零售行业库存补货时机分析数据

本数据来源于公司在电商平台订单交易记录数据，以商品-半月为粒度提取选购商品、商品数量、上期销售数量等库存全维度特征，商品编号由选购商品与统计周期经MD5哈希加密算法生成I前缀唯一标识。 通过构建“消耗速率-库存压力-销量趋势”三维评估模型与补货时机等级标注，将商品库存分为紧急补货、建议补货、关注库存、库存充足四级：紧急补货商品立即启动采购加加急配送策略；建议补货商品实施常规补货加供应商协同策略；关注库存商品实施动态监控加预警提醒策略；库存充足商品实施暂缓采购加去库存促清策略。 该数据集解决零售行业库存补货时机缺乏量化评估、补货计划与实际消耗速率脱节、安全库存阈值设定缺乏数据支撑、断货风险与库存积压无法精确预判等核心痛点，帮助零售企业从“被动补货”转向“主动预判”，优化库存补货时机与采购策略。 同时，该数据集的特征工程体系与补货时机标注规范经过标准化处理，可为零售行业库存预测与智能补货AI模型提供结构化训练样本，推动行业从“经验补货”向“数据驱动加智能预测”演进。 原始数据来源于公司在电商平台的订单记录数据，经按主订单编号去重后提取选购商品、商品数量等基础特征，以商品-半月为粒度聚合计算销售数量、当前库存量、上期销售数量、补货提前期等基础指标，商品编号由选购商品与统计周期经MD5哈希加密算法生成I前缀唯一标识。 日均消耗速率 = ROUND(销售数量/15, 2)。 库存可售天数 = IF(日均消耗速率＞0, ROUND(当前库存量/日均消耗速率, 2), 0)。 消耗速率得分 = 日均消耗速率：≥30=100，≥15且＜30=80，≥8且＜15=60，≥3且＜8=40，＜3=20。 库存压力得分 = 库存可售天数：=0或≤5=100，≤10且＞5=80，≤20且＞10=60，≤30且＞20=40，＞30=20。 销量趋势得分 = IF(上期销售数量=0, IF(销售数量＞0, 100, 20), 销售数量：≥上期×1.2=100，≥上期且＜上期×1.2=80，≥上期×0.8且＜上期=60，≥上期×0.5且＜上期×0.8=40，＜上期×0.5=20)。 补货时机综合指数 = ROUND(消耗速率得分×0.40+库存压力得分×0.35+销量趋势得分×0.25, 2)。 补货时机等级 = 综合指数：≥80=紧急补货，≥60且＜80=建议补货，≥40且＜60=关注库存，＜40=库存充足。 补货预警点 = ROUND(日均消耗速率×补货提前期×1.5, 2)。 建议补货量 = IF(当前库存量＜补货预警点, ROUND(补货预警点×2-当前库存量, 2), 0)。 补货紧迫度 = IF(补货预警点=0, 0, IF(当前库存量≥补货预警点, 0, ROUND((补货预警点-当前库存量)/补货预警点×100, 2)))。 权重分配依据GB/T 19001-2016质量管理体系及ISO 9001:2015质量管理体系要求，消耗速率权重40%因其为库存消耗节奏的核心判定指标，库存压力权重35%反映当前库存的紧张程度，销量趋势权重25%体现未来需求的变化方向。

搜集汇总

背景与挑战

背景概述

该数据集基于电商平台订单交易记录，以商品-半月为粒度提取选购商品、商品数量、上期销售数量等库存全维度特征，并构建“消耗速率-库存压力-销量趋势”三维评估模型，将商品库存划分为紧急补货、建议补货、关注库存、库存充足四个等级，对应不同的补货策略。数据集旨在解决零售行业库存补货时机缺乏量化评估、补货计划与实际消耗脱节等核心痛点，帮助零售企业实现从“被动补货”向“主动预判”的转变。同时，数据经过标准化处理，可为库存预测与智能补货AI模型提供结构化训练样本，推动行业向数据驱动和智能预测方向演进。