企业官网建设流程全解析

做供应链的人应该都有同感，“需求预测”和“分仓规划”这两件事，放在招聘JD里是两种岗位，落到业务上却是一根绳上的蚂蚱。我在菜鸟体系里接触过不少类似的智能供应链项目，这个标题看起来朴实，实际上把电商物流最核心的库存效率问题全点出来了：货备多少、备在哪、什么时候补过去，这三个问题不解决，后面谈时效、谈体验、谈成本都是空的。

这个项目最值得说的，不是哪个模型多精妙，而是怎么把“预测”和“仓网”这两套逻辑真正咬合在一起。很多团队做预测只交付一个数字，做分仓只拍一个网络拓扑，结果预测报告做得漂漂亮亮，仓库里该缺货还是缺货，该积压还是积压。所以这篇复盘我想从业务定义、预测模型、分仓决策到落地踩坑，把这一整条链路完整拆一遍。适合刚接手供应链计划、数据产品，或者在做仓网优化项目的同学参考，至少能少走几个月弯路。

1. 先把业务问题定义清楚：预测的是销量还是发货量

需求预测看着是数据问题，第一步却往往是业务问题。不把口径定清楚，后面所有模型都是在给错误的目标做拟合。

1.1 预测口径：前台销量、GMV还是出库件数

做电商的人对几个数字应该很熟：前台页面上的销量、交易系统里的GMV、仓库实际发出的件数。这三个数字在某些场景下差别巨大。预售商品可以计入前台销量，但仓库今天根本不出货；用户下单之后退款了，GMV记了一笔，仓里不用拣货；还有拦截、拒收、改地址，每一个异常订单都在制造预测口径的偏差。

在菜鸟这种仓配一体的场景里，需求预测最终是给仓储作业和运输计划用的，所以我建议直接把预测目标定成“可执行出库量”，也就是某个SKU在某个仓库、某一天实际需要拣货并发出的件数。这个口径的好处是和WMS、TMS的执行数据完全对齐，模型预测出来的数字可以直接对接到补货逻辑和产能排班。如果非要看GMV，那只能作为辅助参考，不能作为库存补货的依据。

口径定错会引发一个典型问题：前台销量看着很高，预测模型按历史销量训练，结果仓库库存早就被预售占用，实际可售库存为负，补货单却迟迟没触发。最后消费者等货，运营催仓，数据团队背锅。其实根子就在一开始没把“预测目标”和“执行目标”统一。

我一般在项目启动前会和业务方对齐一个口径表，至少包含四类：订单口径、支付口径、出库口径、签收口径，并且明确每个口径对应哪些状态字段。别看这一步简单，能做到的团队真不多。

1.2 预测粒度：SKU×仓×日，还是类目×区域×周

口径定了，下一个问题是预测的粒度。菜鸟的仓网是典型的区域仓加前置仓布局，订单从哪个仓发，决定了时效和成本。所以预测必须落到“SKU仓日”这个最细粒度，也就是每个SKU在每个仓库每天的出库量。只有到这个粒度，分仓规划才有意义，否则你只知道全国要卖一万件，却不知道这一万件该放杭州仓、广州仓还是成都仓，等于白预测。

但“SKU仓日”粒度听着干净，做起来非常痛。长尾SKU在单仓单日可能只有零星的几单，用任何模型都很难预测准；新品的生命周期只有几周，历史数据不足；大促期间的流量剧变，让日常模型训练出来的参数全部失真。所以我不建议所有SKU都硬上同一个模型，而是分层处理。

实际项目中我的做法是：高周转SKU（日销几十件以上）用细粒度时序模型或机器学习模型，逐仓逐日预测；腰部SKU用类目和区域维度的模型，再做仓内比例拆分；长尾SKU干脆不单独预测，直接合并到类目池里做整体水位管理，配合安全库存兜底。预测的时间窗口一般滚动到14天、30天、90天三个版本，14天给补货，30天给调拨，90天给仓网规划。

这个分层策略看着不智能，但非常实用。因为模型在稀疏数据上强行预测出来的数字，误差大到没法用；与其得到一个好看的“伪精准”结果，不如承认不可预测，用策略去补位。

1.3 需求类型拆解：日常需求、促销需求与新品需求

如果把所有销量混在一起建模，最后得到的是一堆互相污染的参数。日常需求通常平稳，有周期性；促销需求则是脉冲式的，受流量、折扣、库存深度影响；新品需求没有历史数据，完全依赖相似品和流量预测。三者放在一个模型里，模型会非常困惑。

我习惯在特征工程和模型训练阶段就把需求拆开。日常需求用历史同期加趋势季節性建模；促销需求单独看活动因子，比如大促期间的流量倍数、转化率变化、价格弹性；新品需求则用同品类老品做冷启动。尤其是大促的那一波，一定要把活动标识、报名商品、折扣力度作为特征喂进去，否则预测出来的数字会让人怀疑人生。

拆完之后还要合回来。库存补货看的是总需求，所以最后要把基线预测和增量预测相加，而不是在同一个模型里“顺便预测”。这个加法要符合业务节奏，比如大促预热期的预估单量、正式期的爆发量、返场期的回落量，每一段的预测因子都不同。

2. 需求预测的落地路径：模型选型与特征工程

很多同学一上来就聊DeepAR、Transformer、XGBoost，我的建议是先别急着追新。模型选型是一个“从简单到复杂、从粗到细”的演进过程，先用简单模型跑通链路，再逐步替换，否则你连bad case归因都做不清楚。

2.1 先有基线模型，再做差异化模型

任何需求预测项目，第一个里程碑都应该是一个可解释的基线模型。最简单的做法是取过去四周同仓同SKU的日均出库，叠加周几系数、月末效应、节假日参数，形成一个基准预测。这个基线可能不准，但它能帮你检验数据管道、口径、评估体系是否正常。

当基线模型稳定之后，再按SKU分层引入更复杂的模型。在菜鸟这个项目里，我们当时对高周转SKU用的是LightGBM加上时间序列特征，因为树模型对特征交互的拟合能力强，也能自然处理SKU、仓库、活动等类别特征。对部分特爆款，也试过用时序深度学习模型做多步预测，效果没有比LightGBM拉开质的差距，但训练和调参成本高不少。

关于模型我见过一个误区：以为模型越复杂越准。实际上在高波动的电商场景里，误差的主要来源不是模型能力不够，而是数据里掺了太多业务异常。比如某个链接缺货两周，复售后销量反而暴涨，模型如果不知道断货事件，很容易把这两周的低值算进历史均值。这类问题靠特征工程解决，而不是靠换模型。

2.2 特征体系：除了历史销量，还能利用什么

销量预测的特征可以分成几类：历史序列特征、日历特征、业务事件特征、外部环境特征。历史序列特征包括滞后N天的销量、滚动均值、滚动标准差、最近一天销量、周同比等。日历特征包括星期几、是否月初月末、是否节假日、距离最近大促的天数。业务事件特征包括价格、折扣、是否参加活动、库存深度、是否断货恢复。外部环境特征包括天气、热搜指数、流量预估等。

这里我特别想讲两个容易被忽视的特征：库存深度特征和生命周期特征。当可售库存接近零时，销量会被截断，模型看到的“实际销量”是被拍脑袋补货和限购扭曲过的。如果补货跟不上，明明需求很强，历史销量却很低，模型会学到一个错误规律。所以我会把“当天库存是否断货”“断货持续天数”“恢复后第几天”这些字段作为特征引入，让模型学会识别断货影响。生命周期特征则是给每个SKU打一个阶段标签：导入期、成长期、成熟期、衰退期，不同阶段的趋势和方差完全不同，分阶段建模或加对应特征能明显降低预测误差。

特征工程做完之后，一定要做数据版本管理。我见过太多项目，业务方改了一个字段定义，第二天模型输出全变了，排查半天才发现是上游表结构变了。预测链路越长，越需要固化特征生产流程，给每个模型的输入输出打上版本号。

2.3 模型评价与纠偏：别只盯着MAPE

预测模型常用的指标有WAPE、MAPE、RMSE和Bias。很多人喜欢看MAPE，但这个指标对低销量SKU特别不友好。一个日销1件的SKU，预测错了1件，MAPE就是100%；一个日销1000件的SKU，预测错了50件，MAPE只有5%。如果直接按所有SKU的MAPE求平均，长尾 SKU 会把整体指标拉得很差，但业务上它只影响一两件货，根本不需要精细预测。

我建议评价指标分两层：一层用WAPE看整体加权误差，公式是绝对误差和除以实际值之和；一层用Bias看系统性偏差，公式是（预测值之和减去实际值之和）除以实际值之和。Bias比MAPE更贴近库存决策，因为正的Bias意味着整体高估，会导致库存积压；负的Bias意味着整体低估，会导致缺货。库存计划里，我们甚至可以主动设定目标Bias，比如爆款SKU的Bias略微为正，保证现货率；普通SKU的Bias尽量接近零，控制周转。

模型上线不等于工作结束，还需要建立滚动回测机制。每周用历史数据重放一遍模型，看最近四到八周的预测误差是否在容忍范围内，一旦误差连续恶化，马上排查原因。排查时先看数据管道是否异常，再看业务事件是否没有被识别，最后才怀疑模型参数需要重训。

3. 分仓规划怎么做：从预测结果到仓网布局

需求预测只回答“要备多少货”，分仓规划回答“货放在哪里”。这两个问题必须串联起来看，否则很容易出现全国库存量看着充足，但区域间调配不动、时效达不到的尴尬局面。

3.1 分仓的本质：把正确数量的货放到正确的仓

不同地区的消费者购买偏好差别很大，同一个SKU在江浙沪可能是日销上千的爆款，在西北可能一周才卖几件。分仓规划的第一步，就是把第一节算出的预测值按仓域拆解，得到每个SKU在每个区域的需求分布。这一步做不好，后面全是空中楼阁。

拆解的方法有两种：一种是先做全国性预测，再按历史占比拆分到仓；另一种是直接在每个仓维度做独立预测。前一种实现简单，但拆出来的数字很容易在低销量SKU上失真。后一种更准，但需要每个SKU在每个仓都有足够的历史样本。我实际用的混合方案是：高销量SKU用仓级预测，中低销量SKU用区域预测并叠加仓域吸收系数。所谓吸收系数，就是根据收货地址聚类，算出每个仓可以覆盖哪些区域的订单，再把区域需求映射到仓。

分仓规划还要考虑一个“风险共担”效应。把库存集中在一个大仓，虽然时效变差，但总安全库存可以降低；把库存分散到多个前置仓，时效好、覆盖广，但每个仓都要备一份安全库存，总库存就会上升。这个权衡在SKU层面差异很大：高价值、长尾、需求波动大的商品，适合集中存放；低价值、高频、竞争激烈的商品，适合前置铺货。这就是分仓里最经典的ABC分类逻辑。

3.2 分仓数量与布点：不是越多越好

很多业务方会有个直觉：仓越多，时效越好，客户体验越好。但仓越多，租金和运营成本越高，更关键的是，每个仓都要放库存，一旦需求波动，某仓缺货、某仓积压的概率也在增加。所以分仓数量本质上是成本、时效、库存三者的一个权衡问题。

在做布点规划时，我习惯先拿历史订单数据做发货地址聚类，找到几个候选城市。然后把这些候选仓组合成不同方案，比如全国3仓、5仓、8仓、12仓，跑一遍仿真：把真实历史和预测数据灌进去，按不同仓储成本和运输时效计算履约率、现货率、库存周转和总成本。最后不是选成本最低的方案，也不是选时效最好的方案，而是选一个“时效满足业务底线、总成本最优”的平衡点。

以一个简化案例来说：全国单仓方案库存周转天数大约25天，但次日达覆盖率只有20%；五仓方案库存周转天数上升至32天，次日达覆盖率能达到60%；八仓方案次日达覆盖率进一步到75%，但库存周转天数到了40天，且部分前置仓日均单量太低，仓储人工成本明显增加，投资回报率已经下降。这时候需要管理层拍板，是用成本换体验，还是用体验换效率。预测数据和仿真结果在这中间是拍板依据，不是替代决策。

3.3 补货与调拨：让预测结果真正进入库存决策

分仓布局定下来之后，日常运转靠补货和调拨。补货计划的核心公式不复杂：净需求 = 预测未来N天需求量 - 当前可售库存 - 在途库存 + 目标安全库存。这里的N就是补货提前期，包括采购周期、运输时间、入库上架时间。预测越准，安全库存就可以定得越低。

安全库存的计算不能只看均值，还要看需求波动和提前期波动。常用的安全库存公式是SS = Z × σ_dlt，其中Z是服务水平对应的标准正态分位数，σ_dlt是提前期内需求的标准差。如果需求不稳定，还要在前面的公式里考虑预测误差的分布，而不是只依赖历史均值。我在实际项目中会把预测模型的Bias作为系数校准安全库存：模型系统性偏低时，安全库存自动加高；模型偏移校正后，再调回正常水平。

仓间调拨则是在静态分仓之后做的动态兜底。当某个仓的库存水位低于未来两周预测需求，且另一个仓有充足库存时，系统生成调拨建议。调拨触发不能只看单一库存阈值，要结合剩余可售天数、调拨提前期、干线运输成本、断货风险综合判断。比如某仓剩余可售天数只有3天，从其他仓调拨需要5天，那直接调拨就来不及，这个仓应该立即触发紧急补货或对消费者展示预售/延期。这些逻辑如果不在系统里固化成规则，分仓规划就永远停留在PPT层面，落不了地。

4. 实操中掉过的坑和排查方法

再好的方案，上线过程中总会遇到一堆意外。下面这几个坑是我在菜鸟这类供应链项目里反复遇到的，写出来给大家排雷。

4.1 预测不准，可能是数据口径先出了问题

有个让我印象很深的case：某个类目的预测误差从10%突然飙到30%，模型代码没人动过，训练数据也没异常。排查到最后发现，上游订单表里新增了一个“多仓拆单”逻辑：一个订单如果跨仓发货，拆成多个子订单，订单表的行数变多，导致历史“订单量”和“出库量”的关系被打破。而模型训练时用的是订单口径，执行端用的是出库口径，两边没有对齐。

这种问题在大型供应链系统里非常常见，最有效的排查方式是先画数据血缘图，明确每个字段从哪个业务系统来、经过哪些清洗、变成什么口径。然后每天跑一个一致性校验：订单量、支付量、出库量、签收量之间的逻辑差异是否在合理范围。只要校验不通过，测试环境里的预测模型就不放量，先把数据问题解决再谈精度。

4.2 全国预测很准，拆到仓就崩了

这是分仓规划最常见的痛点。全国口径的WAPE只有12%，看起来很不错，但拆到仓级之后，很多仓的误差超过40%。原因是各地需求结构不同，全国模型拟合的是平均规律，拆仓占比一波动，预测误差就跟着放大。

解决思路有两个。一是高销量SKU坚持仓级建模，不要让占比拆分去做颗粒度转译；二是对低销量SKU不要硬拆到仓，而是采用“大区池+仓内比例”的方式，用策略兜底。另一个是可以通过仓间调拨来吸收误差：即使仓级预测不准，只要大区总库存合理，调拨可以缓解局部缺货。前提是调拨频率和时效得跟上，否则预测误差会直接转化成缺货或积压。

4.3 新品和大促是没有历史数据的“双重灾区”

做预测最怕遇到没有历史规律的东西，新品和大促就是典型。新品上线没有历史销量，我的冷启动方法是找同类目、同价格带、同流量层级的老品作为参考，再根据新品近期流量趋势和转化率做缩放。也可以在模型里加入“新品年龄”特征，让模型自己学习一个生命周期曲线。大促就更难了，因为每次活动机制、流量渠道、参与商品都不一样。

对于大促预测，我一般会和运营团队提前对齐三件事：整体流量目标、折扣计划和库存深度约束。然后基于这几个输入做情景预测，给出悲观、中性、乐观三版需求。这样业务方可以根据大促实际进度，在D-7、D-3、D-1三个节点不断刷新预测数值，而不是拍死一个数字不动。这个“滚动刷新”机制，比把模型调到多精确都管用。

最后再说一个个人体会。需求预测与分仓规划这类项目，真正难的不是算法，而是让业务团队信任你的输出。我刚做项目的时候，总想着优化模型指标，后来发现业务方不关心WAPE从12%降到11%，他们关心的是：你为什么说这个品下周会缺货？备货依据是什么？如果预测结果不能给出可解释性的提示，业务方最终还是会凭经验拍脑袋，系统再准也推不动。所以我后来都会在预测报表里额外输出“预测原因摘要”：本周销量上涨是因为活动因素、季节因素还是历史趋势。这种解释能力，才是预测模型能被业务接受的关键。这个经验，比任何模型参数都值钱。