# 电商需求预测:2026年完整指南 > 逐步学习电商需求预测:方法、促销影响、准确性指标与库存规划。了解ELECTE如何实现自动化。 Source: https://www.electe.net/zh/%E9%82%AE%E5%AF%84/ecommerce-demand-forecasting Site guide: https://www.electe.net/zh/llms.txt 你正在准备一份上市订单,去年的销售数据就摆在供应商报价旁边。数量看起来还算合理,直到市场部安排了一场限时促销,某个电商平台又调整了购物者能看到的商品列表。很快,一个仓库货架空空如也,另一个仓库却积压着不打折就卖不动的库存。 显而易见的应对方法是改进预测。但如果你的销售历史把缺货商品当成不受欢迎的商品来处理,或者采购人员下单时根本不参考预测结果,再先进的算法也无济于事。你需要的是一套决策系统,而不仅仅是一张更有说服力的图表。 **电商需求预测**将客户需求与采购、履约和资金承诺联系起来。做得细致的话,它还能让不确定性变得清晰可见,从而让你区分出哪些是可靠的补货估算,哪些是应该缩小首批订单规模的上市预测。 实际工作从你的库存记录开始,到一个运营决策结束。在这两点之间,你需要根据产品规律选择方法,在不泄露未来信息的前提下进行测试,并评估促销活动在销量高峰之外的后续影响。成功的衡量标准很简单:这份预测是否能帮助你更有效益地采购和促销? ## 电商需求预测预测的是什么,为何重要 在前面那个上市场景中,照搬去年的订单量,等于假设同样的客户会通过同样的渠道前来,并在同样的地点购买。限时促销会改变购买动机。电商平台曝光度的变化会改变商品的可见性。这两者都不属于普通的季节性调整范畴。 **电商需求预测**按产品、渠道和地点,估算客户在未来各时间段内的需求量。可以把它想象成仓库的天气预报:过往规律建立起预期,而已知的即将发生的事件则会改变预测走势。 [联合国贸发会议估计](https://unctad.org/news/global-e-commerce-jumps-267-trillion-covid-19-boosts-online-sales),2019年全球电商销售额约为**26.7万亿美元**,相当于**全球GDP的约30%**,并报告称,在线零售占零售总额的比重从**疫情前的16%上升到2020年的19%**。这些数据涵盖的商业范围比单个商家的店铺要广得多,但它们说明了渠道假设变化的速度之快。 增长、周期性高峰和突发冲击在销售数据列中可能看起来很相似。在投入资金之前,务必将它们区分开来。 关于将预测与运营衔接起来的实用基础知识,Reddog Consulting Group的[需求规划基础](https://www.reddog.group/blogs/unleashing-insights/what-is-demand-forecasting)一文提供了有益的背景资料。你的预测最终应当为以下方面提供依据: - **采购:**订购什么、何时订购。 - **履约能力:**库存和人力需要配置在哪里。 - **资金规划:**未来库存承诺需要多少资金支持。 ## 建模前的特征工程与数据清洗 在更换算法之前,先检查输入数据表。重复订单、不匹配的SKU标识符以及缺失的库存记录,都会让一个技术上合理的模型回答错误的问题。 **特征**是你向数据提出的问题。不要只提供昨天的销售数据,而要为模型提供足够的背景信息,让它能够区分客户兴趣与销售条件。 ### 构建买家能够识别的特征 一个实用的起始集合包括: - **滞后销售数据:**上周销售额以及去年同期的可比数据,作为需求的后视镜。 - **滚动平均值:**作为候选设置,测试**7天、28天和91天**的平均值,以区分近期波动与整体基线。 - **日历标记:**节假日、发薪日规律以及本地交易活动。 - **价格与折扣幅度:**实际销售价格,而非仅仅是促销标签。 - **可获得性:**有货天数、上架状态以及履约限制。 - **曝光与转化:**在数据可靠的情况下,记录产品曝光量、流量和购买情况。 - **退货情况:**退回的商品数量,以及可销售库存何时重新可用。 明确预测目标。总订购量有助于规划拣货能力;保留商品数量和可销售退货在估算净库存消耗时很重要。 尽可能使用聚合后的行为信息。在整合电商系统与分析系统时,限制对客户层面记录的访问权限,移除不必要的标识符,并遵守适用的隐私要求。 ### 为零销售日给出原因 一项[零售预测研究](https://arxiv.org/pdf/2506.05941)评估了缺失率为**20.9%**的数据,发现**99.9%的产品系列**至少包含一个零销售日,平均每个系列有**492个零销售日**;在该场景下,基于局部树的模型表现也优于更先进的深度学习架构。 这些结果并不能识别每个零值的具体原因。你的运营记录必须区分真实的低需求与缺货、缺失的市场数据反馈、下架商品以及目录变更。 将不可售的那一天标记为**受限需求**:销售数据是可观测的,但你本可以满足的需求却无法观测到。不要自动用臆测的销售估算值来替代它。保留原始记录,添加可获得性标记,并记录任何估算规则。 对于新品或滞销SKU,按类别、价格和渠道汇集可比产品的信息。利用曝光量、转化率、有货时长和替代品信息,来区分客户尚未看到的产品与客户已经拒绝的产品。 > **数据核查:**你能解释每一个零值吗?你能重建每日的可获得性情况吗? 在观测数据能够支持更精确的估算之前,请在点预测旁展示一个**较宽的预测区间**。买家需要看到区间范围及其标明的置信水平,而不仅仅是一个看似精确的数字。 ## 为每种产品类型选择合适的预测方法 没有一种模型能适用于所有场景。需要根据需求模式以及下单时可获得的信息来匹配预测方法。 一款稳定的畅销品可能遵循明显的每周规律。一款依赖促销的产品可能主要在活动期间产生销量。而一款间歇性销售的产品，比如小众替换零件，可能在很长一段时间内都没有销量，然后突然收到一笔订单。 这些是不同性质的预测问题。用同一套配置来处理它们虽然便于维护，但可能会让采购决策变得更糟。 ### 按产品模式划分的预测方法 请将下面的历史数据长度视为**起始建议**，而非普遍适用的最低要求。每周周期所需的数据证据与每年周期不同，而近期的结构性变化也可能降低旧历史数据的参考价值。 方法最适用场景所需数据主要弱点季节性朴素法或移动平均法稳定的高销量畅销品建议起始窗口为1-2年的每日或每周销售数据无法捕捉促销、趋势变化和新品指数平滑法（Holt-Winters）具有明显每周或每年季节性的稳定销售品最好有2个或以上完整的季节性周期需要按SKU分别调参；对促销峰值反应较弱ARIMA或SARIMA具有趋势和自相关性的单一序列建议起始窗口为2年以上的稳定历史数据在数千个SKU上分别建模和维护的负担变得沉重Croston法或SBA法存在大量零销售天数的间歇性、波动大的销售品先评估12个月以上的历史数据和非零销售事件的数量只给出点预测；需配合安全库存逻辑使用包含价格和促销变量的回归模型具有已知折扣计划的促销驱动型品类价格、折扣力度和活动日历需要足够的历史促销数据才能估算提升效果在多个SKU上合并训练的梯度提升法（XGBoost、LightGBM）具有相互影响信号的大型商品目录理想情况下需要数百个可比的SKU和丰富的特征较难解释；需要谨慎验证 关于序列模式和季节性建模的详细说明，请参见[如何用ARIMA预测库存需求](https://www.electe.net/post/arima-models-explained)。ARIMA在历史观测数据包含可重复信息时有用，但当产品的整体商业背景已经改变时则不适用。 ### 让复杂性物有所值 一项[2025年零售预测研究](https://ideas.repec.org/a/bfy/oajsas/v6y2025i1p35-67id2679.html)涵盖**10家门店的50个商品**，比较了随机森林、XGBoost、线性回归和ARIMA，强调最佳算法取决于数据集和业务问题本身。 特征细节也可能对一种方法有帮助，而对另一种方法无益。在一项[短期电商预测研究](https://www.atlantis-press.com/article/125982175.pdf)中，细粒度的折扣分类显著改善了线性回归、岭回归和套索回归，MAPE最佳改善幅度达到**36.19%**，但对支持向量机、梯度提升或随机森林模型没有产生显著改善。 这里的运营经验并非从公开排名中选出一个赢家，而是要测试这种额外的方法能否充分改善你自己的决策，从而证明其准备、解释和维护成本是值得的。 从季节性基线开始。如果一个复杂的候选方案在未见过的时期里都无法超越可重复的参考基准，那它就还没有资格投入生产使用。 ## 让预测学会季节性和促销规律 一场演唱会可以很好地类比销售数据中的各种信号。**趋势**是底层的节奏，**季节性**是重复出现的副歌，**促销**是暂时改变整场演出的独唱，而**噪音**则是观众。 从运营角度看，趋势意味着持续的增长或下降。季节性涵盖每周重复出现的模式以及黑色星期五或返校季等日历高峰。促销会形成不同的销售局面，而噪音则是剩下的、无法解释的日常波动。 ### 将日历效应与营销活动效应区分开来 节假日和折扣可能会重叠，但二者并不能互相替代。如果你让模型把每一次节假日的销量高峰都当作正常需求，那么当你取消折扣时，模型可能仍然预期同样的销量。 记录营销活动的起止日期、折扣幅度、渠道、产品类别以及相关的履约限制。如果你的市场有不同的节假日或购物习惯，应将各国的日历分开处理。 一项[针对丹麦折扣连锁超市的研究](https://link.springer.com/chapter/10.1007/978-3-030-29996-5_66)发现，对于**历史促销次数超过五次**的商品，树集成模型（尤其是XGBoost）表现最佳，而对于**促销次数少于五次**的商品，带惩罚项的线性回归表现更好；促销历史稀疏的商品误差仍然相对较高。 将这一发现作为细分策略的依据，而非普遍适用的分界标准： - **促销密集型产品：**测试能够学习相关SKU间相互作用的汇总非线性模型。 - **促销稀疏型产品：**优先选择能够抑制不稳定估计的简单正则化模型。 - **活动评估：**检查单个促销事件，而不是依赖可能掩盖时序误差的月度总计。 要将活动测量与商业规划联系起来，请使用一致的流程来[衡量促销带来的销售提升](https://www.electe.net/post/promotion-optimization-in-retail)。同时要确保退款能够按活动进行标识。PlatformDTC关于如何[处理折扣订单退款](https://platformdtc.com/blog/discounts-promo-codes)的指南，在将折扣机制与购后记录对齐时很有帮助。 ### 在决策点冻结信息 **数据泄漏**是指模型获得了在预测制定时本不应存在的信息。实际活动流量、已发生的缺货情况以及最终的折扣变动，都可能让历史测试结果看起来比实际的实时预测要好。 保存计划折扣、活动时间安排、库存状况和产能假设的带日期快照。训练和评估时应基于计划人员当时所掌握的信息，而不是事后才明朗的信息。 > 对活动前所做的预测，必须使用活动开始前可获得的信息来评判。 ## 衡量预测是否有效的评估指标 一个看似不错的平均误差，完全可能与滞销品积压、畅销品缺货同时存在。汇总得分无法告诉你采购人员是否做出了更好的承诺。 预留最近一段时期的数据，确保所有候选模型在训练过程中都看不到这部分数据。在相同的产品、日期和预测周期上比较各候选模型，然后在连续的多个历史截止点上重复测试，以检验结果在不同交易条件下是否依然成立。 ### 电商预测准确度指标 指标它能说明什么它可能误导之处MAE（平均绝对误差）以单位计的平均偏差难以在规模差异很大的 SKU 之间进行比较RMSE（均方根误差）典型误差幅度，对较大偏差赋予更高权重少数几次大幅偏差可能主导整体分数MAPE（平均绝对百分比误差）偏差占实际需求的比例当实际需求为零时，结果无定义或不稳定MASE（平均绝对比例误差）相对于朴素预测的误差对非分析人员而言不够直观RMSSE（均方根比例误差）用于间歇性需求基准测试的比例化平方误差难以向采购方和计划人员解释偏差（Bias）预测是否系统性地偏高或偏低平均偏差为零可能掩盖两个方向上的较大误差 一项[间歇性需求预测的综述研究](https://www.tandfonline.com/doi/abs/10.1080/00207543.2025.2578701)指出，指标选择会改变模型排名，MAPE在需求为零时会变得不稳定或无定义，而随机森林在库存专用指标上可能表现不及Croston类方法。 使用**MAE**来传达单位误差，使用**RMSE**来调查代价高昂的峰值。使用标准化指标来比较不同规模的产品，但在序列变化较小时要检查基准分母。报告偏差时要使用有文档记录的符号约定，让所有人都明白正值究竟代表预测过高还是预测过低。 将间歇性产品与Croston系列方法进行基准对比，将常规畅销品与季节性朴素预测进行基准对比。分别报告畅销品、间歇性产品、新品和滞销品，而不要让畅销品主导整体平均值。 ### 评估预测周期与经济后果 一项[沙特阿拉伯电子商务预测研究](https://www.ijml.org/vol15/IJML-V15N3-1180.pdf)报告称，**每周预测的RMSE为0.4537**，**长期预测的RMSE为8.1938**。这些是该研究特有的误差值，并非可直接套用的单位目标，但这一对比说明了分别监测不同预测周期的意义。 您的补货周期应与供应商交货周期相匹配。您的产能预测可能需要不同的周期和汇总层级。 将误差转化为运营成本： - **缺货成本：**可衡量的利润损失、加急运费和替代品成本。 - **积压成本：**仓储、融资、降价促销和报废处理成本。 - **决策结果：**在相同订货策略下实现的可得性与占用的库存。 仔细评估缺货期间的数据，因为观测到的销售额无法反映全部未满足的需求。在报告中将这些期间单独列出，并针对您对未满足需求的假设进行敏感性测试，而不要声称掌握了无法得知的真实情况。 ## 如何将预测转化为补货与促销决策 采购人员需要的是一个触发机制，而不仅仅是一条预测销量曲线。要明确预测结果如何改变订单、由谁来批准例外情况，以及哪些证据会促使修订预测。 以下是一个**假设性的演算示例**，并非适用于所有产品目录的推荐服务策略。其中的数量和目标仅用于说明计算方法，您可以代入自己的经济数据。 ### 将需求转化为补货触发机制 1. **按产品类别设定服务水平目标。**举例来说，可将**畅销品的周期服务水平设为95%**，**长尾商品设为90%**。周期服务水平指在一个补货周期内避免缺货的概率，而非满足订单的件数占比。实际目标应结合利润率、客户影响和持有成本来设定，而不能仅凭销售速度决定。 2. **估算供应商交货期内的需求。**当日需求预期较为稳定时，用日均需求乘以交货期即可。如果促销活动或季节性变化恰好落在这段时间内，则应改为将各日预测值相加。 3. **确定安全库存规模。**在交货期固定、日需求相互独立并采用正态近似的示例模型下，使用**安全库存 = z × 日需求标准差 × √交货期**。四舍五入的**z值1.65**对应示例中95%的周期服务目标。若存在趋势、自相关性、间歇性订单或供应商交货时间波动，则需要采用更合适的交货期需求分布。 4. **设定再订货点。**将交货期需求与安全库存相加。触发再订货应基于**库存头寸**——即可用现货加已确认在途库存，减去已承诺需求——而非仅看实物库存。 5. **根据净增量价值审批促销活动。**将促销期间的需求与可信的无促销基准进行比较，再考虑被挤占的未来购买量以及对其他产品的替代效应。 关于如何[建立安全库存缓冲](https://npoint.digital/how-to-prevent-stock-outs/)的实际操作背景，Next Point Digital 的防缺货指南是一份很好的参考资料。 ### 下单前先算清楚数字 假设某SKU每日销量为**40件**，供应商交货期为**14天**，日需求标准差为**8件**。基于上述简化假设： - **交货期需求：**40 × 14 = **560件**。 - **安全库存：**1.65 × 8 × √14 ≈ **49件**。 - **再订货点：**560 + 49 = **609件**。 该缓冲量采用的是日需求波动数据。在以预测为驱动的实施方案中，应基于补货周期内样本外的预测误差来估算不确定性，以免将可预见的季节性变化误判为随机波动。 现在假设一次**为期四天的促销活动**使每日销量达到**120件**。活动期间总销量为**480件**，相较于**160件的基准水平**，表面上带来了**320件的增量**。如果随后**十天**的日销量降至**25件**，而非正常的**40件**，那么这**150件的缺口**会使净增量估计降为**170件**。 该估算假设基线是可信的。在可行的情况下，与未受影响的产品、市场或客户群体进行比较，同时要核实这些对照组本身是否也受到了该活动的影响。 [《国际预测期刊》（International Journal of Forecasting）2025年的一项研究](https://ideas.repec.org/a/eee/intfor/v41y2025i2p554-570.html)发现，在目标服务水平较高时，促销活动会导致预测人员高估需求。多备库存并不必然是更划算的经济决策。 在评估盈利能力之前，先扣除折扣成本、广告费用、退货和履约支出。如需实施方面的支持，可参考[零售商30天库存试点方案](https://www.electe.net/post/inventory-optimization-for-retail)，用以明确职责分工和复盘节奏。一个实用的起始节奏是：畅销品每周复盘一次，滞销品每月复盘一次，供应或促销活动有变动后要立即进行异常复盘。 ## 关键要点与90天试点方案 从一个品类开始你的**90天电商需求预测试点**——这个品类要足够大、具有代表性，但也要让采购人员能够切实管理和复盘。建议的范围是**按销量排名前20%的SKU**，再纳入一些有代表性的滞销品，以免试点掩盖了长尾风险。 始终遵循以下操作原则： - **复杂度需靠实绩赢得：**要求候选方法在保留期数据上的表现优于季节性参照基准。 - **保留可得性背景信息：**不要让采购人员或模型将缺货误判为客户拒绝购买。 - **评估商业结果：**考察库存敞口和利润贡献，而不仅仅是单品预测准确率。 - **衡量促销全周期：**涵盖基线、活动期间的需求提升以及之后的需求变化。 ### 为试点指定负责人并明确决策方式 针对这个拟议的试点方案，尽可能收集**12到24个月**的日度或周度销售数据、库存可得性记录以及促销日历。预留**最近三个月**的数据用于最终对比，并用一个季节性基线加**两种候选方法**进行回测，评估指标包括平均绝对误差（MAE）、偏差以及预估缺货成本。 在订货策略保持一致的前提下，选择经济效益最佳的方法。将其补货建议应用于所选SKU，每周复盘异常情况，并记录每一次人工干预及其原因。 **ELECTE是一款面向中小企业的AI数据分析平台**，它会在用户数据上运行**六种预测方法**，相互对比打分，并自动选出最准确的一种。大多数用户在**不到5分钟**内即可完成设置并投入运行，连接财务软件或上传文件后即可立即开始分析并生成首批预测；不过要验证其实际运行效果，仍需要有合适的销售和库存可得性记录作为基础。 设置速度快并不能证明其商业价值。试点方案真正要验证的，是在你的团队实际面临的采购限制下，所选方法在你自己的数据上是否优于现有方法。即便仪表盘看起来令人信服，也要坚持这一判断标准。 --- ELECTE提供需求预测功能和免费的再订货点计算器，帮助将预测与采购决策连接起来。访问[ELECTE](https://www.electe.net)，探索该平台，并通过个性化演示了解ELECTE的实际应用。