腾讯一员工在同事圈吐槽称，自己惹到了公司嫡系了，要混不下去了。

昨晚十一点半，我在公司楼下拿着奶茶吹风，手机那头小李又说他们仓库有店铺一边缺货一边堆成山，我脑子里当时就“欸等等…这不是典型库存不平衡嘛”。你们懂的，老板要的是“给我一串店铺ID，越快越好”，不是长篇大论。我就边上楼边想了个简单好落地的算法，别太玄学，能跑就行。

就是每家店它有一堆 SKU，对吧。真正的“不平衡”直觉上有两种味道：一是有的 SKU 0 库存，有的 SKU 又爆仓；二是整体库存分布特别散，像泼出去的豆子。那我就给每个店打一个“失衡分”。怎么打？三个小量拼起来： 1）离散度：用变异系数 CV = 标准差 / 平均库存。平均不为 0 才有意义，不然就别算。 2）缺货率：SKU 库存等于 0 的比例。 3）过量率：SKU 库存明显偏高的比例，比如超过该店所有 SKU 库存的 90 分位，或者超过某个安全库存阈值的两倍。 最后失衡分 = αCV + β缺货率 + γ*过量率。阈值你自己定，或者就取分数 TopK 的店铺给运营盯。不要问为啥不用更复杂的那个…昨天太困了，先上能解释清楚的。

有人问实现复杂不？不复杂，线性一遍扫，算均值、标准差、分位数，哦分位数要么走近似（P² 算法、t-digest），要么偷个懒用排序，SKU 不多的话也就 logM。我这边先写个易懂版，用排序，明天你们再把分位那块换成流式的就行。

再说一个小坑，别被全 0 店铺搞炸。平均为 0 的时候，CV 别算，直接把缺货率当 1，过量率 0，然后分数就挺高了，合理——因为这家是“全缺”的极端不平衡。

我先把代码甩了，你们跑一下数据看看味道对不对，不对我们再调 αβγ 和阈值，别死磕理论。

import java.util.*;
import java.util.stream.*;

/** 输入一把店铺-SKU-库存的快照，输出不平衡店铺 TopK */
publicclassImbalanceDetector{

// 一条库存记录
publicstaticclassStockRec{
publicfinal String shopId;
publicfinal String skuId;
publicfinalint stock;
publicStockRec(String shopId, String skuId, int stock){
this.shopId = shopId; this.skuId = skuId; this.stock = stock;
        }
    }

// 输出项
publicstaticclassShopScore{
publicfinal String shopId;
publicfinaldouble score;
publicfinaldouble cv;
publicfinaldouble oosRate;
publicfinaldouble overRate;
publicShopScore(String shopId, double score, double cv, double oosRate, double overRate){
this.shopId = shopId; this.score = score; this.cv = cv; this.oosRate = oosRate; this.overRate = overRate;
        }
@Overridepublic String toString(){
return String.format(Locale.ROOT,
"shop=%s score=%.4f (cv=%.4f, oos=%.2f%%, over=%.2f%%)",
                    shopId, score, cv, oosRate*100, overRate*100);
        }
    }

/** 主逻辑：alpha/beta/gamma 为三个分量的权重，topK 取前多少家 */
publicstatic List<ShopScore> findImbalancedShops(List<StockRec> recs,
double alpha, double beta, double gamma,
int topK){
// 分组到店
        Map<String, List<StockRec>> byShop = recs.stream()
                .collect(Collectors.groupingBy(r -> r.shopId));

        List<ShopScore> scored = new ArrayList<>(byShop.size());

for (Map.Entry<String, List<StockRec>> e : byShop.entrySet()) {
            String shop = e.getKey();
            List<StockRec> list = e.getValue();
if (list.isEmpty()) continue;

int n = list.size();
// 库存数组
int[] arr = list.stream().mapToInt(r -> Math.max(r.stock, 0)).toArray();

// 缺货率
long zeroCnt = Arrays.stream(arr).filter(x -> x == 0).count();
double oosRate = n == 0 ? 0 : (zeroCnt * 1.0 / n);

// 平均 & 标准差（无偏不必较真）
double mean = Arrays.stream(arr).average().orElse(0);
double variance = Arrays.stream(arr)
                    .mapToDouble(x -> (x - mean)*(x - mean))
                    .sum() / (n == 0 ? 1 : n);
double std = Math.sqrt(variance);
double cv = (mean > 0) ? (std / mean) : 0;

// 过量阈值：用 90 分位（也可以换安全库存倍数）
int[] sorted = Arrays.copyOf(arr, arr.length);
            Arrays.sort(sorted);
int idx90 = (int)Math.floor(0.9 * Math.max(sorted.length - 1, 0));
int p90 = sorted[idx90];
long overCnt = Arrays.stream(arr).filter(x -> x > p90).count();
double overRate = n == 0 ? 0 : (overCnt * 1.0 / n);

// 全 0 特判：认为极端不平衡
if (mean == 0) {
                cv = 0; overRate = 0; oosRate = 1.0;
            }

double score = alpha * cv + beta * oosRate + gamma * overRate;
            scored.add(new ShopScore(shop, score, cv, oosRate, overRate));
        }

// 排序取 TopK
return scored.stream()
                .sorted(Comparator.comparingDouble((ShopScore s) -> -s.score))
                .limit(topK)
                .collect(Collectors.toList());
    }

// 小跑一把
publicstaticvoidmain(String[] args){
        List<StockRec> demo = Arrays.asList(
new StockRec("A","s1",0),
new StockRec("A","s2",200),
new StockRec("A","s3",300),
new StockRec("B","s1",10),
new StockRec("B","s2",12),
new StockRec("B","s3",11),
new StockRec("C","s1",0),
new StockRec("C","s2",0)
        );
        List<ShopScore> top = findImbalancedShops(demo, 0.6, 0.3, 0.1, 5);
        top.forEach(System.out::println);
    }
}

你看思路很直白：CV 管“散”，缺货率管“缺”，过量率管“堆”。三个量一拧绞，分高的就是“这家不太行”。复杂度基本 O(N log M)（M 是单店 SKU 数），数据巨大的话把 90 分位那步换成近似分位算法，或者直接用“均值的两倍/三倍”当过量阈值，能省排序。

还有两句碎嘴：阈值别拍脑袋，先拿近 30 天的事故店当正样本，随便做个 PR 曲线把 αβγ 调一下，别把全低库存的小店误杀了…行了不说了，我去泡面，等会儿有人要我看下 Redis 的那个…哎又来了电话我先接一下。

-END-

我为大家打造了一份RPA教程，完全免费：songshuhezi.com/rpa.html