小型零售商的需求预测：从凭感觉补货到值得信赖的再订货点

一家三店连锁的家居用品商，卖得最好的那款水壶每个货架上都空了。周五早上老板一进店，就有一位顾客在问能不能买展示样品，供应商说下一批货要两周后才到。与此同时，仓库角落里有一箱 140 个烛台，从去年 10 月放到现在，没人问津。

这不是谁偷懒。水壶的再订货点是几个月前凭感觉定的，那时它每周卖 30 个。现在每周卖 50 个，却没人重新算过。（这是一个虚构的场景，并非真实门店。）

要解决这个问题，并不需要数据科学团队。你需要的是干净的销售历史、一两个简单的公式，以及把精力放在真正重要的商品上的自觉。大部分收益来自几个小习惯，而不是复杂的模型。

本文用一个贯穿始终的示例，带你走完整个流程，示例中的 SKU 和那把水壶一样每周卖 50 件：清洗历史数据，用移动平均做预测，衡量误差，把预测变成可以信赖的再订货点，再判断每个 SKU 值得投入多少精力。示例中的所有数字均为假设数据。

预测的是需求，不是销量

系统记录的是销量，而你要预测的是需求：如果货架从没空过、也没发生任何异常，顾客本来会买多少。

两者的差距比很多人想的要大。一款商品断货三天，这三天的销量就是零，简单粗暴的预测会把它当成需求疲软。结果下一次订货量偏小，商品又断货。这个循环会悄悄压缩你最畅销商品的销售规模。

预测之前，先清洗历史数据

动用任何公式之前，先花十分钟看看每个重点 SKU 最近 8 到 12 周的数据，留意四件事：

• 断货。库存为零的那些天，需求会被低估。按正常的日均销量估出损失的销量，补回去。
• 一次性大宗订单。某家公司为活动一次买 10 件，不代表趋势。把多出的部分剔除，否则预测会去追一个不会再来的峰值。
• 促销。折扣周会把未来的销量提前拉到当下。给它打上标记，然后要么剔除，要么把促销周和正常周分开预测。
• 退货。先决定预测的是总销量还是扣除退货后的净销量。对退货率高的商品，真正需要补的是净需求。

下面是一个假设 SKU 八周的数据。第 2 周有一笔 10 件的一次性大宗订单；第 4 周该商品断货一天（按正常日均 50 ÷ 7 计算，约损失 7 件销量）。

周次	记录销量	调整	清洗后需求
1	44	0	44
2	71	−10（大宗订单）	61
3	52	0	52
4	31	+7（断货一天）	38
5	55	0	55
6	49	0	49
7	63	0	63
8	38	0	38

清洗后合计 400 件，平均需求为每周 50 件。原始合计是 403，几乎一样，但逐周的走势有两处被扭曲。扭曲有多大因商品而异，对销量更小的 SKU，这甚至可能直接改变结论。

趋势与季节性：普通平均值看不到的两样东西

普通平均值默认下周会和前几周差不多。有两种规律会打破这个假设。

趋势是几个月里销量缓慢上升或下降。如果一款商品连续一个季度每月增长 5%，那么最近八周的平均值永远会落后于现实。

季节性是反复出现的规律：冬季外套、开学前的文具、春节和双十一的购物高峰、雨季、婚庆旺季。最简单的处理办法是季节指数：某个月的平均销量除以全年各月的平均销量。12 月的指数是 1.4，就表示 12 月比普通月份多卖 40%。把基础预测乘以这个指数即可。

要靠谱地估算季节性，至少需要两年的历史。不到两年的话，就把去年同期当作粗略参考，再配合已知活动的日历，别太迷信它。

先用最简单、管用的方法

对于需求稳定的 SKU，移动平均很难被超越：把下周预测设为最近四周的平均值。它容易解释，容易手工核对，反应又足够迟缓，不会被随机波动牵着走。如果想进一步了解指数平滑，以及能加入趋势和季节性的其他方法，免费教材 Forecasting: Principles and Practice 是不错的下一步。

检验任何方法，最靠谱的做法是回测：假装现在是过去，预测你已经知道结果的几周，再对照。用上面清洗后的数据，四周移动平均对第 5 到第 8 周的预测如下：

周次	预测（前 4 周平均）	实际	误差（实际 − 预测）	绝对误差
5	48.75	55	+6.25	6.25
6	51.50	49	−2.50	2.50
7	48.50	63	+14.50	14.50
8	51.25	38	−13.25	13.25
合计	200.00	205	+5.00	36.50

衡量误差：WAPE 与偏差

两个数字就能告诉你预测有没有用。

WAPE（加权绝对百分比误差）是总绝对误差除以总实际需求。按上表：36.5 ÷ 205 = 17.8%。它让销量大的商品占更大权重，当个别周销量很低时也不会失真，普通的 MAPE 做不到这一点。

偏差是总预测减去总实际，再除以总实际：(200 − 205) ÷ 205 = −2.4%。偏差为负，说明你一直预估偏低。如果偏差连续好几周停在同一侧，就该着手修正了，因为这意味着每一次订货都在朝同一个方向出错，要么偏小，要么偏大。

这两个指标要按 SKU 或品类分别跟踪，不要只看全店一个数。全店数字好看，可能掩盖了十几款一直预测不准的商品。也没有放之四海皆准的目标：稳定的日用品 WAPE 可以做到 10% 以下，而时尚单品即使是 40%，只要安全库存设置得当，照样能管好。

从预测到再订货点

预测告诉你会卖多少，再订货点告诉你什么时候下单。规则很简单：

再订货点 = 提前期内的需求 + 安全库存

提前期内的需求等于周均需求乘以供应商的提前期。我们的 SKU 每周卖 50 件，供应商需要 2 周，所以提前期内的需求是 50 × 2 = 100 件。

安全库存是应对销量高于平均的那些周的缓冲。常用公式是：

安全库存 = z × σ × √L

• z 由你想要的服务水平决定。95% 对应 z = 1.65（精确值为 1.645）。
• σ 是周需求的标准差：需求围绕平均值通常会波动多大。
• L 是以周为单位的提前期。之所以开平方，是因为时间越长，波动会部分相互抵消。

在我们清洗后的数据中，各周与 50 的偏离分别是 −6、+11、+2、−12、+5、−1、+13、−12。它们的平方和为 644，644 ÷ 7 = 92，所以 σ = √92 ≈ 9.6 件。在 95% 的服务水平、L = 2 周时：

1.65 × 9.6 × √2 = 1.65 × 9.6 × 1.414 ≈ 22 件

再订货点 = 100 + 22 = 122 件。当可售库存（现有库存加在途库存，再减去已为顾客预留的部分）降到 122 件时，就该下单了。

服务水平的真实成本

这里的服务水平，指一个补货周期内不发生断货的概率。每多提高一点，成本都比上一点更高。

服务水平	z	安全库存	再订货点
90%	1.28	17	117
95%	1.65	22	122
99%	2.33	32	132

从 95% 提到 99%，要多备 10 件，缓冲增加 45%，换来的是预期断货从大约每 20 个周期一次降到大约每 100 个周期一次。对主打商品来说，这是便宜的保险；对周转慢、占地方的商品则不然。

这个公式假定供应商守时。如果提前期本身也会波动，就用扩展公式 z × √(L × σ² + d² × σL²)，其中 d 是周均需求，σL 是提前期（以周计）的标准差。实际操作上就是：记录每次真实的到货时间，对不守时的供应商多留一些缓冲。

该订多少

再订货点告诉你什么时候下单，订多少则由目标水平决定：订够数量，把库存位置（现有库存加在途库存，再减去已预留的部分）补回到这个水平。每周复核时，一个实用的目标水平是：提前期内的需求，加上一个复核周的需求，再加安全库存：50 × 3 + 22 = 172 件。如果检查时库存位置是 118，订货量就是 172 − 118 = 54 件。

然后套上供应商的条件。如果最小起订量是 60 件，或者商品按每箱 12 件发货，54 都要向上取整到 60。流程图画出了完整的每周决策，包括数据检查这一步，它能防止断货的那一周把下周的订货量压小。

ABC/XYZ：每个 SKU 值得多少精力

你不可能对每个 SKU 一视同仁。两种快速分类可以帮你决定精力往哪放。

ABC 按价值给商品排序。按通行做法，A 类是贡献约 80% 收入的头部商品，B 类是接下来的 15%，C 类是最后的 5%。XYZ 按可预测性排序，用变异系数（σ ÷ 平均需求）衡量。常见的分界线是：X 低于 0.5，Y 在 0.5 到 1.0 之间，Z 高于 1.0。可以按自己的业务调整。

我们这个示例 SKU 的变异系数是 9.6 ÷ 50 = 0.19，属于 X。如果它同时是畅销品，就是 AX：最适合自动再订货点加每周复核的类型。

比起标签，更重要的是习惯：CZ 类商品不该占用你每周一个小时，AZ 类商品也不能只交给公式了事。

机器学习的用武之地

机器学习模型在以下几种情况下才物有所值：

• 成千上万个 SKU，没人能逐个手工调参。
• 有很多有价值的信号：价格变动、促销、天气、节假日、竞品库存、网站流量。
• 没有历史数据的新品，模型可以从相似商品中学习。
• 相互关联的商品，比如替代品和组合装，它们的销量会一起涨跌。

对于只有几百个 SKU、历史数据又短的小店，它并不合适：做好数据清洗的移动平均通常同样准确，而且让人放心得多。一个你无法向采购人员讲清楚的模型，采购人员最后还是会凭自己的判断推翻它。

无论选哪种方法，检验标准都一样：在你自己的回测上，拿它和一个简单基线比。如果它在 WAPE 上没有明显优于移动平均，那就继续用移动平均。在投入任何复杂方案之前，先把基础打牢：准确的库存盘点、每一笔库存变动的记录，以及干净的销售历史。把这些集中管理的软件，比如 StoreConsole 的库存模块，能让清洗这一步少很多手工操作。下面这段简短的演示，展示了按 SKU 设置的低库存提醒，以及为预测提供依据的库存变动记录。

每周 30 分钟的计划例会

预测只有变成习惯才有回报。前期设置完成后，这套流程半小时就能走完。

1. 检查数据质量（5 分钟）。查看 A 类商品上周销量中的断货、大宗订单和促销，并做相应调整。
2. 更新预测（5 分钟）。刷新 A、B 类商品的移动平均；该用季节指数的时候就用上。
3. 复盘准确度（5 分钟）。查看 A 类商品的 WAPE 和偏差。对偏差连续三周停在同一侧的 SKU，要查明原因。
4. 核对再订货点（5 分钟）。列出已经到达或低于再订货点的商品，以及在下一批货到之前就会到达的商品。
5. 下单（5 分钟）。下单，并记下供应商承诺的到货日期，以便和实际到货时间对照。
6. 处理 Z 类商品（5 分钟）。决定哪些需求乱的商品按实际需求再订货，哪些干脆不再备货。

每个季度，重新审视 ABC/XYZ 分类，更新季节指数，并用最新的 σ 和实测提前期重新计算安全库存。

回到那把水壶。有了 122 件的再订货点和上面的每周流程，可售库存一碰到 122 就下单，此时货架上还剩大约两周半的销量。烛台属于 CZ 类，不再占着仓库角落，而是每季度被问一次“留还是不留”。周五照样会有意外，但不会再是这一种。

核心要点

• 预测需求，而不是销量：补回断货损失，剔除一次性大宗订单，给促销打标记。
• 四周移动平均是稳定 SKU 的强力基线；有了两年历史之后，再加上季节指数。
• 再订货点 = 提前期内的需求 + 安全库存，安全库存 = z × σ × √L。示例中，95% 服务水平下：100 + 22 = 122 件。
• 按 SKU 跟踪 WAPE 和偏差。长期停在同一侧的偏差，是你可以修正的缺陷。
• 用 ABC/XYZ 把精力花在刀刃上：AX 自动化，AZ 人工盯，CZ 放手。
• 只有 SKU 多、信号多时才考虑机器学习，而且前提是它在你自己的数据上胜过简单基线。

Anichur Rahaman 是一名软件架构师，也是 StoreConsole 的创建者。他为成长型企业设计电商与 ERP 系统，专注于事件驱动架构、数据完整性和自托管部署。