批发行业的交易数据流远比单店零售复杂:一个门店可能同时对接几十个下游客户,每个客户又有不同的账期、价格等级和退货规则。如果仅靠人工记录Excel,很难在当天营业结束后快速汇总各门店的销售与库存状态。本文围绕批发场景介绍如何用R语言搭建一套轻量级的数据传输与库存分析网络,核心思路是让交易数据通过脚本自动归集,并在服务端完成大宗库存指标计算与预警。

一、批发交易数据的采集与传输
批发交易数据通常来自POS收银系统、小程序订单和线下赊销单据。这些原始记录并不适合直接分析,需要先做标准化。比如同一件商品在不同门店可能有不同编码,客户名称也经常出现简称。用R的dplyr包可以快速完成字段映射、缺失值补全和重复记录去重。下面这段代码模拟从三个门店的CSV文件中读取交易明细,并合并成统一格式。
library(dplyr)
library(readr)
# 读取三个门店的交易文件
file_list <- c("store01.csv", "store02.csv", "store03.csv")
sales_raw <- lapply(file_list, read_csv, show_col_types = FALSE)
# 统一字段并合并
sales_data <- bind_rows(sales_raw) %>%
mutate(
item_code = as.character(item_code),
customer = trimws(customer),
qty = as.numeric(qty),
amount = as.numeric(amount),
trade_time = as.POSIXct(trade_time)
) %>%
distinct(order_id, item_code, .keep_all = TRUE)
数据清洗完成后,需要把交易记录推送到中心数据库。对于中小型批发企业,使用SQLite作为本地存储足够稳定,再通过httr包调用HTTP接口把增量数据同步到云端。R脚本可以由Windows任务计划程序或Linux cron定时执行,每隔十五分钟上传一次新增订单,避免业务高峰期积压。
library(httr)
library(jsonlite)
# 筛选未上传的交易
new_rows <- sales_data %>% filter(is_uploaded == 0)
# 构造JSON并发送
payload <- toJSON(new_rows, auto_unbox = TRUE)
res <- POST(
url = "http://127.0.0.1:8000/api/sales",
body = payload,
encode = "raw",
content_type_json()
)
if (status_code(res) == 200) {
message("上传成功")
}
这里有一个容易被忽视的点:批量上传时如果网络中断,可能造成部分数据已入库但本地标记未更新。建议在每一批数据中加入batch_id,服务端做幂等处理,客户端根据服务端返回的批次编号更新上传状态。这样可以避免重复上传和漏传。
二、大宗库存管理的核心指标与计算
大宗库存通常指单次采购量大、占用资金高的商品,例如整箱饮料、袋装米面或成批日化用品。对这些商品如果只看库存数量,很难判断是否健康。更有效的方法是计算库存周转天数、可售天数和安全库存水平。库存周转天数等于平均库存除以日均销量,可售天数等于当前库存除以近七日日均销量,安全库存则结合采购提前期和需求波动来设定。
R语言处理这类指标非常方便。下面用dplyr和zoo包计算每个SKU的日均销量和可售天数,并按金额占比做ABC分类。ABC分类可以帮助管理者把精力集中在少数关键商品上,而不是每件商品都花同样时间盘点。
library(dplyr)
library(zoo)
stock_summary <- sales_data %>%
filter(trade_time >= as.Date(Sys.time()) - 30) %>%
group_by(item_code) %>%
summarise(
total_qty = sum(qty, na.rm = TRUE),
total_amount = sum(amount, na.rm = TRUE)
) %>%
mutate(
daily_avg = total_qty / 30,
stock_qty = 0,
days_supply = stock_qty / daily_avg,
amount_pct = total_amount / sum(total_amount),
cum_pct = cumsum(amount_pct),
abc_class = case_when(
cum_pct <= 0.7 ~ "A",
cum_pct <= 0.9 ~ "B",
TRUE ~ "C"
)
)
实际工作中,库存数据存放在另一张表中,需要与销售数据按item_code关联。可以在SQLite中建立两张核心表,一张是sales_detail,另一张是stock_current。每天凌晨让R脚本执行一次库存快照,记录各个门店的库存数量。这样库存变化轨迹就保存下来,后续计算平均库存时不会只依赖某一天的快照。
安全库存的计算可以使用经典公式:安全库存等于服务水平对应的Z值乘以需求标准差再乘以提前期的平方根。若不考虑服务水平分布,也可以用最大日均销量乘以最大提前期的方法做保守估计。R中计算如下:
# 安全库存简单估算
safety_stock <- function(daily_demand, lead_time) {
max_daily <- max(daily_demand, na.rm = TRUE)
max_lead <- max(lead_time, na.rm = TRUE)
round(max_daily * max_lead, 0)
}
# 模拟某SKU过去30天日销量
demand_30 <- c(12, 8, 15, 10, 9, 14, 16, 11, 7, 13,
12, 10, 18, 20, 15, 9, 8, 14, 17, 13,
11, 12, 16, 19, 15, 10, 9, 13, 18, 14)
safety_stock(demand_30, lead_time = 5)
需要注意的是,安全库存并不是越高越好。批发企业资金大多压在库存里,过高的安全库存会拉低资金周转效率,而安全库存太低又容易在促销或突发订单时断货。建议每季度根据实际销售波动调整一次参数,而不是固定不变。
三、需求预测与补货决策
做补货决策不能只凭经验,尤其是促销季来临前。可以使用R的forecast包对大宗商品未来一周或一个采购周期的销量做预测。该包内置了多种时间序列模型,如ARIMA和指数平滑,对批发行业常见的周期性销售数据有不错效果。
library(forecast)
# 读取某个SKU的历史日销量
sales_ts <- ts(demand_30, frequency = 7)
# 拟合指数平滑模型
fit_model <- ets(sales_ts)
forecast_result <- forecast(fit_model, h = 7)
# 输出未来7天预测值
print(forecast_result$mean)
# 计算建议补货量
daily_forecast <- mean(forecast_result$mean)
current_stock <- 80
safety_stock <- 45
suggest_replenish <- ceiling(daily_forecast * 7 + safety_stock - current_stock)
if (suggest_replenish < 0) {
suggest_replenish <- 0
}
print(suggest_replenish)
在批发业务中,单纯按销量预测还不够,要结合最低起订量、供应商送货周期和价格折扣。例如某商品预测未来七天日均销量为15件,安全库存45件,当前库存80件,按公式计算需要补货70件。如果供应商要求每箱12件起订,实际应该下单72件或84件。R脚本可以把这些约束写成规则,自动生成建议采购单。
除了时间序列,如果历史数据包含促销标记、天气或节假日信息,可以考虑使用随机森林模型来预测销量。randomForest包能处理非线性关系,把促销活动、星期几、门店位置等作为特征,输出更贴近实际波动的预测值。不过对大多数中小批发商而言,先用指数平滑满足基本预测,再根据业务反馈逐步加入特征,会更稳妥。
四、R Shiny多门店监控面板
分析结果只有推送到管理端才能真正辅助决策。使用shiny和bs4Dash可以快速搭建一个多门店监控面板,集中展示各门店的销售额、库存健康度、缺货预警和补货建议。管理者不需要打开RStudio,通过浏览器就能查看实时指标。
library(shiny)
library(bs4Dash)
ui <- bs4DashPage(
header = bs4DashNavbar(title = "批发网络监控"),
sidebar = bs4DashSidebar(
bs4SidebarMenu(
bs4SidebarMenuItem("库存概览", tabName = "stock", icon = icon("box"))
)
),
body = bs4DashBody(
bs4TabItems(
bs4TabItem(
tabName = "stock",
fluidRow(
bs4InfoBoxOutput("total_sales"),
bs4InfoBoxOutput("low_stock"),
bs4InfoBoxOutput("turnover")
),
fluidRow(
bs4Card(
title = "缺货预警商品",
tableOutput("alert_table")
)
)
)
)
)
)
server <- function(input, output, session) {
output$total_sales <- renderbs4InfoBox({
bs4InfoBox(
title = "今日销售额",
value = "186,500",
subtitle = "较昨日增长8.2%",
icon = icon("chart-line"),
color = "success"
)
})
output$low_stock <- renderbs4InfoBox({
bs4InfoBox(
title = "低库存SKU",
value = "12",
subtitle = "需今日补货",
icon = icon("exclamation-triangle"),
color = "danger"
)
})
output$alert_table <- renderTable({
data.frame(
商品编码 = c("SP-1001", "SP-2033", "SP-3056"),
商品名称 = c("5L装食用油", "整箱矿泉水", "大袋洗衣粉"),
当前库存 = c(15, 40, 8),
可售天数 = c(2.1, 3.5, 1.2)
)
})
}
shinyApp(ui, server)
面板上线后,可以接入定时刷新机制,例如每五分钟重新查询一次数据库。对于缺货风险较高的A类商品,还可以通过mailR包发送邮件提醒采购人员。告警规则建议设置得稍微宽松一些,避免大量提醒降低敏感度,比如只对可售天数小于两天的商品触发红色预警。
整个网络搭建完成后,批发企业能获得一个从数据采集、传输、库存计算到预测补货的闭环。相比购买大型ERP系统,这套R方案成本低、灵活性高,技术团队可以根据实际业务流程不断调整脚本和分析逻辑。对中小型批发商来说,先把自动化做起来,再逐步优化算法,是更现实的落地路径。