AI 需求预测：补货准确率提升实战

开篇：预测不准，补货就是赌博

一家家居电商，3000 个 SKU，补货靠计划员拍脑袋加过去 12 周移动平均。大促一来全线失灵：爆款缺货丢单，长尾款积压占掉 2000 万资金。老板算了一笔账：缺货率每降 1 个点，一年多赚 400 万。预测，是仓库里 ROI 最高的 AI 场景之一，但 90% 的项目死在「模型很准、业务用不上」。

核心方法：四个要点

叉车司机把托盘放进高层货架库位（补货作业）

1. 特征工程：历史销量只占一半

只拿历史销量喂模型，等于闭着一只眼睛开车。实战中有效的特征至少包括五类：

历史销量与价格序列（含促销价、折扣力度）
促销日历（大促、品类日、清仓，提前标注）
季节与节假日因子（开学季、圣诞、春节）
外部信号：气温（服装、家居强相关）、渠道流量
SKU 属性：新品/成熟/清仓、ABC 分类

经验值：至少 2 年历史数据起步，少于 1 年的 SKU 只能做类比预测，别硬上复杂模型。

2. 模型分级：头部精细、长尾粗放

| SKU 分级 | 占比 | 模型策略 | |---|---|---| | 头部 20% | 销售额 80% | LightGBM / 时序模型，逐 SKU 精细化 | | 腰部 30% | 销售额 15% | 品类聚合预测再拆分 | | 长尾 50% | 销售额 5% | Croston 类间歇需求模型，保不断货即可 |

一个模型打天下是新手最常见的错误。长尾 SKU 销量稀疏，复杂模型反而过拟合，简单模型更稳。

3. 预测到补货的闭环：预测只是起点

预测值不直接等于补货单。完整闭环是五步：预测 → 安全库存（按服务水平分档，A 类 98%、C 类 90%）→ 生成补货建议 → 人工只复核异常（波动超 50% 的 SKU）→ 回写实际销量用于下轮训练。

关键设计是「人工只看异常」。计划员每天只看系统标红的 5% SKU，而不是逐条过 3000 行——这才是 AI 提效的真实形态：机器做 95% 的常规判断，人做 5% 的关键判断。

4. 评估指标：先看偏差方向，再看绝对误差

用 WAPE（加权绝对百分比误差）衡量整体精度，但更重要的是看偏差方向：系统性偏高导致积压，系统性偏低导致缺货。连续三个月同向偏差超过 5%，说明特征或模型有结构性问题，必须回炉，而不是调参。

实战案例：WAPE 从 38% 打到 24%

某家居电商，4000 SKU，上线 AI 需求预测六个月：WAPE 从 38% 降到 24%，缺货率从 6.2% 降到 3.1%，库存周转提升 0.8 次。拆开看，涨幅最大的一块不是模型多先进，而是促销日历特征——之前计划员凭记忆做促销预测，系统化之后促销期预测误差直接减半。

避坑提醒

新品冷启动别硬套历史模型。 用相似 SKU 类比给出首版预测，前 4 周销量回来后快速校准，每周更新一次。
促销要单独建模。 促销期的销量分布和日常完全是两个世界，混在一起训练，日常预测会被带偏。
预测不要直连自动下单。 至少保留「异常拦截」人工环节——模型没见过的黑天鹅（比如突然的舆情爆款），人才是最后的保险。

90 天落地路线图

第 1~30 天：数据治理。 拉齐 2 年历史销量、促销日历、价格序列；输出数据质量报告，缺失率超过 10% 的字段先补。交付物：特征清单 + 数据质量报告。

第 31~60 天：模型开发与回测。 按 SKU 分级建模，用最近 3 个月做样本外回测，头部 SKU 的 WAPE 达标（<25%）才算过。交付物：回测报告。

第 61~90 天：试点与推广。 选 200 个头部 SKU 并行运行：系统给建议、计划员复核，对比试点组与对照组的缺货率。试点组缺货率下降 ≥1.5 个点，全量推广。

90 天是底线，数据基础差的仓要留到 120 天。宁可前期慢，不可上线返工——预测项目返工一次，业务对 AI 的信任就清零一次。

计划员的新工作流：人机分工长什么样

AI 上线后，计划员的工作不是消失，是升级：

每天早上 30 分钟： 只看系统标红的异常 SKU（波动超 50% 或缺货预警），逐条确认或调整。3000 个 SKU 里通常只有 100~150 条需要人看。
每周 1 小时： 看偏差方向报告。连续两周系统性偏高/偏低，约 IT 一起查特征，不用自己调参，但要会提问题。
每月半天： 参加回测复盘会，看 WAPE 趋势和大促复盘，更新促销日历标注——这是计划员最不可替代的输入：对业务的体感。

角色变了：从「算数的人」变成「管模型的人」。抗拒的计划员会被淘汰，拥抱的计划员一个人能管过去三个人的 SKU 量。这话不好听，但是实话。