为了说服童年的好朋友继续化疗，托马斯回到了自己的家乡，而在此前二人已经断交多年…
如何使需求预测更准确 把需求预测由前置仓集中到中心仓，在颗粒大的地方做预测。在清洗、整理数据的前提下，选择更好的预测方法，做好数据分析，提高基准预测的准确率。基于需求历史制定基准预测后，由销售、市场、产品管理等部门基于市场需求做出预测调整。 一、数据清洗 以数据清洗为前提，提高数据的准确性，为后续的需求预测和库存计划打好基础。 检验数据的一致性，发现超出正常范围、逻辑上不合理或者相互矛盾的数据，供进一步核对和纠正；用样品均值、中位数或众数代替无效值和缺失值，删除特定样品，甚至删除整个变量。 应采取“削峰填谷”的方法进行数据清洗，即促销期间以及相邻的时段，用之前一段时间的平均需求来代替。至于时段多长，取决于具体业务特点，跟移动平均法要用多长周期的历史数据的道理类似。削峰填谷后就得到基准数据，然后用合适的预测模型来制定基准预测。至于后续的促销，许需要另外预测，叠加到基准预测，就是最终预测。 【数据清洗的步骤】 1.预处理阶段： （1）将数据导入处理工具，单机跑数搭建MySQL环境，数据量大，可以使用文本文件存储+Python操作的方式。 （2）看数据。一看元数据，包括字段解释、数据来源、代码表等一切描述数据的信息。而是抽取一部分数据，使用人工查看方式，对数据有一个直观了解，并初步发现一些问题，为后续的处理做准备。 2.缺失值清洗 （1）确定缺失值范围：对每一个字段都计算其缺失值比例，然后按照缺失比例和字段的重要性，分别制定策略。 （2）去除不需要的字段 （3）填充缺失内容 ·以业务知识或经验推测填充缺失值 ·以同一指标的计算结果（均值、中位数、众数等）填充缺失值 ·以不同指标的计算结果填充缺失值 （4）重新取数 3.格式内容清洗 （1）时间、日期、数值、全半角等显示格式不一致 （2）内容中有不该存在的字符 （3）内容与该字段应有内容不符 4.逻辑错误清洗 （1）去重 （2）去除不合理值 （3）修正矛盾内容 5.非需求数据清洗 6.关联性验证 二、数据分析 根据预测精准度，通过平均绝对百分比误差、均方误差的准确度指标，采取更优的预测方法，选择合适的预测模型，同时还要考虑现货率、库存周转率和运营成本。 复盘过去一段时间的预测，通过比较各种方法的准确度，来选择更合适的预测模型。对于每版预测，保留过去几周的值，计算每周的预测误差，求出均方误差，根据均方误差的大小，决定下次预测用什么方法。 1.移动平均法 适用于需求相对平稳，没有趋势、季节性的情况。 A.简单移动平均 Ft+1=过去n期需求的总数/n=D1+Dt-1+Dt-2+......+Dt-n+1/n B.加权移动平均 需求历史越接近，权重比例越大，所有权重加起来为1。 Ft+1=W1D1+W2D2+........+WnDt-n+1 2.指数平滑法（调整误差） A.简单指数平滑法 平滑参数(α) α介于0和1之间，通过选择不同的平滑系数，指数平滑法可以更好的匹配业务的变化 需求历史越近，权重越大，能更快的响应需求变化。 Ft+1=Ft+α(Dt-Ft) 平滑系数α的选取 ·当需求历史比较稳定时，选取较小的α值，0.05～0.2 ·当需求历史有波动，但长期趋势没有大的变化时，可选取稍大的α值，0.1～0.4 ·当需求历史波动很大，呈现明显且迅速的上升或下降趋势时，宜选取较大的α 值，0.6～0.8 ·当需求历史是上升或者下降序列时，α宜取较大值，0.6～1 B.霍尔特双参数法（应对趋势） 本期水平部分=α*本期需求实际值+（1-α）*（上期水平部分+上期趋势部分） 本期趋势部分=β*（本期水平部分-上期
《特鲁曼Truman》值得一看，其余中篇读完体悟不是特别深刻，看剧还是没到境界
这部剧前四分之一是剧集，在这前面又是序（写的是拍这个电影的困难过程，好在最后完成了）后面应该算是电影剧本，因为看了剧集的第二天就把电影看了，因为没买这部剧后面的当时又看不了，今天能看了写的和电影里展现的应该是一模一样的，所以就没看，赶紧把评论补了。 有谁说这部剧是调查体剧集，对。书里都是“我”东拼西凑的各种资料。其中尤其说了从活人口中套出那个痛苦的年代的历史实在太难了，那就是他们心灵永远的伤疤，让他们说一次就是揭开一次。然后又说了资料更多的来自于国外记者在报刊上发表的文章，因为他们作为外国人态度更为客观。还着重说了蒋介石其实也明白当时的形式，别人以为他不知道一而再再而三地向他说明情况只是因为他们没有站他他的立场上去思考问题，他们的层次不同。蒋委员长要考虑的事远远要多于河南的这些官或者在河南路过的美国记者。然后是电影拍的比较和谐，剧集里的记载比电影中的情景更要凄惨的多，只是在从剧集改编成电影中经过了广电总局的评审，他们要求不能拍的那么真实（对，就是不能面对现实，所以荧幕上整天是辫子戏偶像剧，让人看电视看到痴呆）最后要说的是剧集的最后一段，河南人是怎么脱离的灾难，是政府援助了吗？是蝗虫飞走了吗？都不是，是日本人入侵了，因为日本人有粮食。灾区里的人是愿意做饿死的中国鬼还是愿意做活着的亡国奴呢，毫不犹豫，他们选择了后者。在作为中国人之前，他们首先是人。所以日本六万军队轻松击败中国三十万大军，因为他们发动了中国民众，而国民党依然对灾区人民横征暴敛依然在欺压人民。看过电影很多人觉得压抑，其实我不这么觉得，因为电影已经被和谐过了，剧集比电影更让人压抑百倍，而我在看电影之前已经把剧集看过了。
分享一下书中的概念，还在整理中 -幸存者偏差：在对数据进行数学统计的时候，要时刻提醒自己数据的来源是否经过某种程度的筛选，数据来源可能具有一定的幸存者偏差。例如，在统计总统支持率时网络问卷不是一种合理的方式，因为网络问卷在无形中淘汰了一部分不接触互联网或是无法从某个途径得知问卷的人，这导致结果会有偏差。 -线性思维误区：分析低税率政府的收入，你会发现税收越多，政府收入越多，这不难理解。但当你分析高税率政府的收入，你会发现收入随着税率增加而降低。这是因为过高税率打击了人们工作的积极性，所以政府收入反而会下滑。综上，税收与收入之间的关系是条抛物线。所以为了最大化收入，政府应该提高还是降低税率，实际上取决于此刻在收入抛物线上的位置，这一点是和生活经验相矛盾的。生活中我们习惯用线性思维去理解事物，"社会正趋向老龄化，按现有速度来看50年后社会80%都会是老年人"就是一个典型的线性回归的错误。 -大数定律：在连续10次得到正面朝上的结果后，我们总是觉得下一次反面朝上的概率肯定要略高一点儿，好像只有这样才能修正目前的不平衡状况。但实际上硬币是没有记忆的，这一次正面朝上的概率依旧不会有任何改变。大数定律不会对已经发生的情况进行平衡，而是利用新的数据来削弱它的影响力，直至前面的结果从比例上看影响力非常小，可以忽略不计。这就是大数定律发生作用的原理。 -负数陷阱：在数字有可能是负值时，不要讨论它们的百分比。举个例子来说明这个问题，假设我开了一家咖啡店，但是咖啡卖得并不好，上个月，我在咖啡销售方面亏损了500元。不过，同时我的咖啡店还销售点心和书，这两种业务则分别为我赚了500元。总的算来，我这个月赚了 500元，其中100%的盈利来自点心销售。因此，点心似乎是目前的主要赢利项目。但是我也可以这样认为，利润的100%来自卖书。这个例子容易看出其中的陷阱，因为利润把亏损的部分计算在内了。但很多生活中接触到的数据并不是很容易发现负数陷阱。当谈及增加的同时可能包含减少的时候，得出的结论就要多留意一番。 -相关性的不可传递性：烟酸与优质胆固醇含量之间存在相关性，高含量的优质胆固醇与低心脏发病率之间存在相关性，我们好像可以得出这样的结论烟酸和预防心脏病有一定相关性。关于相关性不可传递性可以用一个简单的例子来反驳，爸爸和我有血缘关系，妈妈和我也有血缘关系，但爸爸和妈妈之间并没有血缘关系。相关性是不可传递的。 -非对称支配效应：假想面前有两个面试者A和B，他们在各种能力上势均力敌，选择两者的可能性分别是50%。此时出现了一个新的面试者C，C的能力并不如前两者，C更像是低配版A。按照概率来看C的出现并不会改变选择A或B的概率，但试验表明此时C的出现会让实验者更倾向于选A，这种现象叫作"非对称性支配效应"。iPhone手机内存32、128和256G的，256G内存的选项让消费者在32和128之间选择的时候更倾向于128，就是非对称支配效应的一种应用。
花了64小时45分钟听完这部剧，长吁了一口气，终于看完了！ 这是我在这里看过的第二部长篇剧集，不得不说，编剧写的太棒了👏👏👏 故事跌宕起伏，情节反转曲折，爱情刻骨铭心，亲情融入骨髓…… 太困了💤 总之是一部值得一看的好剧！
如何使需求预测更准确 把需求预测由前置仓集中到中心仓，在颗粒大的地方做预测。在清洗、整理数据的前提下，选择更好的预测方法，做好数据分析，提高基准预测的准确率。基于需求历史制定基准预测后，由销售、市场、产品管理等部门基于市场需求做出预测调整。 一、数据清洗 以数据清洗为前提，提高数据的准确性，为后续的需求预测和库存计划打好基础。 检验数据的一致性，发现超出正常范围、逻辑上不合理或者相互矛盾的数据，供进一步核对和纠正；用样品均值、中位数或众数代替无效值和缺失值，删除特定样品，甚至删除整个变量。 应采取“削峰填谷”的方法进行数据清洗，即促销期间以及相邻的时段，用之前一段时间的平均需求来代替。至于时段多长，取决于具体业务特点，跟移动平均法要用多长周期的历史数据的道理类似。削峰填谷后就得到基准数据，然后用合适的预测模型来制定基准预测。至于后续的促销，许需要另外预测，叠加到基准预测，就是最终预测。 【数据清洗的步骤】 1.预处理阶段： （1）将数据导入处理工具，单机跑数搭建MySQL环境，数据量大，可以使用文本文件存储+Python操作的方式。 （2）看数据。一看元数据，包括字段解释、数据来源、代码表等一切描述数据的信息。而是抽取一部分数据，使用人工查看方式，对数据有一个直观了解，并初步发现一些问题，为后续的处理做准备。 2.缺失值清洗 （1）确定缺失值范围：对每一个字段都计算其缺失值比例，然后按照缺失比例和字段的重要性，分别制定策略。 （2）去除不需要的字段 （3）填充缺失内容 ·以业务知识或经验推测填充缺失值 ·以同一指标的计算结果（均值、中位数、众数等）填充缺失值 ·以不同指标的计算结果填充缺失值 （4）重新取数 3.格式内容清洗 （1）时间、日期、数值、全半角等显示格式不一致 （2）内容中有不该存在的字符 （3）内容与该字段应有内容不符 4.逻辑错误清洗 （1）去重 （2）去除不合理值 （3）修正矛盾内容 5.非需求数据清洗 6.关联性验证 二、数据分析 根据预测精准度，通过平均绝对百分比误差、均方误差的准确度指标，采取更优的预测方法，选择合适的预测模型，同时还要考虑现货率、库存周转率和运营成本。 复盘过去一段时间的预测，通过比较各种方法的准确度，来选择更合适的预测模型。对于每版预测，保留过去几周的值，计算每周的预测误差，求出均方误差，根据均方误差的大小，决定下次预测用什么方法。 1.移动平均法 适用于需求相对平稳，没有趋势、季节性的情况。 A.简单移动平均 Ft+1=过去n期需求的总数/n=D1+Dt-1+Dt-2+......+Dt-n+1/n B.加权移动平均 需求历史越接近，权重比例越大，所有权重加起来为1。 Ft+1=W1D1+W2D2+........+WnDt-n+1 2.指数平滑法（调整误差） A.简单指数平滑法 平滑参数(α) α介于0和1之间，通过选择不同的平滑系数，指数平滑法可以更好的匹配业务的变化 需求历史越近，权重越大，能更快的响应需求变化。 Ft+1=Ft+α(Dt-Ft) 平滑系数α的选取 ·当需求历史比较稳定时，选取较小的α值，0.05～0.2 ·当需求历史有波动，但长期趋势没有大的变化时，可选取稍大的α值，0.1～0.4 ·当需求历史波动很大，呈现明显且迅速的上升或下降趋势时，宜选取较大的α 值，0.6～0.8 ·当需求历史是上升或者下降序列时，α宜取较大值，0.6～1 B.霍尔特双参数法（应对趋势） 本期水平部分=α*本期需求实际值+（1-α）*（上期水平部分+上期趋势部分） 本期趋势部分=β*（本期水平部分-上期
《特鲁曼Truman》值得一看，其余中篇读完体悟不是特别深刻，看剧还是没到境界
这部剧前四分之一是剧集，在这前面又是序（写的是拍这个电影的困难过程，好在最后完成了）后面应该算是电影剧本，因为看了剧集的第二天就把电影看了，因为没买这部剧后面的当时又看不了，今天能看了写的和电影里展现的应该是一模一样的，所以就没看，赶紧把评论补了。 有谁说这部剧是调查体剧集，对。书里都是“我”东拼西凑的各种资料。其中尤其说了从活人口中套出那个痛苦的年代的历史实在太难了，那就是他们心灵永远的伤疤，让他们说一次就是揭开一次。然后又说了资料更多的来自于国外记者在报刊上发表的文章，因为他们作为外国人态度更为客观。还着重说了蒋介石其实也明白当时的形式，别人以为他不知道一而再再而三地向他说明情况只是因为他们没有站他他的立场上去思考问题，他们的层次不同。蒋委员长要考虑的事远远要多于河南的这些官或者在河南路过的美国记者。然后是电影拍的比较和谐，剧集里的记载比电影中的情景更要凄惨的多，只是在从剧集改编成电影中经过了广电总局的评审，他们要求不能拍的那么真实（对，就是不能面对现实，所以荧幕上整天是辫子戏偶像剧，让人看电视看到痴呆）最后要说的是剧集的最后一段，河南人是怎么脱离的灾难，是政府援助了吗？是蝗虫飞走了吗？都不是，是日本人入侵了，因为日本人有粮食。灾区里的人是愿意做饿死的中国鬼还是愿意做活着的亡国奴呢，毫不犹豫，他们选择了后者。在作为中国人之前，他们首先是人。所以日本六万军队轻松击败中国三十万大军，因为他们发动了中国民众，而国民党依然对灾区人民横征暴敛依然在欺压人民。看过电影很多人觉得压抑，其实我不这么觉得，因为电影已经被和谐过了，剧集比电影更让人压抑百倍，而我在看电影之前已经把剧集看过了。
分享一下书中的概念，还在整理中 -幸存者偏差：在对数据进行数学统计的时候，要时刻提醒自己数据的来源是否经过某种程度的筛选，数据来源可能具有一定的幸存者偏差。例如，在统计总统支持率时网络问卷不是一种合理的方式，因为网络问卷在无形中淘汰了一部分不接触互联网或是无法从某个途径得知问卷的人，这导致结果会有偏差。 -线性思维误区：分析低税率政府的收入，你会发现税收越多，政府收入越多，这不难理解。但当你分析高税率政府的收入，你会发现收入随着税率增加而降低。这是因为过高税率打击了人们工作的积极性，所以政府收入反而会下滑。综上，税收与收入之间的关系是条抛物线。所以为了最大化收入，政府应该提高还是降低税率，实际上取决于此刻在收入抛物线上的位置，这一点是和生活经验相矛盾的。生活中我们习惯用线性思维去理解事物，"社会正趋向老龄化，按现有速度来看50年后社会80%都会是老年人"就是一个典型的线性回归的错误。 -大数定律：在连续10次得到正面朝上的结果后，我们总是觉得下一次反面朝上的概率肯定要略高一点儿，好像只有这样才能修正目前的不平衡状况。但实际上硬币是没有记忆的，这一次正面朝上的概率依旧不会有任何改变。大数定律不会对已经发生的情况进行平衡，而是利用新的数据来削弱它的影响力，直至前面的结果从比例上看影响力非常小，可以忽略不计。这就是大数定律发生作用的原理。 -负数陷阱：在数字有可能是负值时，不要讨论它们的百分比。举个例子来说明这个问题，假设我开了一家咖啡店，但是咖啡卖得并不好，上个月，我在咖啡销售方面亏损了500元。不过，同时我的咖啡店还销售点心和书，这两种业务则分别为我赚了500元。总的算来，我这个月赚了 500元，其中100%的盈利来自点心销售。因此，点心似乎是目前的主要赢利项目。但是我也可以这样认为，利润的100%来自卖书。这个例子容易看出其中的陷阱，因为利润把亏损的部分计算在内了。但很多生活中接触到的数据并不是很容易发现负数陷阱。当谈及增加的同时可能包含减少的时候，得出的结论就要多留意一番。 -相关性的不可传递性：烟酸与优质胆固醇含量之间存在相关性，高含量的优质胆固醇与低心脏发病率之间存在相关性，我们好像可以得出这样的结论烟酸和预防心脏病有一定相关性。关于相关性不可传递性可以用一个简单的例子来反驳，爸爸和我有血缘关系，妈妈和我也有血缘关系，但爸爸和妈妈之间并没有血缘关系。相关性是不可传递的。 -非对称支配效应：假想面前有两个面试者A和B，他们在各种能力上势均力敌，选择两者的可能性分别是50%。此时出现了一个新的面试者C，C的能力并不如前两者，C更像是低配版A。按照概率来看C的出现并不会改变选择A或B的概率，但试验表明此时C的出现会让实验者更倾向于选A，这种现象叫作"非对称性支配效应"。iPhone手机内存32、128和256G的，256G内存的选项让消费者在32和128之间选择的时候更倾向于128，就是非对称支配效应的一种应用。
花了64小时45分钟听完这部剧，长吁了一口气，终于看完了！ 这是我在这里看过的第二部长篇剧集，不得不说，编剧写的太棒了👏👏👏 故事跌宕起伏，情节反转曲折，爱情刻骨铭心，亲情融入骨髓…… 太困了💤 总之是一部值得一看的好剧！