售部銷售人員的可視化展示，針對各品種銷售人員的責任庫存，設計分品種的全流程實際庫存、庫存規模預警、庫存規模、庫齡結構及未按期周轉的庫存風險報警等功能的可視化動態展示，幫助產品銷售人員及時掌握各品種庫存動態，為判斷用戶需求及合同接單提供有效支持，并協同解決高風險庫存。

面向地區公司的可視化展示，針對各地區專營公司的責任庫存，設計分公司所轄責任庫存的全流程實際庫存、庫存規模預警、入庫提示、庫存規模、庫齡結構及未按期周轉的庫存風險報警等功能的可視化動態展示，幫助各地區公司提前預測庫存規模，并提前準備開展催提和收款工作，加快庫存周轉效率；同時預警高風險庫存，協助地區公司有效控制庫存風險。

全流程方式展示如下內容：

廠內產成品庫存：針對超齡6個月以上的庫存進行預警；

在途庫存：根據平均在途周期計算超齡庫存，進行異常值的提示；

地區公司在庫庫存：預測庫存可達的高點值、預測庫存規模比、45天超期庫存量、預測未來可能會超期庫存量（每月20日之后出數據）、6個月以上超期庫存規模；

加工中心庫存：針對超齡6個月以上的庫存進行預警。2預測算法與模型選擇

廠內產成品、在途庫存、在庫庫存的庫存規模及庫存規模比，分別使用時間序列及多因素模型進行預測分析，ARIMA建模步驟如圖2所示。時間序列模型預測7～14日庫存規模及庫存規模比。根據前期使用時間序列模型（移動平均模型MA、自回歸模型AR、自回歸移動平均模型ARIMA和求和自回歸移動平均模型ARIMA）、灰色預測等常用的預測算法，針對庫存規模、庫存規模比（按前7～14天平均發貨量進行預測）進行后續7～14日的庫存規模及庫存規模比的預測分析，通過自相關圖、偏自相關圖、擬合預測圖、殘差圖等多種分析方法，選擇最優的預測算法，并提供參數配置選擇，滿足預測功能的準確性、實時性。

為了驗證預測性能，取某鋼貿公司的真實庫存數據建立周期為14的模型ARIMA（2，1，0）（1，1，0），在R語言環境中得到的結果如圖3所示。其中紅色區段為預測的14天的數據，與真實的綠色區段的數據的走勢大致相同，誤差基本上能控制在20%以內，預測性能可觀。

3 結束語

基于時間序列的庫存規模預測的算法研究和模型確立是庫存風險預警平臺內部需要解決的關鍵技術之一。本文通過ARIMA模型得出的預測結果雖然在一定程度上達到了精度要求，但并非是最優解，所以今后還有很大的空間向這個方面去進一步完善。預測是一項復雜而又寬泛的課題，20世紀60年代時的一篇論文里，Bates和Granger已經證明兩種無偏的單項預測組合優于每個單一的單項預測。所以在今后不斷深入的研究過程中，可以考慮引入組合預測模型來提高預測精度，比如基于ARIMA、BP神經網絡與GM的組合模型，指數平滑法與神經網絡的組合預測模型等等。