基于B/S架构的库存风险预警平台的研究

摘要：为帮助企业完善库存风险预警管理机制，而设计了一个基于B/S架构的平台解决方案。该解决方案完成了对风险预警机制的设定，并以时间序列模型，对厂内产成品、在途库存、在库库存的库存规模及库存规模比进行7～14天的预测。最后以库存规模为例，对模型的预测性能进行了验证。

关键词：B/S架构；风险预警；时间序列模型

中图分类号：TP311 文献标识码：A DOI：10.3969/j.issn.1003-6970.2015.05.029

本文著录格式：朱腾蛟，马柯，樊琳.基于B/S架构的库存风险预警平台的研究[J].软件，2015，36（5）：133-135

0 引言

在大数据概念越发火热的当下，企业管理者比以往任何时期都更加看重数据的价值。库存规模的决策需要数据的支持，基于数据的决策会更加科学、准确与合理。由于库存管理的优劣直接影响到各家企业的竞争力和物资供应的顺畅程度，因此迫切地需要依据自身情况，定制一套高效可用的库存数据可视化预警平台来帮助企业控制成本，发现潜在风险，保障各项业务的顺利运行，为企业资源的合理管控提供决策支持。

1 平台设计

1.1 平台架构设计

该平台采用了可维护性更强的B/S（Browser/Server）架构，即浏览器服务器架构。它是随着Internet技术的兴起，对C/S（client/Server）架构的一种改进。在B/S架构下，只有少部分事务逻辑在前端实现，而主要的事务逻辑在服务器端实现，形成了所谓的“3-tier”三层架构。

三层架构的具体部署如图1所示，将整个系统应用划分成三个层次，分别是数据层、应用层和表示层。数据层包含一个中央数据管理服务器，提供多种数据接口，可以根据企业具体需要从多个数据源抽取库存数据，按照统一维度处理之后存储在本地磁盘，方便应用层实时读取。应用层包含一个Web服务器和时间序列预测分析组件，通过接收表示层的作业请求，到数据层中抽取数据，再通过分析之后，发送到表示层作可视化的展示。表示层则可以是任意可接入互联网的终端，包括智能手机、平板电脑、笔记本电脑等等。三层架构充分体现出了系统的高内聚性和低耦合性。

伴随着经济的快速发展以及“两化融合”的不断推进，云计算技术有可能短期内在中小企业之间得到广泛的应用。云计算是综合互联网技术计算机技术和移动信息技术等应用集成发展的面向全球用户的多功能应用服务。云服务的发展趋势将会是更便宜、更安全，其有效性和可信性将更高。采用云数据库技术把数据库部署到云端，可以解决许多企业在不断发展壮大的过程中要面临的与数据相关的问题，比如呈指数级增长的数据量的储存问题，大规模并行处理问题，数据中心运行维护的成本问题等等。未来的信息系统，将是B/S与云计算结合的模式。所以在风险预警平台架构的设计初期，把未来可能与云服务相结合也考虑进去的做法是具有前瞻性的。

1.2 平台主要功能模块

1.2.1 产成品库存地图

库存地图包括了总库存规模（厂内产成品库存规模、渠道风险库存规模）、按区域（显示总部、专营公司、渠道公司）分别显示厂内产成品库存、在途库存、地区公司在库库存、加工中心库存的当期库存规模、昨日新人库库存规模、昨日已出库库存规模。

1.2.2 库存规模预警

由合同接单开始，按照库存模型，测算下一个月的库存走势，并与库存指标对比判断库存风险高低，对高库存风险触发库存预警应对机制，以控制供应链库存风险。

库存规模模型为，故依照库存规模模型可以预测第t月的平均库存走势情况。

库存规模比模型为，该模型为某地区（专业）公司第t周的动态库存规模比。

其中：ISt为某地区（专业）公司第t月的库存规模。St为第t月对应的订货量，IPt即入库比系数，为预测第t月合同总量中入地区公司库存的量的比重。按照移动平均法预测Rt风险系数，为预测第t月入库合同量中付款方式不是全额预付的比重，按照移动平均法预测，TOt周转周期，为预测的第t个月的库存平均周转周期，可按照移动平均法预测。It是库存规模，St定义为该公司第t周库存对应的订货量，由于现货和期货的销售周期分别为1个月（30天）和1个半月（45天），故第t周库存对应的订货量为：对期货而言，以第t周为终点，前推一个月的订货量；对现货而言，以第t周为终点，前推一个半月的订货量。根据统计的前t周的库存规模比数据值，可按照移动平均法预测第t+1周库存规模比。

1.2.3 库存入库提示

对“厂内在制品一>厂内产成品一>在途一>地区公司一>加工中心”全流程各环节中形成的库存，通过梳理基础数据和合同信息，形成库存流向信息流，在各个环节点提前提示库存即将到库的信息。如跟踪T时点的在库信息N吨，根据运输方式及到目的地所需的平均周期，预测到库时间点2天后入库，并提示地区公司还有T+2时间点有N吨库存即将入库。同时可以查询即将到库的合同明细，以利于各公司提前准备开展催提和收款工作，加快库存周转效率。

对于库存规模、库龄结构及未按期周转的库存风险报警，将结合库存规模、库龄结构及定金45天周转周期的库存管理要求，监控在库库存的实绩，对未达管理要求的高风险库存触发库存风险应对机制，向库存管理责任人推送相关库存报警信息，并系统跟踪库存责任人处理高风险库存的情况，处理完后警报自动解除。

1.2.4 全流程的可视化展示

面向总部管理人员的可视化展示，针对总体库存的全流程链条，设计各环节实际库存、库存规模预警、库存规模、库龄结构及未按期周转的库存风险报警等功能的可视化动态展示，帮助总部库存管理人员及时掌握库存全局动态，有效控制总体库存规模。

面向产品销售部销售人员的可视化展示，针对各品种销售人员的责任库存，设计分品种的全流程实际库存、库存规模预警、库存规模、库龄结构及未按期周转的库存风险报警等功能的可视化动态展示，帮助产品销售人员及时掌握各品种库存动态，为判断用户需求及合同接单提供有效支持，并协同解决高风险库存。

面向地区公司的可视化展示，针对各地区专营公司的责任库存，设计分公司所辖责任库存的全流程实际库存、库存规模预警、入库提示、库存规模、库龄结构及未按期周转的库存风险报警等功能的可视化动态展示，帮助各地区公司提前预测库存规模，并提前准备开展催提和收款工作，加快库存周转效率；同时预警高风险库存，协助地区公司有效控制库存风险。

全流程方式展示如下内容：

厂内产成品库存：针对超龄6个月以上的库存进行预警；

在途库存：根据平均在途周期计算超龄库存，进行异常值的提示；

地区公司在库库存：预测库存可达的高点值、预测库存规模比、45天超期库存量、预测未来可能会超期库存量（每月20日之后出数据）、6个月以上超期库存规模；

加工中心库存：针对超龄6个月以上的库存进行预警。2预测算法与模型选择

厂内产成品、在途库存、在库库存的库存规模及库存规模比，分别使用时间序列及多因素模型进行预测分析，ARIMA建模步骤如图2所示。时间序列模型预测7～14日库存规模及库存规模比。根据前期使用时间序列模型（移动平均模型MA、自回归模型AR、自回归移动平均模型ARIMA和求和自回归移动平均模型ARIMA）、灰色预测等常用的预测算法，针对库存规模、库存规模比（按前7～14天平均发货量进行预测）进行后续7～14日的库存规模及库存规模比的预测分析，通过自相关图、偏自相关图、拟合预测图、残差图等多种分析方法，选择最优的预测算法，并提供参数配置选择，满足预测功能的准确性、实时性。

为了验证预测性能，取某钢贸公司的真实库存数据建立周期为14的模型ARIMA（2，1，0）（1，1，0），在R语言环境中得到的结果如图3所示。其中红色区段为预测的14天的数据，与真实的绿色区段的数据的走势大致相同，误差基本上能控制在20%以内，预测性能可观。

3 结束语

基于时间序列的库存规模预测的算法研究和模型确立是库存风险预警平台内部需要解决的关键技术之一。本文通过ARIMA模型得出的预测结果虽然在一定程度上达到了精度要求，但并非是最优解，所以今后还有很大的空间向这个方面去进一步完善。预测是一项复杂而又宽泛的课题，20世纪60年代时的一篇论文里，Bates和Granger已经证明两种无偏的单项预测组合优于每个单一的单项预测。所以在今后不断深入的研究过程中，可以考虑引入组合预测模型来提高预测精度，比如基于ARIMA、BP神经网络与GM的组合模型，指数平滑法与神经网络的组合预测模型等等。