サプライ・チェイン基本分析システム SCBAS

基本分析モジュール abc とサプライ・チェイン基本分析システム SCBAS (Supply Chain Basic Analytics System)

はじめに

サプライ・チェイン・アナリティクスで最初に行うことは、需要データに対するABC分析である。 商品の需要量というのは、売れるものはたくさん売れるが、その数はごく少数であり、他のたくさんのそんなに売れない商品が山ほどあるという性質を持つ。 これをパレートの法則（全体の数値の大部分は、全体を構成するうちの一部の要素が生み出しているという理論。別名、80:20の法則、もう1つの別名、ばらつきの法則）と呼ぶ。

ここでは、仮想の企業の需要を生成し、それに対してABC分析を行う。 同時に、商品を売れている順に順位をつけ、順位の時系列的な変化を示すランク分析を提案する。

さらに、簡単な在庫分析を行う。これは、平均需要量や生産固定費用から、生産ロットサイズや安全在庫量を計算するものであり、 古典的な経済発注量モデルや安全在庫モデル（新聞売り子モデル）に基づくものである。

データの読み込み

まずは基本となるデータを読み込む。製品データはオプションであり、需要を売り上げや需要を重量や容量で評価したい場合に使う。 基本は、需要データ demand_df だけを使えば十分である。

需要データは以下の列をもつ．

• date: 日付
• cust: 顧客名
• prod: 製品名
• demand: 需要量
• sales: 売上

需要量demandと売上の何れかに対して，ABC分析を行う．

prod_df = pd.read_csv(folder+"prod.csv",index_col=0)
prod_df.head()

	name	weight	volume	cust_value	dc_value	plnt_value	fixed_cost
0	A	2	0	7	1	1	14
1	B	5	0	5	1	1	14
2	C	1	0	5	1	1	19
3	D	3	0	5	1	1	17
4	E	1	0	10	1	1	18

demand_df = pd.read_csv(folder+"demand_with_promo_all.csv",index_col=0)
demand_df.head()

	date	cust	prod	promo_0	promo_1	demand
0	2019-01-01	札幌市	A	0	0	6
1	2019-01-01	札幌市	B	0	0	6
2	2019-01-01	札幌市	C	0	0	6
3	2019-01-01	札幌市	D	0	0	5
4	2019-01-01	札幌市	E	0	0	11

Kaggleデータの読み込み

以下で配布されているデータを読み込む．

https://www.kaggle.com/kyanyoga/sample-sales-data

Kaggleデータを用いたい場合には，以下を実行する． ただし，製品データがないので，製品関連の関数は適用できない．

kaggle_df = pd.read_csv(folder + "sales_data_sample.csv", encoding="latin")
kaggle_df.head()

	ORDERNUMBER	QUANTITYORDERED	PRICEEACH	ORDERLINENUMBER	SALES	ORDERDATE	STATUS	QTR_ID	MONTH_ID	YEAR_ID	...	ADDRESSLINE1	ADDRESSLINE2	CITY	STATE	POSTALCODE	COUNTRY	TERRITORY	CONTACTLASTNAME	CONTACTFIRSTNAME	DEALSIZE
0	10107	30	95.70	2	2871.00	2/24/2003 0:00	Shipped	1	2	2003	...	897 Long Airport Avenue	NaN	NYC	NY	10022	USA	NaN	Yu	Kwai	Small
1	10121	34	81.35	5	2765.90	5/7/2003 0:00	Shipped	2	5	2003	...	59 rue de l'Abbaye	NaN	Reims	NaN	51100	France	EMEA	Henriot	Paul	Small
2	10134	41	94.74	2	3884.34	7/1/2003 0:00	Shipped	3	7	2003	...	27 rue du Colonel Pierre Avia	NaN	Paris	NaN	75508	France	EMEA	Da Cunha	Daniel	Medium
3	10145	45	83.26	6	3746.70	8/25/2003 0:00	Shipped	3	8	2003	...	78934 Hillside Dr.	NaN	Pasadena	CA	90003	USA	NaN	Young	Julie	Medium
4	10159	49	100.00	14	5205.27	10/10/2003 0:00	Shipped	4	10	2003	...	7734 Strong St.	NaN	San Francisco	CA	NaN	USA	NaN	Brown	Julie	Medium

5 rows × 25 columns

kaggle_df["date"] = pd.to_datetime(kaggle_df.ORDERDATE)
kaggle_df.rename(columns={"PRODUCTLINE":"prod", "CITY":"cust", "QUANTITYORDERED":"demand", "SALES":"sales"}, inplace=True)
kaggle_demand_df = kaggle_df[["date","cust","prod","demand","sales"]].copy()
kaggle_demand_df.head()

	date	cust	prod	demand	sales
0	2003-02-24	NYC	Motorcycles	30	2871.00
1	2003-05-07	Reims	Motorcycles	34	2765.90
2	2003-07-01	Paris	Motorcycles	41	3884.34
3	2003-08-25	Pasadena	Motorcycles	45	3746.70
4	2003-10-10	San Francisco	Motorcycles	49	5205.27

需要と売り上げのtreemapを生成する関数 demand_tree_map

引数： - demand_df: 需要データフレーム（需要 demand と売り上げ sales の列を含む） - parent: 入れ子にする際の親項目； “cust” （既定値） もしくは “prod” を入れる． - value: 評価に使用する列名； 既定値は “demand” で， “sales” などを計算した列がデータフレーム内にあればそれを指定する．

返値： - Plotlyのtreemapオブジェクト

---

source

demand_tree_map

 demand_tree_map (demand_df:pandas.core.frame.DataFrame,
                  parent:str='cust', value:str='demand')

需要と売り上げのtreemapを生成する関数

demand_tree_mapの使用例

sales列がない場合には，dataモジュールのdemand_attribute_compute関数を用いてsales（売り上げ）列を計算することができる。

需要のtreemapは，需要の大きさを面積とした階層図であり，売上は色で表現している．

fig = demand_tree_map(demand_df, parent ="prod", value = "demand");
#plotly.offline.plot(fig);

ABC分析とランク分析を行うための関数 abc_analysis

ABC分析のための関数を記述する、基本的には、需要データ demand_df だけあれば良いが、顧客や製品に関連した量を分析に加えたいときには、顧客データ cust_df や 製品データ prod_df も読み込んでおく。

古典的なABC分析では、3つのカテゴリーに製品や顧客を分類していたが、場合によっては4つに分類したい場合もあるだろう。 ここでは、より一般的にユーザーが与えた任意の数への分類を行う関数を準備する、カテゴリーに含まれる需要量を、ユーザーが与えた閾値をもとにして分類を行う。

引数:

• demand_df: ABC分析を行うための需要データフレーム．列に集約を行うための列と値を格納した列が必要．
• threshold: A,B,C の分類を行うための閾値．上位 threshold[0]の要素がAランク，次に上位の threshold[1]がBランク、と順に決めていく。 リストの長さは（アルファベットの数以下の）任意の正数であるが、合計が1以上になるような数値のリストとして与える．
• agg_col: 集約を行う列名を文字列として与える．
• value: A,B,Cの分類を行うための数値データを保管した列名を文字列として与える．
• abc_name: 分類した結果を入れるための列名を文字列として与える．
• rank_name: 数値データの順位を入れた列名を文字列として与える．

返値: 以下の3つのオブジェクトのタプル：

• agg_df: agg_colによって集約したデータをvalueの数値の大きい順に並べたデータフレーム．abcとrankの情報が付加されている．
• new_df: 元のデータフレームにabc_nameで与えた列にA(=0),B(=1),C(=2),…の分類を，rank_nameで与えた列にランク（順位）を入れている．
• category: 0,1,2, …をキーとして与えると A,B,C,… ランクに属するデータ名（agg_colの要素）のリストを値として返す辞書．

---

source

abc_analysis

 abc_analysis (demand_df:pandas.core.frame.DataFrame,
               threshold:List[float], agg_col:str='prod',
               value:str='demand', abc_name:str='abc',
               rank_name:str='rank')

ABC分析のための関数

顧客・製品の組に対するABC分析 abc_analysis_all

顧客・製品ごとに需要予測を行う際に，予測しなくても良い組を予め抜き出しておくことが重要になる．そのため，顧客・製品の組に対してABC分析とランク分析を行う関数を準備しておく．

引数:

• demand_df: ABC分析を行うための需要データフレーム．列に集約を行うための列と値を格納した列が必要．
• threshold: A,B,C の分類を行うための閾値．上位 threshold[0]の要素がAランク，次に上位の threshold[1]がBランク、と順に決めていく。

返値: 以下の3つのオブジェクトのタプル：

• agg_df: 顧客・製品によって集約したデータをdemandの数値の合計（sum)の大きい順に並べたデータフレーム． abcとrankと需要の標準偏差 (std) の情報が付加されている．
• category: 0,1,2, …をキーとして与えると A,B,C,… ランクに属するデータ名（agg_colの要素）のリストを値として返す辞書．

---

source

abc_analysis_all

 abc_analysis_all (deamnd_df:pandas.core.frame.DataFrame,
                   threshold:List[float])

abc_analysis(_all)関数の使用例

以下では、製品と顧客に対してABC分析を行い、得られた3種類のデータフレーム（元のデータフレームに列を追加したもの：new_df、製品データフレームagg_df_prod、顧客データフレーム：agg_df_cust）を示す。

• 確認用の小規模例
• 製品を需要量を元に3つのクラスに、閾値[0.4, 0.5, 0.1]を用いて分類
• 顧客を需要量を元に4つのクラスに、閾値[0.4, 0.3, 0.3, 0.1]を用いて分類
• 顧客・製品を元に4つのクラスに、閾値[0.4, 0.3, 0.3, 0.1]を用いて分類

df = pd.DataFrame({"prod":[1,2,3,4,5], "demand": [10,30,40,50,80]})
threshold = [0.4, 0.5, 0.2]
agg_df, new_df, category = abc_analysis(df, threshold, "prod", "demand", "abc", "rank")
print(category)
new_df

{0: ['5', '4'], 1: ['3', '2'], 2: ['1']}

	prod	demand	abc	rank
0	1	10	C	4
1	2	30	B	3
2	3	40	B	2
3	4	50	A	1
4	5	80	A	0

demand_df = pd.read_csv(folder+"demand_with_promo_all.csv",index_col=0)
threshold = [0.4, 0.5, 0.1]
agg_df, new_df, category = abc_analysis(demand_df = demand_df, threshold=threshold,
                                        agg_col="prod", value= "demand", abc_name="abc", rank_name="rank")
print(category)
new_df.head()

{0: ['E', 'J', 'H'], 1: ['A', 'B', 'G', 'F', 'C', 'D'], 2: ['I']}

	date	cust	prod	promo_0	promo_1	demand	abc	rank
0	2019-01-01	札幌市	A	0	0	6	B	3
1	2019-01-01	札幌市	B	0	0	6	B	4
2	2019-01-01	札幌市	C	0	0	6	B	7
3	2019-01-01	札幌市	D	0	0	5	B	8
4	2019-01-01	札幌市	E	0	0	11	A	0

agg_df_cust, new_df, category_cust = abc_analysis(
    demand_df, [0.4, 0.3, 0.3, 0.1], 'cust', 'demand', "customer_ABC", "customer_rank")
new_df.head()

	date	cust	prod	promo_0	promo_1	demand	customer_ABC	customer_rank
0	2019-01-01	札幌市	A	0	0	6	C	27
1	2019-01-01	札幌市	B	0	0	6	C	27
2	2019-01-01	札幌市	C	0	0	6	C	27
3	2019-01-01	札幌市	D	0	0	5	C	27
4	2019-01-01	札幌市	E	0	0	11	C	27

demand_df

	date	cust	prod	promo_0	promo_1	demand
0	2019-01-01	札幌市	A	0	0	6
1	2019-01-01	札幌市	B	0	0	6
2	2019-01-01	札幌市	C	0	0	6
3	2019-01-01	札幌市	D	0	0	5
4	2019-01-01	札幌市	E	0	0	11
...	...	...	...	...	...	...
343095	2020-12-30	那覇市	F	1	1	12
343096	2020-12-30	那覇市	G	1	1	12
343097	2020-12-30	那覇市	H	1	1	16
343098	2020-12-30	那覇市	I	1	1	10
343099	2020-12-30	那覇市	J	1	1	18

343100 rows × 6 columns

agg_df_cust.head()

	demand	rank	abc
cust
佐賀市	566776	0	A
静岡市	308021	1	A
岡山市	257539	2	A
那覇市	158134	3	A
京都市	149615	4	A

agg_df,category = abc_analysis_all(demand_df, threshold=[0.4, 0.3, 0.3, 0.1])
#print(category)
agg_df.head()

		sum	std	rank	abc
cust	prod
佐賀市	E	87858	59.304760	0	A
	J	73705	49.763944	1	A
	H	63240	40.927453	2	A
	A	54031	38.126906	3	A
	B	52751	35.582571	4	A

元のデータフレームにabcとrankとdemandを追加する関数 add_abc

引数： - df: 製品や顧客のデータフレーム；これにABC分析の結果を追加する． - agg_df: 集約した需要（もしくは売上），ABC分類，ランクを保管したデータフレーム；インデックスは製品(prod)もしくは顧客 (cust) - col_name: 追加したいデータの列名；製品の場合にはprod（既定値），顧客の場合にはcust - value: 追加したい列名；既定値は “demand”

返値： - df: ランク，ABC分類，集約した需要量を追加したデータフレーム

---

source

add_abc

 add_abc (df:pandas.core.frame.DataFrame,
          agg_df:pandas.core.frame.DataFrame, col_name:str='prod',
          value:str='demand')

add_abc関数の使用例

cust_df = pd.read_csv(folder+"cust.csv", index_col=0)
new_cust_df = add_abc(df = cust_df, agg_df = agg_df_cust, col_name="cust", value="demand")
new_cust_df.head()

	name	lat	lon	demand	rank	abc
id
1	札幌市	43.06417	141.34694	48954	27	C
2	青森市	40.82444	140.74000	80974	13	B
3	盛岡市	39.70361	141.15250	35997	43	C
4	仙台市	38.26889	140.87194	43341	32	C
5	秋田市	39.71861	140.10250	39103	38	C

ABC別に色分けした需要のtreemapを生成する関数

引数： - demand_df: ABC分析の結果の列を含む需要データフレーム - abc_col: ABC分析の結果の列名

返値： - Plotlyのtreemapオブジェクト

---

source

demand_tree_map_with_abc

 demand_tree_map_with_abc (demand_df:pandas.core.frame.DataFrame,
                           abc_col:str)

ABC別に色分けした需要のtreemapを生成する関数

demand_tree_map_with_abc関数の使用例

agg_df_cust, new_df, category_cust = abc_analysis(
    demand_df, [0.4, 0.3, 0.3, 0.1], 'cust', 'demand', "customer_ABC", "customer_rank")
fig = demand_tree_map_with_abc(new_df, abc_col="customer_ABC")
#plotly.offline.plot(fig);

需要データフレームからABC分析の図とデータフレームを生成する関数 generate_figures_for_abc_analysis

顧客と製品の両方に対するABC分析を同時に行い、結果の図とデータフレームを同時に得るには、この関数を用いる。

引数：

• demand_df : 需要データフレーム
• value: 分析をするデータが入っている列名（既定値は”demand”）
• cumsum : 図を累積値で描画するときには True
• cust_thres : 顧客のABC分析するときの閾値を文字列で表したもの
• prod_thres : 製品のABC分析するときの閾値を文字列で表したもの

返値：

• fig_prod : 製品のABC分析のPlotly図オブジェクト
• fig_cust : 顧客のABC分析のPlotly図オブジェクト
• agg_df_prod : 製品をインデックスとしたABC分析のデータフレーム
• agg_df_cust : 顧客をインデックスとしたABC分析のデータフレーム
• new_df : 顧客と製品のABCとランクを加えた新しい需要データフレーム
• category_prod (cust): 0,1,2, …をキーとして与えると A,B,C,… ランクに属するデータ名（agg_colの要素）のリストを値として返す辞書； category_prodは製品， category_custは顧客の情報をもつ．

---

source

generate_figures_for_abc_analysis

 generate_figures_for_abc_analysis (demand_df:pandas.core.frame.DataFrame,
                                    value:str='demand', cumsum:bool=True,
                                    cust_thres:str='0.7, 0.2, 0.1',
                                    prod_thres:str='0.7, 0.2, 0.1')

generate_figures_for_abc_analysis関数の使用例

fig_prod, fig_cust, agg_df_prod, agg_df_cust, new_df, category_prod, category_cust = generate_figures_for_abc_analysis(
demand_df, value="demand", cumsum = False, cust_thres="0.7, 0.2, 0.1", prod_thres="0.7, 0.2, 0.1")
#plotly.offline.plot(fig_cust);

ランク分析のための関数 rank_analysis と rank_analysis_all_periods

全ての期に対するランク分析を行う関数 rank_analysis と、期ごと（集約する単位は文字列で与える）のランク分析を行う関数 rank_analysis_all_periodsを記述する。

引数:

• df: ランク分析を行う対象の需要データフレーム．列に集約を行うための列と，値を格納した列が必要．
• agg_col: 集約を行う列名を文字列として与える．
• value: ランクを計算するための数値データを保管した列名を文字列として与える．
• agg_period （rank_analysis_all_periodsの場合のみ） : 集約を行う期間を “1m”（月次）のような文字列で与える．

返値:

• 名前を入れるとランク（rank_analysisの場合）もしくランクの期別リスト（rank_analysis_all_periodsの場合）を返す辞書

---

source

rank_analysis

 rank_analysis (df:pandas.core.frame.DataFrame, agg_col:str, value:str)

全期間分のランク分析のための関数

---

source

rank_analysis_all_periods

 rank_analysis_all_periods (df:pandas.core.frame.DataFrame, agg_col:str,
                            value:str, agg_period:str)

期別のランク分析のための関数

ランク分析の関数の使用例

全期間分の顧客需要のランク分析と、３ヶ月を１期とした各期間に対する製品のランク分析。

dic = rank_analysis(df=demand_df, agg_col='cust', value='demand') #全ての期間に対する顧客需要量のランク分析
dic.popitem()

('新潟市', 47)

dic = rank_analysis_all_periods(df = demand_df, agg_col='prod', value= 'demand', agg_period="1d")

ランク分析の可視化関数 show_rank_analysis

ランクの時系列的な変化を表す図を生成するための関数。

引数:

• demand_df: ランク分析を行う対象の需要データフレーム．列に集約を行うための列と，値を格納した列が必要
• agg_df_prod: 製品のすべての期間に対するランクが保管されているデータフレーム；与えられない場合(引数がNoneの場合）には，abc_analysis関数で再計算する．
• value: 分析をするデータが入っている列名（既定値は”demand”）
• agg_period: 集約を行う期間を “1m”（月次）のような文字列で与える．
• top_rank: 上位 top_rank 個のものだけを表示する

返値:

• Plotlyの図オブジェクト

---

source

show_rank_analysis

 show_rank_analysis (demand_df:pandas.core.frame.DataFrame,
                     agg_df_prod:pandas.core.frame.DataFrame=None,
                     value:str='demand', agg_period:str='1m',
                     top_rank:int=1)

ランク分析の可視化関数

show_rank_analysis関数の使用例

fig = show_rank_analysis(demand_df, value="demand", agg_period ="1d", top_rank = 10)
#plotly.offline.plot(fig);

リスク共同管理分析 risk_pooling_analysis

在庫をサプライ・チェインの上流（供給側）でもつか、下流（需要側）でもつかは、複数の需要地点（顧客）における需要の相関で決まる。 一般には、上流で在庫を共有することによって在庫の削減ができる。これをリスク共同管理 (risk pooling) とよぶ。

ここでは、製品ごとに、顧客の需要の標準偏差とリスク共同管理した場合の標準偏差の差を計算する。 また、それを需要の総量で割った比率（削減率）も計算する。 これは、標準偏差を平均値で割ることによる無次元の指標（変動係数： coefficient of variation: CV)に相当するものである。

この値が大きい製品ほど、リスク共同管理の効果が大きいので、サプライ・チェインの上流で在庫を保持した方が良いことになり、 逆に小さい製品ほど、下流で在庫を保持した方が良いことになる。

引数： - demand_df: 需要のデータフレーム - agg_period: 標準偏差を計算する際に用いる需要の集約を行う期（規定値は週）

返値： - inv_reduction_df : 標準偏差とその差と削減率を製品ごとに計算したデータフレーム； Rank列は製品の順位

---

source

risk_pooling_analysis

 risk_pooling_analysis (demand_df:pandas.core.frame.DataFrame,
                        agg_period='1w')

リスク共同管理の効果を見るための関数

在庫を顧客側においた場合と、倉庫側においた場合の差を、標準偏差を計算することによって推定する。

risk_pooling_analysis関数の使用例

１週間を単位とした標準偏差をもとに、在庫を倉庫に置いた場合と工場に置いた場合の差を計算し、それを需要の総量で除した削減率(ReductionRatioの列）を計算する。 Plotlyによる可視化では、削減率の大きいものから棒グラフで表示し、需要の大きさのランクで色分けをする。

inv_reduction_df = risk_pooling_analysis(demand_df, agg_period="1w")
inv_reduction_df.head()

	rank	prod	agg_std	sum_std	reduction
0	10	I	1137.883708	1138.748290	0.864583
1	8	C	1120.054537	1120.794951	0.740414
2	9	D	1114.387806	1115.096672	0.708866
3	4	A	1363.027889	1363.691051	0.663161
4	7	F	1282.927125	1283.552063	0.624938

在庫削減量の可視化関数 show_inventory_reduction

---

source

show_inventory_reduction

 show_inventory_reduction (inv_reduction_df:pandas.core.frame.DataFrame)

在庫削減量の可視化関数

fig = show_inventory_reduction(inv_reduction_df)
#plotly.offline.plot(fig);

需要の製品ごとの平均と変動係数の可視化関数 show_mean_cv

需要を製品ごとに集約し，横軸に平均，縦軸に変動係数(\(CV=\sigma/\mu\))の対数をとった散布図を生成する．

平均が大きく，変動係数が小さい製品は安定しているので倉庫（サプライ・チェインの下流）で保管し，平均が小さく変動係数が大きい製品は，工場（サプライ・チェインの上流）で 保管し，適宜顧客側に流す戦略が望ましい． また，平均が小さく，変動係数も小さい製品に対しては，さらに利益によって細分化したサプライ・チェイン戦略をとる必要がある． 利益の大きい製品は在庫費用も大きいので，サプライ・チェインの上流（工場側）で管理し，必要に応じて下流に流し， 利益の小さい製品は下流（倉庫側）で保管する．

製品ごとに同一のサプライ・チェイン戦略をとるのではなく，減り張りをつけて改善することによって，応答性（顧客サービス）と効率性を高めることができる．

引数： - demand_df: 需要データフレーム - prod_df: 製品データフレーム（オプション）； 製品の在庫費用 (cust_calue) を表示するために用いる． - show_name: Trueのとき製品名も描画する．

返値： - fig: Plotlyの図オブジェクト

---

source

show_mean_cv

 show_mean_cv (demand_df:pandas.core.frame.DataFrame,
               prod_df:Optional[pandas.core.frame.DataFrame]=None,
               show_name:bool=True)

show_mean_cv関数の使用例

fig = show_mean_cv(demand_df, prod_df, show_name=True)
#plotly.offline.plot(fig);

安全在庫、ロットサイズ、目標在庫（基在庫レベル）の設定関数 inventory_analysis

全ての需要が1つの工場で生産していると仮定したとき、その生産ロットサイズや安全在庫量は、古典的な経済発注量モデルと新聞売り子モデルで計算できる。

• 安全在庫量: 安全在庫係数 \(z\), リード時間 \(L\)， 需要の標準偏差 \(\sigma\) としたとき \(z\sqrt{LT}\sigma\)

• 経済発注量（生産ロットサイズ）: 生産固定費用 \(FC\)、需要の平均値 \(d\)、在庫費用 \(h\) としたとき \(\sqrt{2 FCd/h}\)

• 保管費率（無次元）： \(r\) は以下の量の和とする。

  1. 利子率（投資額利率）
  2. 保険料率: 製品の種類および企業の方針によっても異なる．
  3. 消耗費率および陳腐化率: 製品の腐敗，破損，目減りなどを考慮して計算
  4. 税率: 在庫に課せられる法的な税率（日本では0)

• 在庫費用： \(h\) は、保管費率 \(r\) に製品の価値（製品データのplnt_value列)を乗じたものを週あたりに換算したもの

• 目標在庫量 \(=\) 基在庫レベル： 安全在庫量 \(+\) リード時間内の需要量

• 初期在庫量 \(=\) 目標在庫量に生産ロットサイズの半分を加えた量

引数：

• prod_df: 製品データフレーム
• demand_df: 多期間の製品別需要データフレーム
• inv_reduction_df : 標準偏差とその差と削減率を製品ごとに計算したデータフレーム
• z: 安全在庫係数　
• LT: リード時間
• r: 年間保管費率
• num_days: 標準偏差を計算する際の日数（既定値は \(7\)）

返値： 以下の列情報を加えた製品データフレーム prod_df

• average_demand: num_days間の平均需要
• standard_deviation： 需要の標準偏差
• inv_cost： 在庫費用 $h = r $ plnt_value を1週間に換算したもの
• lot_size: 最適発注量
• safety_inventory: 安全在庫量
• target_inventory: 目標在庫量（基在庫レベル）；　 \(d LT + z\sqrt{LT}\sigma\)
• initial_inventory: 初期在庫量

---

source

inventory_analysis

 inventory_analysis (prod_df:pandas.core.frame.DataFrame,
                     demand_df:pandas.core.frame.DataFrame,
                     inv_reduction_df:pandas.core.frame.DataFrame,
                     z:float=1.65, LT:int=1, r:float=0.3, num_days:int=7)

工場における安全在庫量の計算

工場を１箇所に集約したと仮定する。複数工場の場合には、顧客と工場の紐付け情報が必要になる。

inventory_analysis関数の使用例

１週間を基本単位として、在庫量削減データフレームを計算し、それをもとに工場での在庫量を求める。

prod_df = pd.read_csv(folder+"prod.csv",index_col=0)

inv_reduction_df = risk_pooling_analysis(demand_df, agg_period="1w")
new_prod_df = inventory_analysis(prod_df, demand_df, inv_reduction_df, z = 1.65, LT = 1, r = 0.3, num_days=7)
#prod_df2.to_csv(folder + "prod_with_inventory.csv")
new_prod_df.head()

	name	weight	volume	cust_value	dc_value	plnt_value	fixed_cost	average_demand	standard_deviation	inv_cost	lot_size	safety_inventory	target_inventory	initial_inventory
index
0	A	2	0	7	1	1	14	3598.172840	1363.027889	0.005753	4184.627560	2248.996017	5847.168857	5171.996017
1	B	5	0	5	1	1	14	3534.347051	1322.720355	0.005753	4147.347222	2182.488585	5716.835636	5040.488585
2	C	1	0	5	1	1	19	3179.353909	1120.054537	0.005753	4582.453009	1848.089986	5027.443895	4361.089986
3	D	3	0	5	1	1	17	2935.995885	1114.387806	0.005753	4165.373643	1838.739880	4774.735764	4225.739880
4	E	1	0	10	1	1	18	6132.412894	2192.456416	0.005753	6194.463943	3617.553086	9749.965980	8491.553086

生産・在庫シミュレーション inventory_simulation

上で生成したデータを用いて、シミュレーションを行う。生産は、安全在庫量を下回ったときに行われ、目標在庫量になるように生産量を決める。

TODO: NumPyで高速化， 様々な発注方策に対応

引数：

• prod_df: 製品データ
• demand_df: 需要データ

返値：

• キーを製品名、値を、需要 demand、在庫 inventory、生産量 production を列とした時系列データフレームとした辞書

---

source

inventory_simulation

 inventory_simulation (prod_df:pandas.core.frame.DataFrame,
                       demand_df:pandas.core.frame.DataFrame)

(Q,R)方策のシミュレーション

inventory_simulation関数の使用例

製品 A に対する需要、在庫、生産量を表すデータフレームを表示する。

production_df = inventory_simulation(new_prod_df, demand_df)
production_df[prod_df.name[0]].head()

	demand	inventory	production
2019-01-01	475	4696.996017	0.0
2019-01-02	688	4008.996017	0.0
2019-01-03	555	3453.996017	0.0
2019-01-04	449	3004.996017	0.0
2019-01-05	607	2397.996017	0.0

生産、在庫、需要の可視化関数 show_prod_inv_demand

引数：

• prod_name: 製品名
• production_df: 累積需要量、在庫量、生産量の列をもつデータフレーム
• scale: 時間の集約を表す文字列。たとえば1日ごとに表示する場合には “1d” とする。

返値：

• plotlyの図

---

source

show_prod_inv_demand

 show_prod_inv_demand (prod_name:str,
                       production_df:pandas.core.frame.DataFrame,
                       scale:str='1d')

生産、在庫、需要の可視化関数

show_prod_inv_demand関数の使用例

fig = show_prod_inv_demand(prod_df.name[3], production_df, scale="1d")
#plotly.offline.plot(fig);

需要量の可視化関数

---

source

plot_demands

 plot_demands (prod_cust_list:List[str],
               demand_df:pandas.core.frame.DataFrame, agg_period:str='1d')

需要の可視化関数

prod_cust_list = ["A,さいたま市","B,さいたま市", "E,佐賀市"]
fig = plot_demands(prod_cust_list, demand_df, agg_period="2w")

基本分析クラス Scbas

上の関数を元にクラスを作る．

---

source

Scbas

 Scbas (demand_df:pandas.core.frame.DataFrame,
        agg_df_prod:Optional[pandas.core.frame.DataFrame]=None,
        agg_df_cust:Optional[pandas.core.frame.DataFrame]=None,
        new_demand_df:Optional[pandas.core.frame.DataFrame]=None,
        reduction_df:Optional[pandas.core.frame.DataFrame]=None,
        new_prod_df:Optional[pandas.core.frame.DataFrame]=None,
        category_prod:Optional[Dict[int,List[str]]]=None,
        category_cust:Optional[Dict[int,List[str]]]=None,
        nodes:Optional[List[Dict]]=None, agg_period:str=('1w',))

Usage docs: https://docs.pydantic.dev/2.6/concepts/models/

A base class for creating Pydantic models.

Attributes: class_vars: The names of classvars defined on the model. private_attributes: Metadata about the private attributes of the model. signature: The signature for instantiating the model.

__pydantic_complete__: Whether model building is completed, or if there are still undefined fields.
__pydantic_core_schema__: The pydantic-core schema used to build the SchemaValidator and SchemaSerializer.
__pydantic_custom_init__: Whether the model has a custom `__init__` function.
__pydantic_decorators__: Metadata containing the decorators defined on the model.
    This replaces `Model.__validators__` and `Model.__root_validators__` from Pydantic V1.
__pydantic_generic_metadata__: Metadata for generic models; contains data used for a similar purpose to
    __args__, __origin__, __parameters__ in typing-module generics. May eventually be replaced by these.
__pydantic_parent_namespace__: Parent namespace of the model, used for automatic rebuilding of models.
__pydantic_post_init__: The name of the post-init method for the model, if defined.
__pydantic_root_model__: Whether the model is a `RootModel`.
__pydantic_serializer__: The pydantic-core SchemaSerializer used to dump instances of the model.
__pydantic_validator__: The pydantic-core SchemaValidator used to validate instances of the model.

__pydantic_extra__: An instance attribute with the values of extra fields from validation when
    `model_config['extra'] == 'allow'`.
__pydantic_fields_set__: An instance attribute with the names of fields explicitly set.
__pydantic_private__: Instance attribute with the values of private attributes set on the model instance.

scbas = Scbas(demand_df=demand_df, agg_period= "1w")
fig = scbas.demand_tree_map(parent ="prod", value = "demand")
#plotly.offline.plot(fig);

fig_prod, fig_cust, agg_df_prod, agg_df_cust, new_df, category_prod, category_cust = scbas.generate_figures_for_abc_analysis(
    value="demand", cumsum = False, cust_thres="0.7, 0.2, 0.1", prod_thres="0.7, 0.2, 0.1"
)
#plotly.offline.plot(fig_cust);
#scbas.nodes

fig = scbas.show_rank_analysis(value="demand", top_rank = 10)
#plotly.offline.plot(fig);

reduction_df = scbas.risk_pooling_analysis()
reduction_df.head()

	rank	prod	agg_std	sum_std	reduction
0	10	I	1137.883708	1138.748290	0.864583
1	8	C	1120.054537	1120.794951	0.740414
2	9	D	1114.387806	1115.096672	0.708866
3	4	A	1363.027889	1363.691051	0.663161
4	7	F	1282.927125	1283.552063	0.624938

scbas = Scbas(demand_df=demand_df, agg_period= "1w")
fig = scbas.show_mean_cv(prod_df=prod_df, show_name=True)
#plotly.offline.plot(fig);

scbas = Scbas(demand_df=demand_df, agg_period= "1w")
prod_df = pd.read_csv(folder+"prod.csv",index_col=0)
new_prod_df = scbas.inventory_analysis(prod_df, z = 1.65, LT = 1, r = 0.3, num_days=7)
new_prod_df.head().T

index	0	1	2	3	4
name	A	B	C	D	E
weight	2	5	1	3	1
volume	0	0	0	0	0
cust_value	7	5	5	5	10
dc_value	1	1	1	1	1
plnt_value	1	1	1	1	1
fixed_cost	14	14	19	17	18
average_demand	3598.17284	3534.347051	3179.353909	2935.995885	6132.412894
standard_deviation	1363.027889	1322.720355	1120.054537	1114.387806	2192.456416
inv_cost	0.005753	0.005753	0.005753	0.005753	0.005753
lot_size	4184.62756	4147.347222	4582.453009	4165.373643	6194.463943
safety_inventory	2248.996017	2182.488585	1848.089986	1838.73988	3617.553086
target_inventory	5847.168857	5716.835636	5027.443895	4774.735764	9749.96598
initial_inventory	5171.996017	5040.488585	4361.089986	4225.73988	8491.553086