我们仓不大,3000平,拣货的加上我一共六个人。说起AI预测数据质量,我是被坑过才真正信了这回事。去年我咬牙上了一套带预测功能的系统,想着以后备货不用再凭感觉拍脑袋。结果第一个月就翻车:系统说某款水杯下周要卖四百多件,我照单备了货,实际只走了不到一百件,库位被占了半个月,现金也压在里面动弹不得。我当时第一反应是模型不行,差点去找供应商扯皮。后来一个做数据的朋友来仓里转了一圈,看了半小时出入库记录就说:你这不是模型的问题,是AI预测数据质量本身就没过关,数据是脏的,模型再怎么算也算不出干净的答案。
我们小仓可烧不起这个钱。大公司可以请数据团队慢慢清洗,我们请不起,也等不起。所以我后来用的办法都很土:表格筛一遍,人工对一遍,改一条规则堵一个洞。土归土,管用。预测这东西,喂进去的是垃圾,吐出来的只会是更贵的垃圾。
AI预测数据质量死法一:重码和缺失最先查
先说我们仓里最常见的两种死法。重码,就是同一个货有两个甚至三个编码。去年九月,一款保温杯换了包装,采购随手新建了一个编码,老编码没停用。线上卖的是新码,线下走的是老码,系统一看以为是两个货,各自销量都不大,预测就一直偏低。等到大促前集中补货,才发现两个码加起来早就超了安全库存,多备了将近两万块钱的货。
缺失是另一个极端。有段时间我们手工录入出库,忙起来漏记是常事。系统看到的销量曲线到处是断点,缺的那几天在它眼里等于没卖过。预测一低再低,畅销款反而断货。我当时的处理办法很简单:每周五下午花一小时,把本周出入库记录和快递对账单对一遍,差多少补多少。听起来笨,但坚持了两个月,缺失率肉眼可见地降下来了。后来我把这条写进了仓里规矩:当天单子当天清,拖过夜的第二天早上先补录再开工。
AI预测数据质量死法二:促销、渠道和时间粒度
剩下三种死法更隐蔽,也更贵。异常促销会把预测带偏到天上去。去年有一款袜子做了三天买一送一,销量冲到平时的五倍多,系统把这三天当成了正常水平,接下来一个月天天建议多备货。我后来学乖了:凡是促销、清仓、直播专场的日子,单独打个标记,算预测的时候把这些天剔出来,或者单独算一档。促销是促销,日常是日常,混在一起算,神仙模型也救不回来。
渠道混杂是同理。我们线上和线下走的节奏完全不一样,线上一波活动能冲起来,线下靠的是周边几家店稳定拿货。以前两边销量合在一个总数里,预测出来的数两边都不适用。现在我要求分开记:线上一个口径,线下一个口径,预测也分开出,需要合起来看的时候再加总。分开记麻烦一点,但每个数都对得上人。
时间粒度错位是最容易被忽略的。有段时间系统按周出预测,可我们补货是按天跑的,周预测落到每天就全乱了套:周一看着够,周四就断货。反过来,按天预测去指导按月签的采购协议,也一样对不上。我的土办法是先定补货节奏,再定预测粒度:补货按天跑,预测就按天出;采购按月谈,预测就再汇总成月数。粒度对不上,再准的模型也是白搭。
一张表看清五种死法该怎么修
| 死法 | 现场症状 | 检查办法 | 修复成本 |
|---|---|---|---|
| 重码 | 同一款货销量被拆成几份 | 按货名和条码筛重复编码 | 低,一次清理加一条建码规矩 |
| 缺失 | 销量曲线无故断点 | 出入库记录对快递对账单 | 低,每周固定一小时对账 |
| 异常促销 | 某几天销量暴涨后预测虚高 | 给促销日单独打标记 | 低,改统计口径即可 |
| 渠道混杂 | 预测数两边都不适用 | 线上和线下分开记账 | 中,需要改记录习惯 |
| 时间粒度错位 | 周预测指导不了按天补货 | 先定补货节奏再定预测粒度 | 低,改输出口径即可 |
这张表还有一个反常识的结论:修数据花的钱,远比换模型花的钱少。很多人以为预测不准就要上更贵的模型,我们仓的经历正好反过来。清理之前,系统给出的补货建议我有一半不敢照着做,备多了压钱,备少了断货,两头都难受。清理之后大概两个月,畅销款断货的次数明显少了,滞销款占用的库位也腾出来一部分,数字我不敢说得很精确,但方向是对的:建议敢用了,盘点时对不上的地方也少了。这就是AI预测数据质量最实在的回报,它不体现在一张漂亮的准确率报表上,而体现在你敢不敢按建议下单。
我们现在每周的固定动作只有三件:周五对账一小时,每月清理一次重复编码和停用编码,促销活动开始前先把标记规则写好。六个人分摊下来,每人每周多花不了多少时间,却换来了预测能用这件事。反过来看,如果跳过这一步直接升级模型,等于花大钱请人来算一堆错数,算得越精细,错得越离谱。小仓的钱要花在刀刃上,刀刃就是数据本身。我们当时问过升级模型的报价,一年要多花好几万,还不保证准。而上面这五项清理,基本没花什么钱,花的只是每周几个小时的人工。更扎心的一点是:模型越贵,对脏数据越敏感。你给便宜模型喂干净数据,它能给出能用的数;你给贵模型喂脏数据,它只会错得更自信。投入产出比这笔账,小仓一定要先算清楚,再决定钱往哪花。
给同样规模的小仓留几条能直接抄的作业:建新编码之前先搜一遍有没有老编码在用,老编码停用要走确认;出入库当天清账,每周固定时间对一次快递账单;促销日单独标记,日常预测里剔出来;线上线下分开记,粒度跟着补货节奏走。做完这几条再看预测,如果还是不准,那时候再谈模型升级也不迟。
还有一条容易被忽视:清理数据别想着一次搞定。我们仓第一次全面清理花了将近两周,后面全靠每周的小维护顶着。数据脏是日常产生的,清理也得是日常动作,指望一年搞一次大扫除,中间照样会漏。把清理写进排班表,和盘点、补货放在同一个级别,预测才稳得住。
小仓有小仓的活法,不拼设备不拼团队,就拼谁的数据更干净。数据干净了,预测才配谈准不准。
作者:小马|小仓创业者,3000 平小仓主







