1. 項(xiàng)目概述為什么要用AI破解“賣多少”的難題1.1 核心需求解析庫存積壓與斷貨的兩難我做過不少供應(yīng)鏈相關(guān)的項(xiàng)目幾乎每一個甲方老板都會提同一個問題下一批貨到底該備多少這個問題聽起來簡單實(shí)際卻是零售、電商、制造行業(yè)常年懸在頭上的達(dá)摩克利斯之劍。備多了資金壓在倉庫里倉儲成本逐月疊加臨期商品只能打折清倉毛利直接被吃掉一大塊。備少了熱銷單品斷貨顧客轉(zhuǎn)頭就去別家下單平臺還會因?yàn)槁募s率下降給店鋪降權(quán)。這種兩難在快消品、服飾、生鮮、3C數(shù)碼這類SKU多、生命周期短的行業(yè)尤其明顯。AI銷量預(yù)測系統(tǒng)要解決的就是這個“賣多少”的問題。它的本質(zhì)不是算命而是把歷史銷售數(shù)據(jù)、促銷計劃、季節(jié)性波動、價格變化、競爭環(huán)境、甚至天氣和節(jié)假日這些因素綜合起來用算法擬合出一條盡可能接近未來的需求曲線。有了這條曲線采購部門可以定采購量運(yùn)營部門可以做促銷規(guī)劃財務(wù)部門可以做收入預(yù)估倉庫可以提前安排庫容和人力。從我接觸過的落地案例來看一套靠譜的預(yù)測系統(tǒng)能把預(yù)測誤差從行業(yè)常見的30%到40%壓到20%以內(nèi)個別數(shù)據(jù)質(zhì)量高的場景能做到10%左右。這意味著庫存周轉(zhuǎn)天數(shù)能縮短20%以上斷貨率降低一半這些都是可以直接換算成利潤的數(shù)字。這個內(nèi)容適合誰看如果你是供應(yīng)鏈、運(yùn)營、數(shù)據(jù)產(chǎn)品崗位的人正在頭疼備貨問題或者你是算法工程師、數(shù)據(jù)分析師想了解銷量預(yù)測在企業(yè)里到底怎么落地又或者你是管理者想評估這個方向值不值得投入——這篇文章都值得花十分鐘讀完。我會把從數(shù)據(jù)準(zhǔn)備到模型上線再到效果評估的全過程拆開講包括那些文檔里不會寫的坑。我的出發(fā)點(diǎn)很簡單這類項(xiàng)目真正難的從來不是哪個算法有多深奧而是整個鏈條上有太多細(xì)節(jié)任何一個環(huán)節(jié)處理不好模型再先進(jìn)也白搭。1.2 方案選型為什么不是簡單的時間序列算法很多第一次接觸銷量預(yù)測的朋友上來就會問ARIMA不行嗎Prophet不行嗎Facebook開源的Prophet確實(shí)挺好用的處理節(jié)假日效應(yīng)和趨勢變化都有一套。但你真拿它去預(yù)測電商平臺上一款化妝品的日銷量很快就會發(fā)現(xiàn)問題。單純的時序模型只能看到“歷史銷量”這唯一一條線可真實(shí)世界里銷量的起伏很少只由時間規(guī)律決定。大促預(yù)熱期流量暴增、競品突然降價、網(wǎng)紅同款效應(yīng)帶火一個小眾品牌、一場暴雨讓外賣訂單翻倍——這些外部沖擊純時序模型一概感知不到。它只知道昨天賣了100件然后告訴你明天可能還是100件左右。我選型的時候更傾向于樹模型或者深度學(xué)習(xí)模型因?yàn)樗鼈兊暮诵膬?yōu)勢在于可以同時吃進(jìn)幾十上百個特征讓預(yù)測不再是“跟著歷史走”而是“理解銷量為什么會這樣走”。比如日期特征星期幾、是否節(jié)假日、距離大促還有幾天、商品特征價格、品類、生命周期階段、渠道特征店鋪流量、活動資源位、外部特征天氣、溫度、行業(yè)指數(shù)這些因素綜合起來才能解釋銷量波動的真實(shí)原因。當(dāng)然這并不意味著AI模型完勝傳統(tǒng)時序模型。在實(shí)際工程里我通常的做法是搭建一個多模型融合的框架樹模型作為主力Prophet作為對照基線再做一層集成。背后是有實(shí)際考量的。單一模型總會有盲區(qū)——樹模型在特征充足時表現(xiàn)很好但遇到從來沒有見過的新品或者極端情況容易過度自信Prophet對趨勢和周期的擬合是顯式的在數(shù)據(jù)平穩(wěn)期反而更穩(wěn)。兩者互補(bǔ)比押寶任何一種模型都踏實(shí)。還有一點(diǎn)必須提前說模型再強(qiáng)也強(qiáng)不過數(shù)據(jù)。很多項(xiàng)目失敗的根源不是算法選錯了而是數(shù)據(jù)這關(guān)就沒過。接下來我先從數(shù)據(jù)準(zhǔn)備講起這是整個系統(tǒng)最枯燥但最關(guān)鍵的部分。2. 數(shù)據(jù)準(zhǔn)備與特征工程模型的“米”怎么淘2.1 數(shù)據(jù)源的盤點(diǎn)與清洗規(guī)范銷量預(yù)測需要什么數(shù)據(jù)理想狀態(tài)下有四大類銷售流水、商品主數(shù)據(jù)、渠道流量數(shù)據(jù)、外部環(huán)境數(shù)據(jù)。但現(xiàn)實(shí)往往是——銷售流水在ERP里導(dǎo)出來發(fā)現(xiàn)日期格式五花八門商品主數(shù)據(jù)在另一個系統(tǒng)里類目層級都對不上流量數(shù)據(jù)在第三方平臺還需要花錢買接口。第一步一定是列清單搞清楚手頭到底有什么。我慣用的表格是這樣的數(shù)據(jù)類別核心字段常見問題建議頻率銷售流水訂單時間、商品ID、銷售數(shù)量、銷售金額、門店/倉庫時間戳含時區(qū)偏差、重復(fù)訂單日級商品主數(shù)據(jù)商品ID、類目、品牌、上市日期、規(guī)格、價格類目口徑不統(tǒng)一、新老ID重疊日級庫存數(shù)據(jù)商品ID、庫房、庫存量、在途量、鎖定量盤點(diǎn)差異大、負(fù)數(shù)庫存日級促銷日歷活動ID、活動時間、參與SKU、折扣力度活動臨時變更、歷史數(shù)據(jù)缺失手動維護(hù)流量數(shù)據(jù)店鋪UV、商品PV、加購數(shù)、轉(zhuǎn)化率平臺口徑調(diào)整、歷史僅保留匯總?cè)占壨獠繑?shù)據(jù)天氣、節(jié)假日、行業(yè)指數(shù)、熱搜詞城市粒度過粗、數(shù)據(jù)采購成本高可滯后清洗規(guī)范我這里直接給出一套經(jīng)過多次實(shí)戰(zhàn)驗(yàn)證的底線規(guī)則第一訂單表必須去重同一時間同一商品同一訂單號出現(xiàn)了兩次大概率是同步時的bug第二時間字段統(tǒng)一轉(zhuǎn)成UTC8的東八區(qū)時間避免跨時區(qū)的系統(tǒng)對不上第三退換貨數(shù)據(jù)要和銷售數(shù)據(jù)分開預(yù)測用的“銷量”應(yīng)該定義為凈銷量正向訂單減去退貨第四異常值先別急著刪找出原因再處理。說一個我踩過的坑之前給一個服飾品牌做預(yù)測發(fā)現(xiàn)某款羽絨服在7月份銷量突然沖到日均800件排查了很久結(jié)果是電商部做了一個清倉活動把去年的庫存以三折甩賣。這個數(shù)據(jù)如果不加標(biāo)記模型會認(rèn)為這款羽絨服夏天也有需求到了冬季預(yù)測時反而會被拉低。后來我在清洗環(huán)節(jié)加了一條規(guī)則大促期間的銷量必須標(biāo)記促銷字段單獨(dú)存放避免污染常規(guī)需求模式。2.2 特征工程的實(shí)操配方從銷量序列到模型輸入特征工程是整個項(xiàng)目里最考驗(yàn)功力的環(huán)節(jié)也是決定模型上限的環(huán)節(jié)。我總結(jié)了一套比較通用的“配方”按特征性質(zhì)分為四組。第一組是時間特征包括年、月、日、星期幾、是否月初月末、是否節(jié)假日、距最近節(jié)假日的天數(shù)、當(dāng)年第幾周。時間特征要的不是簡單的整數(shù)而是盡可能編碼出周期性。比如星期幾這個特征用0到6的整數(shù)就行模型能自動學(xué)到周末效應(yīng)但如果數(shù)據(jù)跨度超過一年我建議再疊加一個“是否為節(jié)假日前后三天”的布爾特征這對中國這種節(jié)假日消費(fèi)集中爆發(fā)的市場特別重要。第二組是歷史銷量特征也是模型的主要燃料。基礎(chǔ)的包括滯后N天銷量lag_1、lag_7、lag_14、lag_28、移動平均MA7、MA14、MA30、標(biāo)準(zhǔn)差、最大值最小值、環(huán)比變化率。這里有一個關(guān)鍵原則滯后窗口要覆蓋業(yè)務(wù)周期。如果你的生意有明顯的7天周期那就必須有l(wèi)ag_7、lag_14這種7的倍數(shù)如果有月度周期就必須有l(wèi)ag_30。我曾經(jīng)見過有人只做了lag_1到lag_5結(jié)果周中和周末的銷量差異完全預(yù)測不出來。第三組是商品和價格特征包括當(dāng)前售價、價格環(huán)比變化、促銷折扣力度、是否參與當(dāng)前活動、上市天數(shù)、距上次促銷的間隔天數(shù)。價格對銷量的影響非常直接尤其是非剛需品類。折扣力度這個特征我建議用原價-現(xiàn)價/原價來計算而不是簡單地填“是促銷不是促銷”。第四組是市場特征包括商品在品類中的銷量排名、店鋪整體UV、同比去年同期的行業(yè)趨勢。流量數(shù)據(jù)如果拿不到具體數(shù)值也可以用排名、分位數(shù)這種相對指標(biāo)效果差距不大。預(yù)處理方面有三件事必須做一是缺失值處理歷史銷量特征的缺失值用同星期均值填充其他特征用全局眾數(shù)填充二是內(nèi)存優(yōu)化數(shù)據(jù)量大時用category類型存類目特征三是時間序列切分必須按時間順序切訓(xùn)練集和驗(yàn)證集隨機(jī)打亂是大忌否則就是典型的數(shù)據(jù)泄露模型在訓(xùn)練時就“偷看”了未來。3. 模型選型與訓(xùn)練流程把算法變成生產(chǎn)力3.1 主力模型為什么選LightGBM和Prophet搭配前面提過我的主力框架是LightGBM加Prophet再加一層融合。這里展開說說為什么。LightGBM是梯度提升樹的一種高效實(shí)現(xiàn)訓(xùn)練速度快、內(nèi)存占用低、對特征尺度不敏感這在特征維度幾十上百的業(yè)務(wù)場景中非常適用。更重要的是樹模型天然可以處理類別特征和非線性關(guān)系不需要像深度模型那樣做復(fù)雜的歸一化和Embedding。銷量預(yù)測里的很多規(guī)律——比如價格降到某一檔位銷量會突然跳升、節(jié)假日效應(yīng)在品類間差異巨大——本質(zhì)上是分段函數(shù)樹模型對這種模式的擬合能力遠(yuǎn)優(yōu)于線性模型。Prophet雖然簡單但它有一個獨(dú)特價值對趨勢變化點(diǎn)的檢測能力。業(yè)務(wù)環(huán)境里經(jīng)常出現(xiàn)“換了運(yùn)營負(fù)責(zé)人之后整體銷量中樞上移”這類結(jié)構(gòu)性變化LightGBM靠歷史特征很難捕捉這種突變因?yàn)樗妮斎胧腔瑒哟翱趦?nèi)的數(shù)據(jù)而Prophet把趨勢分解成顯式成分能自動找到變化點(diǎn)。所以我把Prophet當(dāng)作一個“哨兵模型”它負(fù)責(zé)把握中長期趨勢LightGBM負(fù)責(zé)擬合短期波動。兩個模型怎么融合我常用的是一個加權(quán)平均加一個小型校正模型。具體來說先用驗(yàn)證集算出每個模型在最近30天的誤差WAPE以誤差倒數(shù)為初始權(quán)重做加權(quán)平均再用一個簡單的線性回歸把兩個模型的預(yù)測值作為特征、真實(shí)銷量作為目標(biāo)學(xué)習(xí)最優(yōu)的校正系數(shù)。這樣比固定權(quán)重靈活得多而且實(shí)現(xiàn)起來沒什么額外成本。至于深度學(xué)習(xí)模型比如LSTM、Transformer我也在一些項(xiàng)目里試過。說實(shí)話如果數(shù)據(jù)量沒有達(dá)到“每個SKU有兩年以上日度數(shù)據(jù)”深度模型的優(yōu)勢很難發(fā)揮出來反而因?yàn)橛?xùn)練不穩(wěn)定、調(diào)參成本高常常不如樹模型實(shí)用。除非SKU數(shù)量少、數(shù)據(jù)質(zhì)量極高否則我不建議一上來就上深度模型。3.2 訓(xùn)練流程與參數(shù)調(diào)優(yōu)的實(shí)戰(zhàn)記錄訓(xùn)練流程我習(xí)慣做成一個標(biāo)準(zhǔn)流水線每個環(huán)節(jié)都可以單獨(dú)重跑方便排查問題。第一步是數(shù)據(jù)切分。按時間排序取前80%做訓(xùn)練集最后20%做驗(yàn)證集。如果是月度預(yù)測場景驗(yàn)證集的最后一個月要完整保留不要切到一半。這個窗口要盡量貼近真實(shí)業(yè)務(wù)驗(yàn)證集的時間段應(yīng)該模擬“從現(xiàn)在看未來”的場景而不是隨機(jī)抽樣。第二步是定義損失函數(shù)和評估指標(biāo)。訓(xùn)練階段LightGBM內(nèi)置的objective用regression或者h(yuǎn)uber都可以但評估指標(biāo)我強(qiáng)烈建議用WAPE加權(quán)的平均絕對百分比誤差公式是WAPE Σ|實(shí)際值-預(yù)測值| / Σ|實(shí)際值|。為什么不用MAPE因?yàn)镸APE會對低銷量日期的誤差極度敏感——某天實(shí)際銷量只有2件預(yù)測了5件MAPE就是150%但從業(yè)務(wù)角度看這根本不重要。WAPE用總誤差除以總銷量不會被個別小銷量的日期帶偏更能反映庫存決策關(guān)心的總量誤差。第三步是調(diào)參。LightGBM需要關(guān)注的核心參數(shù)有這幾組樹的數(shù)量n_estimators設(shè)置在500到2000之間配合early_stopping在驗(yàn)證集上收斂就停學(xué)習(xí)率learning_rate設(shè)在0.01到0.05之間學(xué)習(xí)率低了模型更穩(wěn)但訓(xùn)練更慢樹的深度max_depth設(shè)置在5到8太深容易過擬合葉子節(jié)點(diǎn)最小樣本數(shù)min_data_in_leaf設(shè)置在20到100防止學(xué)到太碎片化的模式。我把常用的參數(shù)范圍整理成了表格參數(shù)推薦范圍作用經(jīng)驗(yàn)備注learning_rate0.01-0.05學(xué)習(xí)步長越小越穩(wěn)但訓(xùn)練時間線性增長max_depth5-8樹的最大深度過深會過擬合歷史噪音num_leaves31-127每棵樹的葉子數(shù)和max_depth配合調(diào)整min_data_in_leaf20-100葉子節(jié)點(diǎn)最小樣本量防止極端值被當(dāng)成規(guī)律feature_fraction0.8-0.9每棵樹隨機(jī)采樣特征比例增加多樣性減少過擬合bagging_fraction0.8-0.9每棵樹隨機(jī)采樣樣本比例同上lambda_l20.1-1.0L2正則化數(shù)據(jù)噪聲明細(xì)時加大力度第四步是訓(xùn)練和版本管理。訓(xùn)練好的模型用joblib或pickle保存文件名帶上日期和版本號比如lgb_v20250601.pkl。這不是潔癖而是線上系統(tǒng)需要能夠隨時回滾到任意一個歷史版本——有時候數(shù)據(jù)源出了問題模型突然跑偏回滾比重新訓(xùn)練快得多。我在實(shí)際訓(xùn)練中觀察到一個很有意思的現(xiàn)象如果只做全量數(shù)據(jù)的單模型LightGBM整體誤差看著還行但押在具體SKU上經(jīng)常慘不忍睹。比如3C數(shù)碼類目的銷量波動規(guī)律和食品完全不一樣硬放到一個模型里學(xué)模型會把兩類商品的規(guī)律“平均化”結(jié)果兩頭都不討好。后來我把訓(xùn)練策略改成“品類分組建?！变N量大的品類單獨(dú)建模型SKU多但單個銷量小的品類合并建模冷啟動的商品走專項(xiàng)模型。整體誤差又降了三到五個百分點(diǎn)這個思路值得參考。4. 業(yè)務(wù)落地實(shí)踐從預(yù)測數(shù)字到備貨決策4.1 預(yù)測粒度與顆粒度選擇SKU級還是門店級模型訓(xùn)練完只是萬里長征走了一半真正讓它創(chuàng)造價值的是業(yè)務(wù)落地環(huán)節(jié)。而落地的第一個問題就是預(yù)測的粒度到底應(yīng)該細(xì)到什么程度。我見過太多團(tuán)隊一上來就想要“每個SKU在每個門店每天的銷量預(yù)測”理想確實(shí)很豐滿但現(xiàn)實(shí)是大部分企業(yè)根本沒有那么干凈的數(shù)據(jù)支持這種粒度。比如一個連鎖便利店品牌全城有200家門店每個門店有3000個SKU那就是60萬個組合每天都要出一個數(shù)字。先不說機(jī)器學(xué)習(xí)模型能不能學(xué)到有效信號光是算力消耗和數(shù)據(jù)維護(hù)成本就不小而且大部分SKU都是長尾商品周銷量可能就是個位數(shù)預(yù)測這種數(shù)字本身就是在預(yù)測噪音。我的建議是分場景確定粒度。如果是總部的采購決策、財務(wù)預(yù)測、市場策略SKU級別的全國總量預(yù)測就夠了誤差可控、計算量可控、業(yè)務(wù)也容易理解。如果是區(qū)域倉或者門店補(bǔ)貨可以放寬到“SKU×區(qū)域”或者“SKU×門店類型”把同區(qū)域的多個門店合并建模既能覆蓋門店差異又不至于把數(shù)據(jù)拆得太碎。只有那些日均銷量超過一定閾值比如10件的重點(diǎn)SKU才值得單獨(dú)建模做門店級預(yù)測。補(bǔ)貨決策也不是簡單地把預(yù)測值當(dāng)成備貨量。標(biāo)準(zhǔn)的做法是“預(yù)測值安全庫存”。安全庫存的計算公式通常是安全庫存 預(yù)測誤差的標(biāo)準(zhǔn)差 × 服務(wù)水平系數(shù)。服務(wù)水平95%對應(yīng)系數(shù)1.6599%對應(yīng)2.33。這個公式的含義很直接如果你的預(yù)測誤差波動大就要多備一點(diǎn)貨來兜住不確定性如果你對斷貨容忍度低也要多備一點(diǎn)。我?guī)鸵粋€客戶做過測算他們之前拍腦袋備貨的服務(wù)水平大約在85%也就是說有15%的概率會斷貨。我們把服務(wù)水平提到95%之后安全庫存量看上去是增加了一些但斷貨帶來的銷售損失、客訴成本、平臺扣分反而降了一大截總賬是劃算的。這也說明預(yù)測系統(tǒng)不應(yīng)該只給出一個冰冷的數(shù)字還要配套給出“在這個置信水平下應(yīng)該備多少貨”的建議。4.2 系統(tǒng)架構(gòu)與上線流程離線預(yù)測還是在線服務(wù)這套銷量預(yù)測系統(tǒng)的架構(gòu)通常包含四層。第一層是數(shù)據(jù)采集層每天定時從業(yè)務(wù)數(shù)據(jù)庫抽取銷售、庫存、商品、促銷等數(shù)據(jù)通過Airflow或者DolphinScheduler調(diào)度凌晨跑批確保早上業(yè)務(wù)人員打開報表時數(shù)據(jù)已經(jīng)是新的。數(shù)據(jù)質(zhì)量檢查是這層的標(biāo)配比如對比當(dāng)日訂單量與昨日、判斷是否超過3倍標(biāo)準(zhǔn)差觸發(fā)告警。第二層是特征計算層把所有原始數(shù)據(jù)轉(zhuǎn)換成特征矩陣。這層最容易寫出一堆bug因?yàn)樘卣鞯挠嬎阈枰獙R時間窗口比如“昨天同時刻的銷量”如果數(shù)據(jù)延遲了兩個小時這個值可能就是空或者0必須在代碼里處理數(shù)據(jù)延遲的情況。第三層是模型訓(xùn)練和推理層每天定點(diǎn)訓(xùn)練或者每周重訓(xùn)一次模型把訓(xùn)練好的模型保存下來生成當(dāng)天所有SKU的預(yù)測值。如果是線上實(shí)時場景比如首頁推薦位需要即時調(diào)整要把模型部署成RESTful服務(wù)但銷量預(yù)測這種低頻場景離線批量預(yù)測就足夠。第四層是結(jié)果輸出層把預(yù)測結(jié)果寫入數(shù)據(jù)庫通過BI報表展示給業(yè)務(wù)方同時推送給采購系統(tǒng)做自動補(bǔ)貨建議或者推送給運(yùn)營團(tuán)隊做活動規(guī)劃參考。上線流程我建議先跑一個月的“影子模式”。什么是影子模式就是模型預(yù)測結(jié)果正常生產(chǎn)但不影響實(shí)際業(yè)務(wù)流程只是讓業(yè)務(wù)團(tuán)隊每天對比“模型建議備貨量”和“實(shí)際備貨量”看看偏差有多大。這樣做有兩個好處一是業(yè)務(wù)人員能看到模型的實(shí)際表現(xiàn)建立信任感二是在這個過程中能發(fā)現(xiàn)數(shù)據(jù)問題、邏輯問題及時修正后再正式切換。我參與的一個項(xiàng)目影子模式跑了三周就發(fā)現(xiàn)了一個嚴(yán)重問題門店上報的庫存數(shù)據(jù)經(jīng)常延遲兩天導(dǎo)致模型把實(shí)際上有貨的SKU判斷成了缺貨預(yù)測出來的補(bǔ)貨量虛高。如果直接上線會多采購一大批不必要的庫存。所以影子模式真的別省越復(fù)雜的系統(tǒng)越需要這個緩沖期。4.3 落地效果評估業(yè)務(wù)指標(biāo)如何量化預(yù)測的價值預(yù)測做得好不好不能只在算法層面用“誤差降了幾個點(diǎn)”來評價更要回到業(yè)務(wù)指標(biāo)。我一般建議企業(yè)從三個維度來審視這套系統(tǒng)的價值。第一是可量化庫存指標(biāo)。比如庫存周轉(zhuǎn)天數(shù)從上線前的45天降到36天意味著同樣的資金可以多周轉(zhuǎn)幾輪斷貨率從15%降到7%意味著之前損失的訂單現(xiàn)在都能接住了。這些指標(biāo)可以直接換算成財務(wù)收益是給老板匯報時最有力的證據(jù)。第二是計劃準(zhǔn)確率。很多企業(yè)備貨是月度計劃預(yù)測系統(tǒng)可以輸出每周的動態(tài)滾動預(yù)測讓采購計劃跟著市場變化走而不是一次定死。我在實(shí)踐里喜歡做一個“預(yù)測更新頻率調(diào)整”的動作——大促前每天更新預(yù)測平時每周更新一次既保證時效又不用天天開會。第三是業(yè)務(wù)協(xié)同效率。有了統(tǒng)一的預(yù)測數(shù)據(jù)源采購部、運(yùn)營部、財務(wù)部開會時終于不必因?yàn)榭趶讲灰恢露硜沓橙?。大家都看一套?shù)字討論的是“怎么執(zhí)行”而不是“誰的數(shù)是對的”。這個好處雖然不如庫存周轉(zhuǎn)率那么直觀但實(shí)際節(jié)省的溝通成本非?？捎^。5. 常見問題與排查技巧實(shí)錄5.1 預(yù)測結(jié)果不準(zhǔn)先定位是哪一類不準(zhǔn)模型上線之后被業(yè)務(wù)方反饋“預(yù)測不準(zhǔn)”是必然經(jīng)歷的過程。但“不準(zhǔn)”是個很模糊的概念處理方式取決于具體是哪一種不準(zhǔn)。第一種是系統(tǒng)性偏高或偏低。比如連續(xù)兩周預(yù)測值都比實(shí)際銷量高20%。這種情況大概率是外部環(huán)境發(fā)生了變化比如競品在打價格戰(zhàn)、平臺流量整體下滑導(dǎo)致歷史規(guī)律不再適用。排查思路是檢查最近兩周的特征值和歷史同期有沒有顯著差異如果有就需要考慮加入市場變化的特征或者縮短訓(xùn)練窗口讓模型更關(guān)注近期趨勢。第二種是波動性過大。預(yù)測結(jié)果今天高明天低把業(yè)務(wù)方搞得無所適從。這通常是特征中引入了太多噪聲變量或者模型過擬合了。解決辦法是加大正則化系數(shù)、升高min_data_in_leaf把模型往“穩(wěn)健”方向壓一壓。另外一個技巧是給預(yù)測結(jié)果加平滑比如預(yù)測值取最近三天預(yù)測的指數(shù)加權(quán)平均。第三種是只知道對不上但找不到規(guī)律。這種時候我建議做誤差分析的可視化按品類、按星期、按促銷狀態(tài)分別計算誤差看看問題是不是集中在某一類場景里。之前我碰到一個案例誤差主要集中在周日到周二后來發(fā)現(xiàn)是數(shù)據(jù)管道在處理周末的訂單時有延遲導(dǎo)致模型看到的“昨天銷量”其實(shí)是錯位的。數(shù)據(jù)問題修好之后誤差立刻掉下來了。5.2 新品和長尾商品怎么預(yù)測冷啟動策略新品的預(yù)測是所有銷量預(yù)測里最棘手的問題沒有歷史數(shù)據(jù)模型完全無從下手。我的做法是分三層遞進(jìn)。第一層是沒有上市前用同品類相似款的銷售曲線做“類比預(yù)測”。比如一款新上市的運(yùn)動鞋找到去年類似價位、類似定位的款式拿它的生命周期曲線做參考再按當(dāng)前流量水平做縮放。這個過程和業(yè)務(wù)人員的經(jīng)驗(yàn)拍腦袋很像區(qū)別在于我們把“拍腦袋”變成了可追溯的映射邏輯。第二層是上市前兩周開始積累真實(shí)銷售數(shù)據(jù)用指數(shù)平滑或者貝葉斯方法快速修正最初的類比預(yù)測。此時模型不太可能準(zhǔn)確但能判斷出這款產(chǎn)品的初始表現(xiàn)是高于還是低于預(yù)期從而調(diào)整后續(xù)補(bǔ)貨節(jié)奏。第三層是積累了30天以上的有效數(shù)據(jù)后可以納入主力模型正常預(yù)測。長尾商品的處理思路不太一樣它們銷量低但SKU多一個個建模不現(xiàn)實(shí)我會直接用一個統(tǒng)一的“長尾模型”把品類、價格帶、上市時長這幾個關(guān)鍵特征放進(jìn)去預(yù)測顆粒度放寬到周級給出的是一個“本周該類目長尾SKU預(yù)計銷量區(qū)間”的指導(dǎo)而不是具體到每個SKU的數(shù)量。5.3 數(shù)據(jù)異常的快速排查速查表最后分享一份我平時排查問題時用的清單按優(yōu)先級排列癥狀可能原因排查動作某天銷量出現(xiàn)平時10倍以上的峰值大促活動、系統(tǒng)重復(fù)計單、刷單核對訂單明細(xì)、聯(lián)系業(yè)務(wù)確認(rèn)是否真實(shí)活動近7天預(yù)測誤差持續(xù)走大渠道流量突變、競品動作、數(shù)據(jù)延遲對比流量數(shù)據(jù)、檢查上游任務(wù)是否正常預(yù)測值出現(xiàn)負(fù)數(shù)模型沒有做非負(fù)約束推理階段加max(0, pred)結(jié)果和上一版模型差異巨大訓(xùn)練數(shù)據(jù)范圍被意外修改檢查數(shù)據(jù)管道配置、核對版本號單個SKU預(yù)測劇烈波動該SKU近期銷量波動大、特征異常查看原始序列、檢查是否有促銷字段缺失預(yù)測整體滯后于趨勢模型對趨勢捕捉不夠增加短期特征權(quán)重、縮短訓(xùn)練窗口這套排查表基本能覆蓋90%以上的線上問題。核心思路是先查數(shù)據(jù)再查特征最后才查模型。數(shù)據(jù)不對模型再怎么調(diào)都是白搭。6. 寫在最后實(shí)際項(xiàng)目中的幾點(diǎn)體會做銷量預(yù)測項(xiàng)目這幾年最大的體會是這個系統(tǒng)最貴的不是算法而是業(yè)務(wù)理解和數(shù)據(jù)治理。算法工程師花在調(diào)參上的時間可能只占20%剩下80%的時間都在理解業(yè)務(wù)邏輯、清洗臟數(shù)據(jù)、和各個部門對齊口徑。如果你正準(zhǔn)備在團(tuán)隊里落地銷量預(yù)測我建議先把目標(biāo)定小一點(diǎn)先做一個品類的周度預(yù)測跑通流程、驗(yàn)證效果再逐步擴(kuò)大到全品類。一口吃不成胖子預(yù)測系統(tǒng)也一樣。另外一個經(jīng)驗(yàn)是預(yù)測只是一個工具最終決策權(quán)還是在人手里。不要把模型輸出當(dāng)成“標(biāo)準(zhǔn)答案”直接甩給業(yè)務(wù)方更好的方式是提供“建議區(qū)間置信度依據(jù)特征”讓業(yè)務(wù)人員在有據(jù)可依的基礎(chǔ)上結(jié)合自己的經(jīng)驗(yàn)做最終判斷。比如你給采購的建議是“這款咖啡下周預(yù)計需求380到420箱置信度78%主要支撐因素是氣溫升高和門店促銷”采購一定會比收到一個冷冰冰的數(shù)字更愿意采納。最后再補(bǔ)充一個實(shí)用的小技巧上線之后別急著把所有重心放在模型迭代上多花點(diǎn)時間建一個預(yù)測效果周報把每個品類的預(yù)測值和實(shí)際值畫在一起發(fā)給業(yè)務(wù)團(tuán)隊看。這個動作堅持三個月你會發(fā)現(xiàn)業(yè)務(wù)方對預(yù)測系統(tǒng)從懷疑到信任配合度明顯提升。信任是預(yù)測系統(tǒng)最大的杠桿一旦業(yè)務(wù)方愿意用、敢用這套系統(tǒng)的價值才能真正兌現(xiàn)。