Dynamic Dual-Period Multi-Criteria Inventory Decision Framework (DPMC-IDF): An Empirical Comparison with ABC and ABC-XYZ

想象一下，你是一位巨型货轮的船长，但你航行的不是海洋，而是一片由数千种产品组成的海洋。你的职责是决定哪些物品应该装载在最安全、最易取用的位置，而哪些可以被塞进深层的货舱。这就是库存管理的世界，它是保持商店库存充足和企业盈利的关键部分。几十年来，船长们一直依赖两张古老且可靠的地图：ABC 分析和 XYZ 分析。

可以将 ABC 视为一张只关心某个项目在整年内赚了多少钱的地图。这就像仅仅根据朋友一年吃了多少比萨来对他们进行排名，而忽略了他们是在一晚上吃完的，还是分摊在一个月内吃完的。XYZ 则是一张关注需求“颠簸程度”的地图。它使用一种名为“变异系数”的数学工具，来预测一个产品的销售是像平静的湖泊一样稳定，还是像风暴中的大海一样狂野。问题在于，这些旧地图是静态的。它们将整年看作一张巨大的、模糊的照片。如果十一月突降风暴，地图就会产生混乱，认为整年都是风暴天气，从而导致船长做出错误的决策。

本文介绍了一个新的动态指南针，称为动态双周期多准则库存决策框架（DPMC-IDF）。它不再将整年作为一个整体来看待，而是将一年分为两半（就像两个学期），并观察项目在两者之间是如何移动的。它不仅询问“你赚了多少钱？”，还询问“你的份额是如何变化的？”以及“你的销售额是激增了还是暴跌了？”通过这样做，它希望能捕捉到旧地图错过的趋势，比如一个正在悄然增长的产品，或者一个虽然经历了单次销售高峰但实际上非常稳定的产品。作者将这个新指南针与旧地图进行了对比测试，以观察它是否能帮助船长避免缺货或在无人问津的商品上浪费资金。

旧地图 vs. 新指南针

论文指出，传统的 ABC-XYZ 方法有一个主要的盲点：它假设世界是“平稳”的，即随时间推移不会发生变化。作者证明，事实往往并非如此。想象一下，一个产品在连续 11 个月里每月销售 10 件，但在第 12 个月因为节日促销销售了 100 件。旧的 XYZ 地图观察整年情况，看到了巨大的跳跃，并计算出一个很高的“波动性”得分。它将该产品标记为“不稳定项”（Z 类项目），告诉管理者要像对待变数一样对待它。但实际上，该产品在 11 个月里表现都很平稳！旧地图被那一个月给骗了，就像一个天气预报因为一次飓风就说“这里总是风暴天气”一样。

同样，旧的 ABC 地图可能会仅仅因为某个产品总销量很高，就将其排名为“高价值”产品，即使其销量每月都在下降。这就像是因为某人跑了一次马拉松，就将他评为“最快”的选手，却忽略了他之后再也没跑过。

新工具：分割时间并观察转变

DPMC-IDF 框架通过以下三个巧妙的步骤解决了这个问题：

1. 分割时界： 它不再看整年，而是将一年切成两半（时期 1 和时期 2）。它检查项目在前半部分和后半部分的表现。这就像是分别检查第一学期和第二学期的成绩，而不是把它们平均成全年的成绩。
2. 百分位数排名： 它不使用简单的平均值（因为平均值容易被一个极端数值扭曲），而是将项目进行相互排名。它会问：“这个项目是否比其他 75% 的项目表现得更好或更差？”这使得排名对异常值更加稳健。
3. 波动指数 (VI)： 这是核心秘诀。它精确计算一个项目的销售份额从第一阶段到第二阶段的变化程度。它会给出一个三字母代码（如 LHV 或 HMM），讲述一个故事：
   • LHV 可能意味着一个项目起初是“低”份额，变成了“高”份额，且具有“波动性”（增长迅速但变化剧烈）。
   • HMM 可能意味着一个项目曾是“高”份额，后来变为“中”份额，且表现“温和”（虽然在下滑，但相对稳定）。

模拟实验：三个产品的寓言

为了测试他们的想法，作者创建了一个仅包含三个产品的微型模拟世界：

• 产品 A： 稳定可靠，但正慢慢失去市场份额给竞争对手。
• 产品 B： 季节性产品，起步较慢，但在下半年人气爆发。
• 产品 C： 一个稳定的产品，但在其中一个月出现了异常的巨大销售高峰，随后恢复正常。

旧地图的错误：

• 旧的 XYZ 地图将产品 B（增长中的明星）和产品 C（一次性高峰）都标记为“不稳定的 Z 类项目”，因为两者的波动得分都很高。它无法区分健康的增长趋势和一次性的异常波动。
• 旧的 ABC 地图将产品 A 和产品 B 归入同一个“高价值”类别，忽略了产品 A 正在衰退而产品 B 正在崛起。

新指南针的成功：

• DPMC-IDF 正确地将产品 B 识别为 LHV（低到高，波动型），识别出这是一个需要投资的增长趋势。
• 它将产品 C 标记为 MLV（中到低，波动型），意识到那个高峰是暂时的，且该项目实际上正在下滑，因此不应被视为永久的高优先级项目。
• 它观察到产品 A 是 HMM，注意到尽管它很稳定，但正在失去竞争优势。

在这个模拟测试中，新框架在分类产品时零失误，而旧方法则出现了多次错误。作者计算了“误分类风险降低指数”（MRRI），发现该工具在这一特定场景下比旧方法降低了 100% 的错误风险。

现实世界测试：StellarMart 商店

然而，论文并未止步于模拟。作者将他们的新指南针应用到了来自 StellarMart 商店的真实数据集上，该商店在四个地区（东、西、南、北）拥有 5,000 笔交易和 25 种产品。他们利用 2023 年的销售数据来预测 2024 年的情况。

在这里，故事变得更加微妙。新工具并不总是胜出。

• 在南部地区，DPMC-IDF 表现出色，与旧方法相比，将错误率降低了近一半。
• 但在北部和西部地区，它的表现实际上略逊于旧的 ABC-XYZ 地图。
• 当他们观察所有四个地区的综合情况（共 100 个项目）时，新工具比综合 ABC-XYZ 地图降低了约 5.5% 的简单错误率。

作者发现，当一个产品的趋势在两个观察周期之后发生反转时，新工具会遇到困难。例如，如果一个产品在 2023 年下半年下滑，但在 2024 年反弹，那么依赖于第二个周期的新工具可能会错误地预测它会继续下滑。旧工具由于采用了全年平均的方法，有时会因为这种“平滑效应”而歪打正着。

这意味着什么

论文得出结论，DPMC-IDF 是一个强大的新工具，但它并不是解决一切问题的万灵药。它在产品经历结构性变化（如稳步上升或稳步下降）时表现尤为出色，因为它能够识别趋势的方向。它能帮助管理者发现旧地图错过的“增长之星”和“凋零之光”。

然而，作者也承认，如果一个产品的行为难以预测或反转过快，新工具可能会出错。他们建议，未来的改进方向可以是观察更多的周期，或者将其与其他决策方法相结合。

简而言之，DPMC-IDF 框架提供了一种更具动态性、“具备时间感知能力”的库存管理方式。它表明，通过分割年度并观察项目的移动，企业可以做出更明智的备货决策。但与任何新技术一样，它在特定条件下效果最佳，并且需要在使用时清晰了解其局限性。作者的工作表明，虽然旧地图仍然有用，但在复杂多变的现代供应链世界中，我们需要一个更灵活的新指南针。