引言
在之前的文章《供应链管理中的数学》中，我们对再订货点公式的应用前提，也就是正态分布进行了比较详细的描述，相信大家现在已经对正态分布对于再订货点公式的意义有了深入的了解。那么下一步我们就来看看，再订货点公式是如何将正态分布的特性与我们的实际业务进行紧密结合的。就先从公式中的平均需求开始聊起吧。
01 平均需求
首先，我们再回忆一下我们的再订货点公式：
如果我问大家，公式当中的
d‾代表什么含义，相信大家都能很快的说出是“平均需求”，但是更进一步，如果要问是多少需求数据按照什么样的颗粒度进行平均的，就又会摸不着头脑了。
因为计算平均需求需要确定至少两个维度，取数的区间与计算的颗粒度，换言之颗粒度就是我究竟算月平均，还是周平均，还是日平均，而区间就是，我是算一年365天的日平均，还是一个月30天的日平均，还是一周7天的日平均。确定了这两个维度，我们才能对平均需求进行计算。所以，在计算“平均需求”这个看似简单的东西时，该如何正确的选择计算的维度，当中有多少需要注意的细节，接下来就让我们细细道来。
02 平均需求取值区间的判断方法
总的来说，不论是取值区间，还是计算颗粒度，其依据的都是我们实际的业务。先从取值区间开始说起，回忆一下正态分布的定义，平均值在正态分布中是一个关键参数，一个正态分布曲线只会有一个平均值，而算出这个平均值的基础就是形成这个正态分布曲线的所有样本值。换成业务的语言进行描述的话，取数的区间，取决于我们的库存管理策略，我们制定了再订货点多久更新一次的库存策略，我们的取值区间就是多长，即：假如我们每个月更新一次再订货点，那么我们就取一个月的数来求平均，假如我们每个季度更新一次再订货点，那么我们就取三个月的数来求平均，以此类推。公式的取值方式一定要与我们的实际业务策略相结合，不然取到的数字是无法对实际业务起到指导作用的。
03 平均需求计算颗粒度的判断方法
那么接下来就是颗粒度要如何判断了。而颗粒度具体的取值方式，则与我们另一个关键参数提前期有关。
直接说结论的话，计算平均需求的颗粒度应该与计算提前期的颗粒度相同！那么看到这里，反应快的同学就会问了，时间的颗粒度是可以相互转换的，同样的6天，我可以记作是0.9周，或者0.2个月，又或者是0.07个季度，反过来也可以是144个小时！那么到底应该用哪一个时间单位呢？
要回答这个问题，同样要回到我们的实际业务当中，而这里的判断标准，就是在对提前期进行向上取整的过程中，所造成的误差是否可以被公司所接受！举个例子，假设我们的提前期是100个小时，那么如果按天进行取整，就是5天，120个小时。如果按周进行取整，就是1周，168小时，如果按月进行取整，就是1个月，720个小时。
我们可以发现，随着时间颗粒度的增大，我们的误差也越来越大，按天是20个小时，按周是68个小时，而按月则达到了620个小时，而这多出来的这么多的时间，可以近似的理解为我们需要额外付出的库存成本，所以随着颗粒度的增大，我们的误差也就会越大。
那么这个时候就有同学肯定会问了，那我的提前期恰好就是一周，或者一个月呢，是不是就可以用这个颗粒度了？答案是不行，因为我们还要考虑提前期的波动幅度，若波动的幅度在取整后所带来的误差同样可以被接受，那么就可以这么做。例如当提前期本身是整数周，并且提前期的波动也是按照整数周进行时，这样取周颗粒度进行计算所带来的误差就可以忽略。
那么聪明的同学肯定又会说，那我就直接在小时的层面进行计算，这样误差最小。思路没有错，但是在计算颗粒度变的更小的同时，标准差也会变得更大，导致波动变得更加剧烈，从另一方面减少了公式的稳定性，所以这其实也是一个业务上的平衡过程。通常建议在天的颗粒度上进行计算，但在遵循上述规则的同时，其实也可以取一些中间颗粒度，例如两天一取整，或者三天一取整等。而对于为什么提前期必须要取整，这个我们将在接下来介绍提前期时，再详细进行解答。
04 需求该从哪里取
在了解了如果确定平均需求的取值范围与计算颗粒度之后，其实还有一个很关键的问题就是，那我应该从哪里获得需求数据呢？这里其实也就只有两个选择，历史数据与需求预测。
简单来说，我推荐使用需求预测，因为从业务角度讲，我们储备库存，并且设计再订货点，是为了更好的服务未来的业务，而不是去影响过去。所以除非是完全没有做预测的公司，不然都建议从需求预测中进行取数。
结语
平均需求，这个看似简单的概念，到了实际运用的时候，还是有如此多需要注意的地方。不仅需要与业务实际情况进行紧密结合，还会受到其他参数取数方式的影响，并且进而也会去影响其他参数，这些都是再订货点公式在使用过程中所需要注意的细节。
其实，了解再订货点公式的过程中，除去这些需要去注意的细节本身，我更希望的是大家能够去感受在这个过程中，业务究竟是如何去影响公式的。将业务抽象化的能力，对业务和数字之间的转换关系的深刻理解，才是企业在数字化转型中的核心竞争力！我们下期再见！