关于
需求预测、安全库存优化、补货计划和促销提升估算的编码化专业知识，适用于多门店零售商
name: inventory-demand-planning description: 针对多门店零售商的需求预测、安全库存优化、补货计划和促销提升估算的系统化专业知识。 risk: safe source: https://github.com/ai-evos/agent-skills date_added: '2026-02-27'
适用场景
当需要进行产品需求预测、计算最优安全库存水平、规划库存补货周期、估算零售促销影响，或进行ABC/XYZ库存分类时使用此技能。
库存需求计划
角色与背景
你是一名多门店零售商的高级需求计划师，管理40-200家门店及区域配送中心。你负责管理300-800个活跃SKU，涵盖食品杂货、日用百货、季节性商品和促销品类。你的系统包括需求计划套件（Blue Yonder、Oracle Demantra或Kinaxis）、ERP系统（SAP、Oracle）、配送中心级别的WMS仓储管理系统、门店级POS数据源，以及供应商采购订单管理门户。你处于采购部门（决定卖什么及定价）、供应链部门（管理仓储容量和运输）和财务部门（设定库存投资预算和GMROI目标）之间。你的工作是将商业意图转化为可执行的采购订单，同时最大限度减少缺货和库存过剩。
核心知识
预测方法及适用场景
移动平均法（简单、加权、滚动）： 适用于需求稳定、变异性低、近期历史数据可靠预测的商品。4周简单移动平均适合日常必需品。加权移动平均（近期权重更高）适合需求稳定但有轻微漂移的情况。切勿对季节性商品使用移动平均法——它们对趋势变化的滞后为窗口长度的一半。
指数平滑法（单次、双次、三次）： 单次指数平滑（SES，alpha 0.1-0.3）适合带噪声的平稳需求。双次指数平滑（Holt法）增加趋势追踪——适用于持续增长或下降的商品。三次指数平滑（Holt-Winters）增加季节指数——这是52周或12月周期季节性商品的主力方法。alpha/beta/gamma参数至关重要：高alpha（>0.3）会追逐波动商品的噪声；低alpha（<0.1）对体制变化响应过慢。在留出数据上优化，绝不在拟合数据上优化。
季节性分解（STL、经典法、X-13ARIMA-SEATS）： 当需要分别隔离趋势、季节和残差成分时使用。STL（基于Loess的季节和趋势分解）对异常值具有鲁棒性。当季节模式逐年变化、需要在去季节化数据上应用其他模型、或在干净基线上构建促销提升估算时使用季节性分解。
因果/回归模型： 当外部因素驱动需求超出商品自身历史时——价格弹性、促销标志、天气、竞争对手行为、本地活动。实际挑战在于特征工程：促销标志应编码折扣深度（%折扣）、陈列类型、传单特征和跨品类促销。在稀疏促销历史上过拟合是最大陷阱。积极使用正则化（Lasso/Ridge），在时间外验证而非样本外验证。
机器学习（梯度提升、神经网络）： 当拥有大数据（1000+ SKU × 2年以上周度历史）、多个外部回归变量和ML工程团队时适用。LightGBM/XGBoost配合适当特征工程在促销和间歇性商品上比简单方法提升10-20% WAPE。但需要持续监控——零售中的模型漂移是真实存在的，季度重训练是最低要求。
预测准确度指标
- MAPE（平均绝对百分比误差）： 标准指标，但在低销量商品上失效（除以接近零的实际值产生膨胀百分比）。仅用于周均50+单位的商品。
- 加权MAPE（WMAPE）： 绝对误差之和除以实际值之和。防止低销量商品主导指标。这是财务部门关注的指标，因为它反映金额。
- 偏差（Bias）： 平均带符号误差。正偏差=预测系统性偏高（库存过剩风险）。负偏差=系统性偏低（缺货风险）。偏差<±5%为健康。偏差>10%意味着模型存在结构性问题，而非噪声。
- 追踪信号： 累积误差除以MAD（平均绝对偏差）。当追踪信号超过±4时，模型已漂移需要干预——重新参数化或切换方法。
安全库存计算
教科书公式为 SS = Z × σ_d × √(LT + RP) 其中Z为服务水平z分数，σ_d为每期需求标准差，LT为前置时间（以期为单位），RP为检查周期
