AI 做需求预测：从模型选择到踩坑实录
为什么我决定用 AI 做需求预测？
做供应链的人都知道，需求预测不是"要不要做"的问题，而是"怎么做才准"的问题。过去几年，我试过移动平均法、指数平滑法、ARIMA，甚至还自己写过一些简单的回归模型。不能说没用，但准确率始终在 60%-70% 之间徘徊。
2023 年底，我接手了一个新品类——小家电。这个品类有个特点：受季节性、促销活动、社交媒体热度、甚至天气的影响非常大。比如去年夏天一款便携风扇突然在抖音上火了起来，我们的预测模型完全没有捕捉到这个信号，导致断货了足足三周，损失了至少两百万的销售额。
这件事让我下决心尝试用 AI 做需求预测。经过半年多的摸索，踩了不少坑，也积累了一些经验，今天系统地分享出来。
第一步：明确你要预测什么
在选模型之前，先搞清楚你的预测目标。我见过很多人一上来就问我"用什么模型最好"，但其实模型选型完全取决于你要预测什么。
我把供应链需求预测分成三个层次：
第一层，长期战略预测（12-24 个月）。主要用于产能规划、仓储布局、供应商战略合作。这个层面对单点准确率要求不高，但对趋势方向要求很高。
第二层，中期运营预测（3-6 个月）。用于采购计划、生产排程、库存目标设定。这个层面需要相对准确的数字，误差控制在 20% 以内是及格线。
第三层，短期执行预测（1-4 周）。用于补货决策、物流调度、促销备货。这个层面误差容忍度最低，最好控制在 10% 以内。
我们按这个框架拆解后，发现最核心的是第二层和第三层。所以我们的 AI 模型重点解决这两个层次的问题。
第二步：模型选型的实战对比
我用两句话总结我试过的几种主流模型：
传统时间序列模型（ARIMA、Prophet）
优点：可解释性强，训练快，数据量要求低。缺点：只能捕捉线性趋势和周期性，对促销活动、社交媒体热度这类外部因素的敏感性为零。
我的结论：如果你的业务比较稳定，没有太多外部扰动，用 Prophet 就够了。我们拿 Prophet 做了一些常规品类的基线预测，准确率大概在 65%-75%。
机器学习模型（XGBoost、LightGBM）
优点：可以加入很多外部特征（天气、节假日、促销计划、竞品价格），非线性拟合能力强。缺点：特征工程很累，需要大量的数据清洗和特征提取工作。
我们在这个方向投入最大。把过去三年的销售数据、促销日历、电商平台流量数据、节假日信息、甚至天气数据全部整理好，用 XGBoost 训练了一个预测模型。准确率提升到了 78%-85%，效果明显。
深度学习模型（LSTM、Transformer）
优点：能捕捉复杂的时序依赖关系，理论上效果最好。缺点：需要大量数据（起码三年以上的日级别数据），训练时间长，模型调参复杂，而且容易过拟合。
我们试了 LSTM，在小家电这个品类上效果反而比 XGBoost 差一些。原因可能是我们的数据量还不够大（只有三四年），而且小家电的销售模式受外部冲击影响太大，深度学习的"记忆"反而成了拖累。
第三步：我们是怎么做的（技术方案简述）
最终我们采用的是一个混合方案。用 XGBoost 作为主模型，处理带大量外部特征的需求预测；同时用 Prophet 做一个基线参考，当 XGBoost 的预测结果与 Prophet 偏差超过 30% 时，触发人工复核。
数据方面，我们搭建了一个自动化的数据管道：每周从 ERP（SAP）拉取销售历史，从电商平台取流量和转化数据，从天气 API 取预测天气，从营销日历取促销计划——所有这些数据汇入一个数据仓库，然后喂给模型训练。
输出方面，我们不仅给了预测值，还给了置信区间和影响因子分析。比如："下周 SKU001 预测销量 5000 台，置信区间 4300-5800。主要增长驱动力：母亲节促销活动预期带来 +15% 增量。"这样计划部门知道自己该留多少安全库存。
踩坑实录：那些让我想砸电脑的时刻
第一个坑：数据质量是最大的敌人。我们一开始用的销售数据里有大量的退货订单没有剔除，导致模型认为"这个产品卖得很好"然后建议多备货，实际上好几十单是退回来的。这个坑花了我们两周才定位到。教训：花 70% 的时间清理数据，30% 的时间训练模型。
第二个坑：不要把促销数据当"正常数据"来训练。促销期间的销量可能是平时的 5-10 倍，如果模型不加区分地学习，它会觉得"这个产品平时也能卖 1000 台"，导致平时备货过多。正确的做法是把促销数据单独标记，或者用"促销弹性系数"来做归一化处理。
第三个坑：模型漂移是真实存在的。你的模型可能在 1 月份表现很好，到 6 月份就莫名其妙地不准了。因为消费者的行为、市场环境、产品生命周期都在变化。我们现在的做法是每个月重新训练一次模型，并且每周监控预测误差。一旦误差持续超过阈值，立即触发模型重训。
第四个坑：AI 预测只是参考，不是决策。这个道理很简单，但很多人（包括我自己一开始）用上 AI 后就过度依赖。有一次模型预测某款产品下个月销量会翻倍，原因是"搜索热度上升"，结果采购下单后才发现搜索热度是竞争对手投放广告带来的，跟我们自己的产品没啥关系。从那以后，我们坚持一个原则：AI 给出预测和依据，但最终的采购决策必须由人来做。
效果怎么样？说点大实话
用了 AI 做需求预测之后，我们品类的库存周转率从 8.2 次/年提升到了 11.5 次/年，缺货率从 12% 降到 6% 左右。这些数字看起来不错，但说实话，至少有一半的提升是来自我们梳理数据和流程带来的，AI 模型本身贡献了剩下的一半。
所以我的建议是：不要神话 AI 需求预测。它不是一个"输入数据就能得到准确答案"的黑盒子。它需要好的数据、好的特征、好的流程配合。如果你现在还没有系统化地管理你的销售数据，先把这个基础打好，再考虑上 AI 模型。
下一篇我会聊聊怎么用 n8n 和 Dify 搭建 AI 工作流，把 AI 真正嵌入到日常业务流程中，让工具为大家干活而不是大家为工具干活。
—— Alen
