补货的预测模型是怎么建的？机制细节全梳理

在 AI 预测介入之前，补多补少靠采购员的经验拍板：旺季凭感觉多囤，淡季拍脑袋少订，错一次就是一季库存压仓。补货的预测模型要做的事很明确：用数据算出未来一段时间每个商品大概卖多少，再结合现有库存与在途数量，给出建议补货量。

预测模型的输入清单

进来的数据主要有四路：历史销量，含同期对比，看趋势也看周期；促销日历，哪些日子有大促、哪些商品参战；外部因素，季节、天气、节假日的错峰影响；库存现状，现有量、在途量、安全库存下限。数据进来先清洗——断货日销量归零不是没需求，是被断货截断了，不处理就会严重低估，这类异常值要单独标记。

从历史数据到建议补货量

中间发生三件事：特征加工，把原始数据变成模型能消化的信号，比如近七日环比、同比增速、促销前囤货系数；模型计算，输出未来一周到一个月的逐日预测量；最后一步换算——预测量加上安全库存、减去现有与在途，得出建议补货量。出去的这张清单，采购员逐条确认或修正后下单，每一条修正都会回流成下轮训练的参照。

特殊节点怎么修正预测

大促、新品上市、天气突变，历史数据覆盖不了这些场面，需要人工修正通道：活动计划、铺货节奏作为额外信号注入模型。活动排期与营销内容的合规预检共用同一份日历——哪天上什么物料、哪些商品参战，预测和营销吃的是同一份数据，日历一变两边同步。新品没有历史，就拿同类目商品的表现当参照系。

预测偏差如何被消化

偏差不可能归零，机制上要留缓冲：安全库存就是缓冲垫，按缺货损失与持有成本权衡设置；偏差持续偏大的商品自动降级，让采购加大人工复核比例。工具上，ModelScope 上托管了不少开源时序预测模型，拿来试跑成本很低；DeepSeek 适合把预测结果翻译成采购会上的人话报告——哪类商品要盯、为什么，少一轮争论。

检验预测看两个分布

准不准别只看总量，看两个分布：分商品看偏差，头部的畅销与长尾的冷门常常最不准，中间地带反而稳；分时间看偏差，预测越远越不准，两周外的数字只能当参考。知道不准在哪，才知道哪里该人工兜底、哪里可以放手交给系统。

促销结束后的复盘常被忽略。大促期间偏差最大的商品，要逐个回看是信号缺失还是权重失真；复盘结论沉淀成节点特征清单，下轮预测直接复用，两三个大促季之后，模型对节点的敏感度会明显提升。这套机制不依赖高深技术，靠的是把每次偏差都当线索的耐心；日历信息滞后一天，预测就跟着失真一天，所以活动计划的同步时效也要纳入考核。复盘结论要写明责任人，下轮复用才有着落，预测是参考值，不是免责声明。

延伸阅读：智能补货的库存管理、需求预测的滚动更新。

流程速查：一次补货建议的诞生

• 进：销量、日历、外部因素、库存现状
• 洗：剔除断货与异常干扰
• 算：特征加工后逐日预测
• 换：加减安全库存得出建议量
• 审：人工确认修正后下单

五步走完，数字才敢变成订单。

补货预测快问快答三则

• 数据要攒多久才够用？：至少覆盖一个完整旺季加一个淡季，周期没走完的预测，对季节性商品基本不可信。
• 它和选品模型什么关系？：选品决定进什么货，预测决定进多少货，一个看信号，一个看曲线，上下游接力。
• 小商家用得起吗？：用得起，表格加轻量工具就能跑简化版，先把同期对比和安全库存算准，已能省下大半拍脑袋。