Bridging Forecast Accuracy and Inventory KPIs: A Simulation-Based Software Framework
作者: So Fukuhara, Abdallah Alabdallah, Nuwan Gunasekara, Slawomir Nowaczyk
分类: cs.AI, cs.SE
发布日期: 2026-01-29
备注: 12 pages, 6 figures
💡 一句话要点
提出基于仿真的软件框架，弥合预测精度与库存KPI之间的差距，优化汽车售后备件管理。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 需求预测 库存管理 仿真框架 运营绩效 汽车售后市场
📋 核心要点
- 现有预测模型评估侧重于统计精度指标，忽略了对关键运营绩效指标（KPI）的实际影响，导致模型选择与业务目标脱节。
- 提出决策为中心的仿真软件框架，通过合成需求生成、灵活预测模块和库存控制模拟器，实现预测模型在实际库存管理中的闭环评估。
- 实验表明，统计精度提升不一定带来运营绩效改善，相似精度模型可能导致不同的成本-服务权衡，为模型选择提供指导。
📝 摘要（中文）
汽车售后市场的备件库存高效管理至关重要，该领域的需求具有高度间歇性，不确定性会带来巨大的成本和服务风险。因此，预测至关重要，但预测模型的质量不应以统计精度（例如，MAE、RMSE、IAE）来判断，而应以其对关键运营绩效指标（KPI）的影响来衡量，例如总成本和服务水平。然而，大多数现有工作仅使用精度指标评估模型，并且对这些指标与运营KPI之间的关系仍然知之甚少。为了解决这个差距，我们提出了一个以决策为中心的仿真软件框架，该框架能够在实际库存管理环境中系统地评估预测模型。该框架包括：（i）针对备件需求特征量身定制的合成需求生成器，（ii）可以容纳任意预测模型的灵活预测模块，以及（iii）消耗预测并计算运营KPI的库存控制模拟器。这种闭环设置使研究人员不仅可以根据统计误差评估模型，还可以根据其对库存决策的下游影响进行评估。通过广泛的仿真场景，我们表明，传统精度指标的改进不一定会转化为更好的运营绩效，并且具有相似统计误差特征的模型可能会导致显着不同的成本-服务权衡。我们分析了这些差异，以表征预测性能的特定方面如何影响库存结果，并得出模型选择的指导。总的来说，该框架实现了需求预测和库存管理之间的联系，将评估从纯粹的预测准确性转变为汽车售后市场和相关领域的运营相关性。
🔬 方法详解
问题定义：现有方法主要关注预测模型的统计精度（如MAE、RMSE），而忽略了预测对实际库存管理运营绩效（如总成本、服务水平）的影响。这种脱节导致模型选择无法有效优化业务目标，尤其是在需求高度间歇性和不确定性的汽车售后备件市场中。
核心思路：论文的核心思路是构建一个闭环仿真框架，将预测模型与库存管理系统连接起来。通过模拟实际的库存管理流程，评估预测模型对运营KPI的直接影响，从而弥合预测精度与业务目标之间的差距。这种以决策为中心的评估方法能够更准确地反映预测模型的实际价值。
技术框架：该框架包含三个主要模块：(1) 合成需求生成器：生成符合备件需求特征的合成数据，模拟实际需求模式。(2) 灵活预测模块：支持集成各种预测模型，并提供统一的接口。(3) 库存控制模拟器：模拟库存管理决策过程，根据预测结果计算运营KPI（如总成本、服务水平）。这三个模块形成一个闭环，预测模块的输出作为库存控制模拟器的输入，模拟器的输出（KPI）用于评估预测模型的性能。
关键创新：该论文的关键创新在于将预测模型评估与实际库存管理决策联系起来，提出了一个以决策为中心的仿真框架。与传统的仅关注统计精度的评估方法不同，该框架能够评估预测模型对运营KPI的直接影响，从而更准确地反映模型的实际价值。这种方法能够帮助企业选择更符合业务目标的预测模型。
关键设计：合成需求生成器需要根据备件需求的特点进行设计，例如考虑需求的间歇性、季节性等因素。库存控制模拟器需要模拟实际的库存管理策略，例如定期订货、最小-最大库存控制等。框架需要提供灵活的接口，方便集成不同的预测模型和库存管理策略。此外，还需要设计合适的KPI指标，全面评估库存管理的运营绩效。
🖼️ 关键图片
📊 实验亮点
实验结果表明，传统的统计精度指标（如MAE）的提升并不一定带来运营绩效的改善。具有相似统计误差特征的预测模型可能导致显著不同的成本-服务权衡。例如，某些模型可能在降低库存成本方面表现更好，而另一些模型可能在提高服务水平方面更有效。该框架能够帮助企业识别这些差异，并选择最符合自身业务目标的预测模型。
🎯 应用场景
该研究成果可应用于汽车售后备件管理、航空航天、电子产品等需求具有间歇性和不确定性的行业。通过该框架，企业可以更有效地评估预测模型，优化库存管理策略，降低运营成本，提高服务水平，从而提升整体竞争力。该框架还可用于研究不同预测模型和库存策略的组合效果，为企业提供决策支持。
📄 摘要（原文）
Efficient management of spare parts inventory is crucial in the automotive aftermarket, where demand is highly intermittent and uncertainty drives substantial cost and service risks. Forecasting is therefore central, but the quality of a forecasting model should be judged not by statistical accuracy (e.g., MAE, RMSE, IAE) but rather by its impact on key operational performance indicators (KPIs), such as total cost and service level. Yet most existing work evaluates models exclusively using accuracy metrics, and the relationship between these metrics and operational KPIs remains poorly understood. To address this gap, we propose a decision-centric simulation software framework that enables systematic evaluation of forecasting model in realistic inventory management setting. The framework comprises: (i) a synthetic demand generator tailored to spare-parts demand characteristics, (ii) a flexible forecasting module that can host arbitrary predictive models, and (iii) an inventory control simulator that consumes the forecasts and computes operational KPIs. This closed-loop setup enables researchers to evaluate models not only in terms of statistical error but also in terms of their downstream implications for inventory decisions. Using a wide range of simulation scenarios, we show that improvements in conventional accuracy metrics do not necessarily translate into better operational performance, and that models with similar statistical error profiles can induce markedly different cost-service trade-offs. We analyze these discrepancies to characterize how specific aspects of forecast performance affect inventory outcomes and derive guidance for model selection. Overall, the framework operationalizes the link between demand forecasting and inventory management, shifting evaluation from purely predictive accuracy toward operational relevance in the automotive aftermarket and related domains.