需求预测不准,先别急着换模型,也别急着骂数据。我见过太多仓库一预测偏了就两头吵:计划说系统不行,系统说数据太脏,吵完一圈,货照样缺,呆滞照样堆。说白了,分锅不是为了甩责任,是为了把钱花在对的地方——数据的问题砸钱换模型没用,模型的问题天天洗数据也是白干。

先给结论:八成以上的预测偏差,仓库端用四步就能定位到是数据还是模型。定位错了,后面所有补救都是错的。

需求预测不准,先查数据还是先查模型

我 2021 年在一家洛杉矶附近的 3PL 仓库见过最典型的一出。黑五前两周,某家居客户一款台灯的预测是日均 800 件,仓库按这个数备了货、排了人。结果促销第一天只卖了 300 件出头,第二天直接断货——因为真正的峰值全挤在促销开场 48 小时,预测把量摊平到了整周。事后复盘,模型用的历史销量是按周汇总的,根本看不见"开场爆、随后塌"的日内形状;更要命的是,去年同期的促销数据里,客户临时改过一次价格,系统里只留了改价后的销量,没留改价记录。数据缺了一块,模型又拿错了粒度,两边各打五十大板。以下数字为举例测算:那一周这一个品类就多备了约四成库存,滞销尾货清了两个多月才出清。

查因有个笨办法,但管用。第一步看历史数据本身:销量记录有没有断档、促销有没有标注、退货和调拨有没有混进销量。第二步看粒度:预测是按天还是按周,SKU 是单品还是品类打包。第三步看外部变量:价格、促销、季节、渠道变化有没有进模型,还是模型只会拿着去年的数往前推。第四步看长尾:销量集中在头部还是拖着一条长尾巴。

这四步查完,责任基本就清楚了:

症状 更像哪边的问题 仓库端先查什么
促销一来就偏,大促必翻车 数据:促销、价格没进库 促销档案和改价记录齐不齐
平时准、换季就偏 模型:没吃季节性 季节因子是人工拍的还是系统算的
头部准、长尾全靠蒙 模型:长尾没法单品建模 长尾是不是该按品类聚类预测
同一款货,这个月准下个月偏 数据:提前期、到货记录乱 采购提前期有没有按实绩更新

这事分两面:数据问题修起来慢但见效稳,模型问题改起来快但容易改出新毛病。我的经验是先修数据——数据不干净,再好的模型也是在脏水里捞月亮。

需求预测错了,仓库的兜底清单

预测会错,这是前提,不是事故。仓库的本事不在把预测做准,而在预测错了不断货、不爆仓。2024 年我帮一家汽配分销仓复盘,他们的长尾件占 SKU 总数七成以上,单品月销量经常是个位数,模型对这类货基本就是猜。他们的办法不是死磕预测,而是把兜底做成制度:长尾件不按预测备货,按"过去 90 天实销加一个缓冲"备,缓冲按缺货一次的代价定;头部件才跟预测走,而且每周复核一次。结果那年旺季,头部缺货率下来了,长尾的呆滞也没再涨。以下为举例测算:一个长尾件多备两件的成本不过几十美元,缺一次货丢的却是一单生意,这个账仓库得会算。

兜底清单其实就四条。第一,安全库存别一刀切:按品类、按缺货代价分级设,贵的、急的、没替代品的多备,便宜的、好补的少备。第二,补货周期压短:预测越不准,补得越勤,错一次的代价越小。第三,设触发线不设死计划:销量一偏离预测超过阈值就人工介入,别等周会再复盘。第四,留一条人工改数的口子:一线最清楚促销和客户变化,系统要允许他们改,而且改了要留痕,事后能复盘谁改对了。

反常识的判断是这个:预测不准的时候,仓库多备一点货有时候比换模型更划算。不是让你乱囤,是算账——IHL Group 2026 年的库存失真研究说,全球缺货与积压损失约 1.7 万亿美元,占零售总额 6.2%,其中缺货占 65.6%,空货架一项约 6909 亿美元;还有 78% 的零售商每周或每月都会遇到库存不准。缺货的代价摆在那,模型升级的钱也不是小钱,两边放一起称一称再决定。

AI 预测的 ROI:先算账再掏钱

该说 AI 了。AI 预测确实能吃更多变量,促销、天气、价格弹性都能往里喂,但这事分两面:它贵在数据准备和持续维护,不贵在买软件那一下。数据脏、促销没标注、提前期没更新,你喂给 AI 的还是脏水,出来的还是脏结果,只不过脏得更体面。

怎么判断值不值?拿 MAPE 这把尺子量。行业常见口径:MAPE 在 10% 以下为优,10–20% 为好,20–35% 为常见,35% 以上就得查因。先量你现在的位置:如果你的核心品类已经在 10–20% 这一档,AI 再往下压几个点的收益很可能盖不住它的成本;如果长期在 35% 以上,先查数据,别急着上 AI——35% 以上多半是数据问题,AI 救不了。ROI 的算法也别只算"预测准了多少",要算"少缺了多少货、少压了多少库存、少了多少紧急补货的人工",这三笔加起来才是真收益。以下为举例测算:一家仓库每月紧急调拨十几次,每次搭进去半天人工和加急运费,这笔钱省下来,往往比 MAPE 降几个点更实在。

还有一句忠告:别信"上了 AI 就不用人了"。我见过太多团队把预测全交给系统,一线再也不看数,结果模型悄悄跑偏两个月才发现。AI 是帮你算得更快,不是帮你负责。负责人还得是仓库里那个天天看货的人。

预测不准不可怕,可怕的是不知道错在哪、错了没人兜底。先分锅,再兜底,最后才轮到谈 AI——你仓库的预测现在卡在哪一步?

作者:老米|供应链老兵