对快消品团队而言,预测不是一份分析制品——它是资产负债表的引擎。预测错了,要么被过剩库存噎住,要么眼睁睁看货架变空。
为何快消品预测很难
快消品需求很噪。它随促销、节假日、天气、竞品与价格摆动。一个全国总数毫无用处;门店-SKU-日视图才是驱动补货的粒度。难点不在数据量,而在结构:成千上万条共享规律却又各自带本地怪癖的序列。这正是传统表格预测崩塌之处。
层级化模型胜过平铺平均
正确做法是层级化。你在多个层级建模——总量、品类、门店、SKU——并让它们协调求和。某门店的尖峰受所在区域启发;新 SKU 从其品类借力。这种信号的借用,正是层级模型胜过平铺平均的原因,尤其对历史稀疏的长尾品。
真正撬动结果的信号
不是每个特征都值其位。持续重要的有:
- 促销日历。 折扣的幅度、机制与时机。通常是最单一的驱动。
- 天气。 冰淇淋、防晒、慰藉食品都随温度与降雨响应。
- 季节与节假日。 农历、公历与开学日历因市场而异。
- 价格与竞品动作。 对手促销时基线会移。
- 铺货增长。 新进场的条码一夜之间扩大可达基底。
把它们当作显式信号喂入,而非指望模型自己推断,是“预测”与“猜测”的分野。
从预测到补货
预测只有触发正确订单时才值钱。补货逻辑把需求预期转成数量:期望需求,减在手与在途,加按提前期与服务水平目标设定的安全库存。艺术在安全库存——太少则缺货,太多则占压资金。AI 的助益在于按供应商学习提前期波动,而非假设固定缓冲。
| 输入 | 来源 | 对订单的作用 |
|---|---|---|
| 期望需求 | 预测模型 | 基础数量 |
| 在手 + 在途 | ERP / WMS | 减少订单 |
| 提前期波动 | 供应商历史 | 设定安全库存 |
| 服务水平目标 | 商业政策 | 调节缓冲 |
让预测保持诚实的运营闭环
预测会衰减。重要的纪律是闭环:
- 生成 门店-SKU-日粒度的预测。
- 推荐 带驱动解释的补货订单。
- 执行 于 ERP,再观察实际。
- 度量 按 SKU 与门店的误差;回灌重训。
每周闭环的团队,胜过临时重生成的团队。反馈让模型适配新促销机制或竞品动作。
常见失败模式
- 促销盲区。 把每周都当基线预测,然后奇怪为何大促后仓库空了。显式建模促销。
- 一刀切安全库存。 对所有 SKU 一视同仁,在快流品上浪费资金、在慢流品上饿死。按提前期与关键度定缓冲。
- 模型陈旧。 在调价前训练的模型持续推荐错单。按节奏自动化重训。
- 数据孤岛。 促销计划在市场部、库存在运营部时,预测两头都不见。连接数据源。
为何对话式访问改变局面
预测只有对的人能追问才有用。当区域经理能问“为何系统给 SKU X 推荐大单”并拿到带出处的答案——促销拉升加天气信号——信任上升、人为覆盖下降。这正是对话式 BI 遇见计划之处:模型在决策发生的聊天里解释自己的推荐。
中型快消品的务实推广
- 第 1–3 周: 连接销售、促销与库存数据;建层级化基线。
- 第 4–6 周: 加入天气与价格信号;按供应商调安全库存。
- 第 2 月: 闭合观察-度量-重训闭环;以对话式暴露推荐。
回报不是略好看的图,而是更少缺货、更少被占压的资金,以及商业团队真正信得过的计划流程。
促销拉升的实务估计
最大的预测误差来源是未建模的促销。实务上,拉升通过将促销期与同 SKU-门店的匹配非促销基线比较来估计,再以加法或乘法 uplift 施加。陷阱是过度拟合单次活动;稳健做法是把拉升按相似机制汇总,让模型跨目录借力。新机制出现时先从保守起步,随证据累积放宽估计。
无历史的新品引入
长尾与新 SKU 没有历史,经典方法失效。实务解法是把它们锚定到父项或品类流速,按包装、价格与陈列调整,再让模型从最初几周实际中学习。把前四到六周当作校准窗:宽松预测、观察、收紧。这避免两种失败模式——当爆款狂订,或直到货架空了才理会。
用美元度量预测价值
预测误差百分比是分析虚荣指标;美元影响才是业务在乎的。把误差翻译成缺货天数、流失销售、过剩库存持有成本。一个略欠准但推荐了正确安全库存的模型,常胜过更准却补货幼稚的模型。重要的指标是释放的营运资金与被保护的销售,不是最低 MAPE。
工具与团队形态
把这套跑好不需要博士团队。奏效的形态是:一人负责需求模型,一人负责补货政策,再加一个轻量周度复盘,审查异常——误差最大的门店或 SKU。模型提议;人在异常上拍板。这让系统保持诚实,又不必养一支庞大常备队,正合中型快消组织。
避开孤岛陷阱
当输入分散在各团队表格里,预测就失败:促销计划在市场部、库存在运营部、天气在厂商 feed、竞品价在某个没人更新的看板。解法不是更大的模型,而是一个连接的数据层,让信号按节奏到达并带版本。预测只与它能看到的最新信号一样好,而多数预测衰减只是输入陈旧,而非算法弱。
关于服务水平的一注
服务水平目标应按 SKU 关键度区分,而非全局统一。驱动门店客流的主打品值得更高目标与更多安全库存;慢流品则不。把它写进补货政策而非一刀切规则,正是 AI 在不冒险空架的前提下释放资金的方式。真正的营运资金收益,多在政策而非预测里实现。
把预测连到对话层
当计划团队能问系统“为何推荐大单”并看到驱动——促销拉升、天气信号、竞品调价——预测不再是黑箱。那种透明赢得商业团队信任,并减少会污染模型学习数据的本能覆盖。对话式访问把预测从一份报告变成一位同事。