用 AI 做补货参考：销售数据的简易外推

补货不需要复杂模型也能有依据：把近期销售数据交给 AI，让它按趋势做简易外推，给出未来一段时间的参考需求和补货量区间，人工再结合进货周期和资金情况做决定。AI 在这里扮演的角色是快速算一遍账、把趋势和异常摆到桌面上，而不是替你拍板。这篇讲数据怎么备、怎么问、结果怎么用，以及外推数字必须打折使用的原因。

外推之前先看清销售曲线

数据整理比提问更重要。准备近八到十二周的销量，按周汇总，同时标注两列信息：促销档期和缺货时间。缺货期间的销量是假的低，促销期间的销量是假的高，不标注就让 AI 外推，它会把这些波动当成正常趋势，结果必然失真。整理完先自己看一眼走势：平稳、上升、下降还是季节波动，心里有个形状，再看 AI 的估算是否合理。若数据里有大促后的回落段，要主动在提问里说明，让模型区分「趋势下降」和「活动结束回落」，这两者的补货含义完全不同。数据按周汇总即可，按天看噪音太多，按月又太粗，周是简易外推最实用的尺度。

让 AI 算补货量的提问模板

提问时给足三要素：历史数据、前置条件、想要的输出。示例结构是：「以下是某商品近十周销量（附数据），其中第 6 周有促销、第 9 周缺货三天。假设未来无促销且不缺货，请估算未来四周的周均销量，并给出按 1.2 倍安全系数的四周备货量区间，说明计算过程。」要求给出区间而不是单点数，要求写明假设条件，这两个细节决定结果可不可用。商品多的时候可以批量提问，一次给一个品类，让 AI 按同样格式逐个输出，最后汇总成一张补货参考表，再逐行人工过。

外推结果要留出余量

简易外推的假设是「未来延续过去的形状」，而现实常常不配合：竞品上新、平台流量政策调整、天气变化，任何一项都能让估算偏出区间。所以外推数字要打折使用——按估算区间行事时，紧俏品取区间偏上、常规品取区间中值、资金占用大的品取偏下，宁可少备再补，不留压货压力。把每周实际销量和上周估算放在一起对一次，偏差超过两成时找出原因再修正假设，两三轮后估算会贴近实际。这份对账记录本身就是最值钱的资产，比任何一次预测数字都有用。

补货决策仍需人工把关的环节

三件事 AI 管不了。第一是供应商端的变量：起订量、到货周期、运费阶梯，这些决定补货的经济性，要人工核算后再定补多少。第二是资金约束：理想备货量超出资金能力时，砍哪个品类、留哪个品类，是经营判断。第三是计划内的变动：已排期的促销、已知的渠道入驻，都要在提问前主动告诉 AI，让它把条件算进去。AI 产出的是参考区间，签字下单的责任始终在人，把这一点想清楚，外推参考就用得安心。把这些约束提前写进提问，比事后手工调整估算结果更省事。

延伸阅读：门店盘点与库存对账、预算编制与成本分析、大促复盘看哪四个维度。

下单前人工要补的四笔账

• 起订量与到货周期先算经济性
• 运费阶梯算进单件成本
• 资金不够时先定砍哪个品类
• 已排期促销提前告诉 AI
• 每周拿实际销量对一次估算

最容易漏的是运费阶梯，它不改需求估算，却常常决定这批货到底划不划算。

销售数据外推补货量，误差能压到多小？

• 误差多少算正常？：平稳商品的简易外推按周看，偏差在两成内属正常水平；促销前后和季节切换期误差会放大，属于预期之内。
• 数据只有几周能用吗？：能用，但结论只能当短期参考，四周以内的数据撑不起趋势判断，建议拉长观察周期后再做大批量决策。
• 需要上专业预测工具吗？：品类多、供应链长、缺货损失大的业务值得上；小规模经营用表格加 AI 提问的组合已经够用，先跑通流程再谈工具升级。