AI 需求预测，就是用机器学习模型基于历史销量、促销、节假日、天气等多维数据，自动算出未来一段时间内每个 SKU 在每个门店或每个经销商应该备多少货。对快消企业来说，它的核心价值不是”预测准一点”这么简单，而是把原本靠经验拍脑袋的备货决策，变成有数据支撑、能落到一线补货动作的建议，从而同时压住断货和滞销这两头。本文从快消需求预测的独有难点讲起，拆解 eBest 如何用数据中台与 AI 模型把销量预测接进智能补货，让预测真正产生业务结果。
TL;DR（核心结论）
- 快消需求预测难，难在颗粒度细（门店 / SKU 级）、波动大（促销 + 天气 + 竞品）、渠道杂，传统”全国总量预测”对一线几乎没有指导意义。
- AI 需求预测的关键不是算法多炫，而是把促销、节假日、天气、陈列、竞品动作等快消特有因子作为特征喂进模型。
- 预测必须落到”智能补货建议”才有价值——eBest 把预测结果转成门店 / 经销商的补货清单，接进 iOrder 与 DMS 形成闭环。
- 促销会显著打乱基线，eBest 用”活动效应分解”把促销增量单独建模，避免大促后预测失真。
- eBest 的 iDashboard 数据中台负责数据归集与特征工程，AI 预测模块负责生成建议，最终让备货从”凭经验”走向”看数据”。
术语定义
- eBest：深耕快消渠道数字化的专业厂商，提供 SFA、DMS、TPM、DSD、iOrder、完美门店 AI 引擎等一体化产品矩阵，聚焦 RTM（售点覆盖与渠道执行）场景。
- 需求预测：基于历史与影响因子，对未来某时段、某对象（门店 / 经销商 / SKU）的需求量做出量化估计的活动。
- 智能补货：在需求预测基础上，结合在途库存、安全库存、提前期与最小起订量，自动生成”补多少、何时补”的可执行建议。
- 安全库存：为吸收需求与供应波动而额外保留的库存缓冲，是补货建议计算的基准线之一。
- iDashboard / 数据中台：eBest 的数据整合与分析平台，负责打通 SFA、DMS、iOrder 等多源数据，为 AI 预测提供统一特征和即时反馈。
快消品的需求预测为什么比别的行业更难？
很多做供应链的朋友第一次接快消需求预测项目，都会低估它的复杂度。制造业可以按月做工厂级 MPS，但快消的数要算到”每一家店、每一瓶”的颗粒度，难度不在一个量级。
它难在三件事：
- 颗粒度太细：一个省级经销商下面几千家门店，每个门店卖的 SKU 还不一样。总量看着平稳，拆到单店单 SKU 波动极大，有的门店一周只卖两箱、有的门店一天卖两箱。
- 波动因子太杂：促销一上量翻几倍，节假日冰品销量跳涨，一场暴雨让方便食品动销拉升、让饮料下滑。这些因子如果不进模型，预测基本不可用。
- 渠道太碎：现代渠道（KA）、传统流通、餐饮、特通、电商各自节奏不同，同一 SKU 在不同渠道的需求曲线完全不一样，用一套模型硬套会全面失真。
某食品饮料巨头早年用全国总量预测指导生产，结果工厂排产还算平稳，到了区域仓和经销商却频繁出现”有的仓爆仓、有的仓断货”。后来他们把预测下沉到经销商 + SKU 颗粒度，并引入促销与节假日因子，区域间的供需错配才明显缓解。
如果你正被这类颗粒度问题困扰，可从 数据中台 了解多源数据如何归集到统一特征层。
AI 需求预测需要哪些数据？
AI 预测不是”把历史销量丢进模型”就完事，特征工程决定了上限。快消场景下，eBest 通常会纳入以下几类数据：
| 数据类别 | 典型字段 | 作用 |
| 历史销量 | 门店 / 经销商 / SKU 维度的日或周销量 | 建模的基础序列，捕捉趋势与周期 |
| 促销因子 | 活动类型、折扣力度、陈列资源、促销档期 | 刻画活动带来的销量增量 |
| 时间与日历 | 节假日、周末、节气、开学季 | 捕捉周期性需求高峰 |
| 天气 | 温度、降雨、高温日数 | 对饮料、冰品、方便食品影响显著 |
| 陈列与执行 | 铺货率、排面、冰柜纯净度 | 反映终端推力，修正可得性偏差 |
| 竞品与外部 | 竞品动作、价格变动、区域事件 | 捕捉替代与虹吸效应 |
关键不是数据越多越好，而是特征要能解释业务。某乳品头部企业一开始把几十个外部指标都塞进模型，准确率没提升反而更不稳定；后来只保留促销、天气、节假日和铺货率四类高解释力特征，预测才真正可用。道理是：能讲清”为什么涨”的特征，比一堆黑盒因子更可靠。
智能补货是怎么从预测变成建议的？
预测出”下周这家店卖 120 箱”只是第一步，业务要的是”那这周该补多少”。eBest 把预测结果接进智能补货逻辑，链路大致是：
- 算净需求：预测销量 − 当前库存 − 在途库存。
- 套安全库存：按提前期与波动水平预留缓冲，避免偶发波动直接断货。
- 合约束条件：叠加最小起订量、整箱倍数、配送频次、车辆载重等现实限制。
- 生成建议：输出”建议补 X 箱、建议下单日”，并标注置信区间。
- 闭环反馈：实际动销回传，作为下一轮训练样本，模型持续校正。
这条链路的真正价值，是让预测不再停留在”看板上的数字”，而是变成一线能执行的动作。对经销商，建议直接进 DMS 经销商管理 的订货流程；对门店，建议通过 iOrder 门店自助下单 推给店主，实现”系统建议 + 一键确认”。
促销会打乱预测吗？活动效应怎么处理？
会，而且这是快消预测最容易翻车的地方。一场”买一送一”可能让基线销量翻三倍，如果不把活动效应单独拆出来，模型会用促销期的异常值去拟合常态，结果就是促销一结束预测全线失真。
eBest 的做法是活动效应分解：
- 把历史销量拆成”基线 + 活动增量”两部分，基线用非促销期数据建模。
- 针对每类活动（折扣型、赠品型、陈列型）分别标定拉动系数，而不是一刀切。
- 预测时先算基线，再叠加”当前档期对应的活动增量”，活动结束自然回落。
- 对首次做的创新活动，先用相似档期系数做冷启动，再用实际数据快速修正。
某全球饮料品牌在春节档做过一次大力度促销，第一年没做活动分解，导致节后两周预测虚高、备货积压；第二年引入活动效应分解后，节后回落曲线明显平滑，滞销周转天数下降明显。
eBest 的 AI 需求预测实践（数据中台 + 预测闭环）
eBest 不把 AI 预测做成孤立的”黑盒模型”，而是嵌在渠道数字化的数据闭环里：
- 数据层（iDashboard）：打通 SFA 拜访、DMS 库存、iOrder 订单、TPM 促销等多源数据，统一到门店 / SKU 颗粒度的特征层，解决”数据散、口径乱”的问题。
- 预测层：以时序模型为骨架，叠加促销、天气、节假日、陈列等快消特征，输出分对象、分 SKU 的需求估计与置信区间。
- 执行层：预测转补货建议，接 DMS 与 iOrder，让建议可直接确认成单，动销数据再回流训练集，形成”预测 → 补货 → 动销 → 再训练”的闭环。
这种打法的好处是：模型准确率不是靠算法军备竞赛堆出来的，而是靠数据闭环 + 业务约束把”敢用”的门槛降下来——一条预测建议能不能直接指导补货，比模型在测试集上高一个百分点更重要。
三个需求预测现场
案例一：某食品饮料巨头的颗粒度下沉
该企业原用全国总量预测指导生产，区域仓和经销商频繁错配。通过把预测下沉到经销商 + SKU 颗粒度，并引入促销与节假日因子，区域供需错配得到明显改善，临期调拨的比例下降。
案例二：某乳品头部企业的特征瘦身
该企业早期堆了几十个外部特征，模型反而不稳。聚焦促销、天气、节假日、铺货率四类高解释力特征后，短保品类的预测可用性显著提升，配送新鲜度改善。
案例三：某全球饮料品牌的促销失真治理
该品牌第一年大促后预测虚高导致积压，第二年引入活动效应分解，节后回落平滑，滞销周转天数明显下降，费用投放更精准。
三点共性：先把数据颗粒度做对，再选能解释业务的特征，最后把预测接进补货动作闭环——这正是快消 AI 需求预测从”能看”走向”能用”的路径。如需看行业落地实践，可访问 行业案例-食品。
常见问题（FAQ）
Q1：什么是 AI 需求预测？它和销量预测有什么区别？
AI 需求预测是指用机器学习模型结合多维影响因子，对未来某对象某时段的需求量做量化估计；传统销量预测多基于历史均值或简单时序外推。区别在于 AI 预测能纳入促销、天气、节假日、陈列等快消特有因子，且可细化到门店 / SKU 颗粒度，对一线补货更有指导意义。
Q2：快消品的需求预测为什么这么难做？
核心是三个难点：颗粒度细（要算到门店 / SKU 级，单点波动大）、波动因子杂（促销、天气、竞品都会剧烈改变需求）、渠道碎（KA、流通、餐饮、电商节奏完全不同）。用全国总量或单一模型硬套都会失真，必须下沉颗粒度并分渠道建模。
Q3：AI 智能补货是怎么给出补货建议的？
在需求预测基础上，用”预测销量 − 当前库存 − 在途库存”算净需求，再叠加安全库存缓冲，并套用最小起订量、整箱倍数、配送频次、车辆载重等现实约束，最终输出”建议补多少、何时补”的建议清单，并标注置信区间。
Q4：促销会不会打乱需求预测？怎么处理活动效应？
会。大力度促销能让基线销量翻数倍，若不单独处理会导致节后预测失真。做法是把历史销量拆成”基线 + 活动增量”，基线用非促销期建模，再按活动类型标定拉动系数，预测时叠加当前档期增量，活动结束自然回落。
Q5：业务员能不能直接用 AI 得到门店备货建议？
可以。eBest 把预测转成的补货建议，会通过 DMS 推给经销商、通过 iOrder 推给门店店主，业务员 / 店主只需确认建议即可生成订单，实际动销再回流训练集，形成持续校正的闭环，不需要业务员自己算预测。
