需求预测的滚动更新，指的是每天或每周用最新的销量、库存和在途数据重算一次未来若干周的需求，而不是年初做一张表用一整年。AI 在这里承担的是把大量零散信号收拢成一条可执行曲线的工作，计划员则负责判断哪些异常该被采纳。滚动两个字听起来简单，真正难的是窗口、版本和责任边界。
滚动预测和一次性预测差在哪
一次性预测的输入是历史销量加人工判断，输出是一张固定的月度表。滚动预测每隔一个周期就把新数据接进来，把最早的一周挤出去，窗口整体前移。两者的差别不在算法，而在更新频率带来的纠错能力。
频率不是越高越好。日更适合短保、快消和促销密集的品类；周更适合家电、家居这类决策周期长的商品。更新太频繁会让下游补货天天改单，供应商跟不上，反而增加缺货。
输入要分成稳定的和易变的
稳定的一层是历史销量、季节曲线、门店开业天数、价格带；易变的一层是促销排期、竞品动作、天气、平台流量。两层要分开建模，稳定层给基线，易变层给修正，否则一次大促会把整条季节曲线带偏，恢复起来要好几周。
还要把「有货时的销量」和「缺货时的销量」分开记。缺货那几天的数字不是真实需求，直接喂进模型会让它低估。行业里常见的处理是把缺货日做删失修正，用邻近门店或同类商品做补值。
| 层 | 包含什么 | 在模型里起什么作用 |
|---|---|---|
| 稳定层 | 历史销量、季节曲线、门店开业天数、价格带 | 给基线，决定预测的骨架 |
| 易变层 | 促销排期、竞品动作、天气、平台流量 | 给修正，只在当期生效，别污染季节曲线 |
| 缺货日的销量 | 有货时的销量与缺货时的销量要分开记 | 做删失修正，用邻近门店或同类商品补值，否则模型会低估 |
预测粒度要和决策粒度对齐
预测到城市仓还是到门店，取决于补货动作发生在哪一层。如果补货是按门店补，预测就必须到门店单品，颗粒太粗会导致总量对、分布错，A 店压货 B 店断货。反过来，如果只做总仓调拨，预测到品类就够。
提前期也得一起看。提前期四周的商品，预测要覆盖第五周之后；提前期三天的商品，重点在第一周。把不同提前期的商品放在同一张预测表里比较准确率，是没有意义的，因为难点根本不在一个位置。
版本和口径怎么管
每次滚动都会产生一个新版本，必须留下版本号、生成时间、输入快照和参数。没有版本管理，两周后没人说得清当初为什么给出那个数，复盘就变成互相猜测。快照尤其重要，因为上游数据会被回改。
口径要写死三件事：统计单位是件还是箱、时间按自然周还是财务周、退货算在哪一周。这三件事只要有一件含糊，计划和采购就会拿着两张对不上的表开会，最后靠嗓门决定。
偏差怎么回灌成下一次的修正
每周算一次偏差，不只看总量偏差，还要看方向性偏差：是连续高估还是连续低估。连续同向偏差通常说明结构性问题，比如促销力度没进模型、新品爬坡曲线设错，靠调阈值解决不了。
偏差还要按品类、门店、提前期分层看。整体准确率九成，可能意味着大单品很准而长尾全错，而长尾占的库存金额往往不低。分层之后，才能决定是补数据、换模型，还是干脆对长尾改用简单规则。
日常整理也有省力的办法：让 Kimi 把上周的促销记录读一遍，再用 DeepSeek 把异常点归成几类，计划员只需要确认归类对不对，不用手工翻几十张表。
- 窗口：按品类定日更或周更，别一刀切
- 输入：稳定层给基线，易变层给修正
- 粒度：预测粒度必须等于补货决策粒度
- 版本：版本号、生成时间、输入快照三件齐全
- 复盘：看方向性偏差，不只看总量偏差
聊聊需求预测的常见疑问
- 新品没有历史数据怎么预测？：用同类商品做参照曲线，再按首周实际销量修正斜率，前四周不要给太高权重。
- 促销预测总是偏高怎么办？：把促销拆成折扣力度、曝光位、时长三个变量分别估计，别用一个笼统的促销系数。
- 准确率到多少才算够用？：看缺货损失和呆滞成本谁更贵，两者之和最低的那个点，比追求单一准确率更有意义。
预测的下游是库存核对，门店的 AI 盘点讲的是账实怎么对齐；上游若涉及产线节拍，可以看工艺参数优化怎么用 AI；配送环节的车辆安排见物流路径优化是怎么算的。
