新品没有历史销量,第一版预测从哪里来:从相似款到七天后的更新

供应链预测与计划 · 第10篇

第9篇讨论了长期零需求夹杂少数订单的商品。新品则面临另一种缺口:连零销量的历史都还没有。销售给出首发目标200件,采购希望今天确定备料量,算法却要求至少一年的历史。三方都在等待一个实际上不存在的输入。

此时仍然可以做预测,但需要把依据写清楚:借用了哪些老款的经验,哪些商业条件已知,哪些只是试验假设,以及什么时候允许新证据改变判断。本篇先做一个能手算、能审计的类比基线,再用上市第一周的数据更新第二周预测。

本文全部产品、日期、数量与结果均为教学模拟。匿名服装企业及虚构“禾味”没有真实收益声明。本篇是专题第10篇,不是每日课程 D10。实验只有两类业务各7个模拟上新对象,不是已验证的完整门店×SKU×180天需求面板;不连接真实采购或生产系统。

新品预测从相似对象出发,经七天观测更新,并保留证据边界

一、先把“没有历史”拆成三个问题

新款进入熟悉的业务。 品类、价格带、渠道和覆盖范围基本不变,可以参考早先上新的相似款。比如同价格带基础上衣,或同两家门店的鸡肉午餐。

已经卖了七天。 有观测,但还不能确定这七天代表稳定需求。首发活动、缺货、周末、试吃都会改变销量。此时应该保留原预测,并新增一版有短历史条件的预测。

进入完全不同的市场。 新渠道、新顾客群、不同价位或者销售方式,旧款很可能没有可迁移的经验。透明的情景、小规模试销和人工复核,比包装成一个高精度预测更可靠。

FPP3 的判断预测章节介绍了类比、新品判断和情景方法,并强调结构化记录与评估。本文只借用这些原则,下面的日期、数据、筛选规则和计算全部是独立教学设计,不是教材给出的模型或实证结论。

二、相似款要在看到新品结果以前选好

先定义预测任务:一个上新对象,在固定覆盖范围内,上市第1周或第2周的总需求。 第1周是上市日开始连续7天,第2周是接下来的7天,不能把自然周与上市周龄混用。

匿名服装案例按件计数,覆盖固定两渠道、同款全尺码合计;不把它冒充单色单码预测。禾味按菜品份数计数,覆盖固定两门店合计,随后通过配方转成其中一个食材的公斤数。两个案例的单位不同,误差不能加在一起平均。

我们给相似对象设三个硬条件:同品类、同价格带、同覆盖范围。进入参考池的产品必须属于预先冻结的参考组,且要预测的周龄窗口在当时已经结束。失败的老款和不卖座的老菜也不能因结果不好被删掉。

检查 正确处理 常见泄漏或混淆
截止时点 上市时只能用已知信息 看完新品销量再选最像的老款
生命周期 第2周对第2周 第2周对成熟期均值
规模 固定两渠道/两店合计 20店老品直接对2店新品
可观测性 分清真实需求与受限销量 缺货后的低销量当低需求
业务条件 保存价位、促销、季节 属性相似就假定没有季节差异

本实验故意冻结参考池,不让验证组和测试组的后续结果自动进入参考池。这不是唯一合理的生产方案,但使“用了什么”一目了然。现实系统可以滚动更新,不过每次都必须重新检查信息可用日期。

三、零历史第一版:先借三位“前辈”的经验

匿名服装的三个历史模拟对象 A1、A2、A3 已完整经历前两周:

参考对象 上市第1周需求/件 上市第2周需求/件
A1 80 100
A2 100 120
A3 120 140

新品尚未销售时,最简单的基线是三个相似对象等权平均。

第1周类比预测 = (80+100+120) ÷ 3 = 100件。

括号里的数是同一周龄、同一覆盖范围的需求,先相加再除以对象数量,得到“每个对象的平均周需求”。不是把三个款的需求都分配给新品。

第2周类比预测 = (100+120+140) ÷ 3 = 120件。

不能因为新品首周没卖过,就把它的需求预测记成0;也不能把销售部门的200件目标直接写入模型。目标可以保留在另一列,用于显示目标与预测之间的差距。

为什么不用最畅销的 A3?因为这会把“相似”变成“最符合愿望”。为什么先不用复杂属性权重?因为仅三个样本不足以可靠学习许多权重。等权不是最优保证,而是一个简单、可审计的起点。将来若引入价格距离、面料、季节和渠道相似权重,权重也应在历史上新批次上验证,而不是凭新品测试成绩调整。

四、卖了七天以后,不能把两个窗口相加

假设新品 A6 首周观测80件,第二周类比预测120件。为了比较两种信息,我们定义一个很朴素的短历史基线:下一周需求先按首周总需求80件估计。 它假设两周长度与覆盖相同,且没有已知促销、营业日或生命周期变化;这是假设,不是事实。

用一个0到1之间的权重 w 混合:

第二周混合预测 = w × 首周延续估计 + (1−w) × 第二周类比预测。

w 没有单位,表示给短历史基线多少权重;1−w 是类比基线的权重,两者相加为1。w=0完全沿用类比,w=1完全采用首周延续。

若 w=0.5,则预测 = 0.5×80+0.5×120 = 40+60 = 100件。输入两项都已经解释为“第二周需求的估计”,因此才可以混合。80件首周真实需求不能再作为已发生需求加到第二周计划中。

这是加权平均,不是完整贝叶斯模型,没有自动给出概率区间。三个参考对象的最小值和最大值也不是校准过的 P10、P90。如果需要概率预测,应回到专题第4篇,另做分布假设、覆盖率检验及分位数评估。

零历史预测与七天后预测属于两个不同的信息条件

五、权重在验证对象上选,不用测试新品倒推

附带实验按上新对象和日期分组,而不是把同一个新品的前后记录随机打散。

组别 每案例对象数 模拟上市日期 用途
参考组 3 1月1日、8日、15日 提供周龄1和2的类比需求
验证组 2 2月1日、8日 比较五个权重
测试组 2 3月1日、8日 权重固定后评价新对象

所有日期为2026年。第2周标签在上市14天后可用,最后一个验证对象于2月22日成熟,早于第一个测试对象3月1日上市。预测目标窗口采用左闭右开:3月1日上市,第1周为[3月1日,3月8日),3月8日更新第2周[3月8日,3月15日)的预测。

本篇是“按上新批次分组”的独立教学设计,不沿用成熟时间序列的112/28/40天划分;不是偷偷改变旧实验的划分口径。预测函数只依赖截至当时的参考数据与首周特征,测试第2周标签只进入评分。

预先设定候选 w 为0、0.25、0.5、0.75、1,用验证对象的第二周 MAE 选最小值。MAE是平均绝对误差:每个对象的预测减实际,去掉正负号,再除以对象数。若并列,选择较小 w,这也是预先写明的规则。

服装验证对象 A4 的首周/第二周为60/90件,A5为100/110件。类比第二周均为120件。五个权重的验证 MAE 依次为20、10、0、10、20件,所以冻结 w=0.5。这个刻意简单的模拟恰好在验证组得到0误差,不意味着真实业务可以做到零误差。

禾味参考组的第二周均值为70份,两个验证对象的首周/第二周分别为20/40份、60/60份。五个候选权重的验证 MAE 依次为20、12.5、5、5、10份;0.5与0.75并列,按事先固定的规则选择较小的0.5,不用测试结果打破平局。

六、测试结果:混合不是每次都赢

案例/对象 第二周类比 首周延续 混合 w=0.5 第二周实际
服装 A6/件 120 80 100 100
服装 A7/件 120 160 140 180
禾味 H6/份 70 40 55 45
禾味 H7/份 70 100 85 80

服装两个测试对象:类比 MAE=40件,首周延续=20件,混合=20件。A6混合恰好正确,但A7混合误差40件,反而高于首周延续的20件。两对象平均下来,混合只与简单基线持平。

禾味两个测试对象:类比 MAE=17.5份,首周延续=12.5份,混合=7.5份。这只是固定小样本上的结果,不能推广成“混合方法降低了多少企业成本”。没有库存、损耗、利润或缺货成本回放,便没有收益结论。

零历史第1周预测也保存在 predictions.csv:服装 A6/A7均预测100件,实际80/160;禾味 H6/H7均预测60份,实际40/100。它与七天后预测第2周的任务窗口不同,不能将两组误差相减后宣称“看七天数据提高了准确率”。若要研究信息增加的价值,应在同一目标窗口、同一对象上比较不同截止时点的预测。

两个测试对象上的第二周误差:服装混合与首周延续持平,禾味混合较小

七、禾味上新一道菜,不能把新菜全部加到原采购上

禾味仍保持虚构的两店、八个食材 SKU 框架。本篇只演示两店合计的一道新鸡肉菜和一道旧鸡肉菜,以及其中一个共用食材“鸡腿肉”,没有声称重建八种食材的全量历史。菜品份数和食材 SKU 数量不能混为一谈。

另设一个独立的下一周计划情景:新品预测70份,旧菜在没有新品时预计100份。新菜每份耗用鸡腿肉0.15公斤,旧菜每份0.12公斤,配方均假定为采购口径毛用量,不再重复除以出成率。这里的70份是情景输入,不是宣称上述测试中已选中的最终混合预测。

如果完全没有替代,共用食材需求 = 70×0.15+100×0.12 = 22.5公斤。

若假设新品销量中40%来自旧菜转移,则替代量 = 70×0.4 = 28份,旧菜剩余需求 = 100−28 = 72份。

总食材需求 = 70×0.15+72×0.12 = 10.5+8.64 = 19.14公斤。

假设的替代比例 旧菜剩余/份 共用鸡腿肉/公斤
0% 100 22.50
40% 72 19.14
80% 44 15.78

替代比例不是模型学出来的,也不是三种概率。它只是让管理者看见假设的后果,不能把三个结果简单平均当作有统计依据的期望。代码要求替代量不能超过原旧菜需求,而不是默默截断成0。

这仍是需求推演,尚未扣现存、计入及时在途、校验效期、采购规格和厨房产能。把它变成可执行补货,应接回专题第5篇的库存位置及约束逻辑,而不是直接下单19.14公斤。

新旧菜品替代假设改变共用食材总需求,情景不等于概率

八、上线产品时,最值得保留的不是一个数

建议在预测版本中保存:对象与覆盖、目标起止、预测截止时点、上市周龄、候选参考对象及排除原因、特征快照、模型与权重版本、原始预测、人工调整及理由、需求是否可观测、计划采用值及审批记录。

相似对象一个都没有时,实验代码直接报错,转人工情景,不自动填0。首周缺货时也拒绝把受限销量用于更新。真实系统还需要识别营业中断、首发促销、异常曝光、预售取消和价格变化。它们不会被一条加权平均公式自动解决。

如果已经有30件确认订单,而预测120件指同一窗口的总需求,不能再加30得到150。只有预测目标明确为“尚未确认的剩余需求”时,才按去重规则与确认订单合并。信息字段再齐全,也需要检查两者是否覆盖同一批需求。

AI Agent 可以帮助整理可追溯的属性、提出候选类比、调用确定性计算、解释异常和生成复盘草稿;不应自己补造缺失销量、偷偷更换测试样本,或把预测直接变成采购承诺。人为调整要独立留版本,之后评估是否真正改善,而不是覆写原预测。

九、把实验跑起来,再故意破坏它

实践包无需第三方运行依赖,Python 3.10及以上即可:

cd practice
python run.py
python -m unittest -v

data/cases.json保存14个对象、两个周龄需求与分组日期;outputs/results.json保存输入指纹、验证分数、冻结权重、测试预测和替代情景;outputs/predictions.csv便于逐行复算。图形再生成另需 matplotlib,文章阅读不依赖它。

先改变测试对象第二周实际需求,确认权重和预测不跟着变;再把参考对象上市日期移到未来,检查它被排除;把首周标记为不可完整观测,应进入异常而非继续更新;最后将替代比例写成120%,应拒绝计算。

建议再做两个扩展:增加更早的完整上新批次,分别按品类报告误差;在不同季节和渠道上测试参考规则是否失效。扩展时不能为了得到更漂亮的结果反复改同一测试集。测试集一旦参与选择,就已经是开发资料,需要另留新的时间和对象做最终评价。

新品预测的起点可以很简单,证据边界不能含糊。 第一版需要说清借用了谁的经验,更新版需要说清新增了什么信息,计划版需要说清还欠哪些约束。本实验的意义是让这三件事能够被复核,不是承诺一条公式解决所有上新风险。

参考资料与范围