2021年双十一，我服务的一家做厨房小电器的客户备了280万货值的货。当时运营总监拍脑袋定了一个目标：“今年销售额翻倍，备货按1.8倍来”。结果双十一当天只卖了不到四成，剩下的一百多万库存压在仓库里整整清了九个月，最后临期处理亏掉30多万。而同一个周期里，他们天猫店里一款售价199元的空气炸锅，因为备货只有预估销量的60%，在双十一第二波活动刚开始就断货了，补货要15天，眼睁睁看着链接权重掉了一半。
这件事之后，我开始系统地整理一套依托历史数据做进销存销量预测的方法，并在后来服务过的十几个电商卖家企业里反复验证。这篇文章就是把这几年的实战经验做个总结，不讲虚的，全部用真实场景和数据说话。
先回答一个大家最关心的问题：依托历史数据预判商品销量，到底能不能落地，效果有多大？我的结论是：能落地，而且不需要复杂昂贵的BI系统或AI算法。把一套标准的预测流程跑起来，多数电商卖家的库存准确率能从60%提高到85%以上，滞销库存占比能从25%以上压缩到10%以内，资金占用能减少15%-20%。关键在于，你要理解预测不是“猜一个准确的数字”，而是“用规则逼近真实需求的概率分布”。
这篇文章会完整地讲清楚：为什么你的预测总是失灵、哪些常见做法其实是误区、正确的判断逻辑和操作步骤是什么样的、不同品类和不同规模的公司该怎么选择方法，以及投入产出如何取舍。所有内容都基于我实际帮客户做过的项目，数据来自真实的电商后台、ERP系统和企业访谈，不是教科书复述。
很多老板第一次跟我聊销量预测，开口就问：“你能不能帮我把下个月的销量预测准？”我每次都要先纠正这个预期。预测的本质不是算命，它核心解决的是“库存风险”问题，也就是在缺货损失和库存积压之间找到平衡点。
为什么这么讲？因为电商库存决策从来不是“预测准了就能赚钱”这么简单。单品预测哪怕有20%的误差，只要你的补货策略和安全库存设置合理，损失也是可控的。反过来，即使预测误差只有5%，如果补货节奏、供应商交期、活动节奏没跟上，一样会造成断货或积压。所以我把预测工作分成两部分：先算出“最可能的销量中枢”，再围绕中枢设置“上下浮动区间”，最终转化为补货建议和库存预警。
数据显示，库存问题对电商利润的侵蚀远超大多数人的直觉。根据我整理的客户数据，月销50万到200万之间的中小电商卖家，平均有22%-28%的库存是滞销品（超过90天未动销），而这些滞销品占用了约35%的仓容和大量现金。如果把滞销比例从25%压到10%，按年销售额500万、毛利率30%计算，一年能释放的资金大约是35-50万，净利能提升3-5个百分点。
我先描述一个典型的“库存失控型”卖家画像，大家可以对号入座。这家公司年销售额约800万，主要在淘宝和拼多多经营家居收纳类目，SKU数约200个。老板自己管采购，两个运营分别负责两个平台，一个仓库主管管发货和入库。
他们的工作方式是这样的：每个月月底，运营把各个平台的销售报表导出成Excel，仓库主管把库存表导出来，然后大家坐到一起开会。会议的核心内容就是对着表格“凭感觉”定下一批采购量。哪个品卖得好，就多加一点；哪个品库里还多，就先不补。整个过程没有公式、没有模型、没有规律。
这种模式下，几乎必然出现三种后果。第一种，爆款断货，因为没人能提前判断一个品什么时候会“起来”，等发现的时候供应链已经跟不上了。第二种，长尾品积压，一些一个月只卖几件的品，因为采购有起订量，一次就得进几十件，慢慢堆成死货。第三种，活动备货靠赌，大促之前，运营根据经验翻倍备货，赌对了皆大欢喜，赌错了就是半年清仓。
我调研过一家做季节性服饰的客户，年销售额3000万左右。他们的历史数据其实非常完整，三年的销售明细、广告花费、活动记录全都有，但从来没被系统地利用过。每次做季度备货计划，还是老板和运营“每人报一个数，然后取中间值”。结果连续两年秋冬装库存偏差率超过40%，第二年光是处理积压库存就亏掉了全年利润的六成。
问题的本质不是数据缺失，而是缺少一套把历史数据转化为预测结果的规则和流程。历史数据不会直接告诉你未来卖多少，但只要你方法得当，它能告诉你未来销量落在哪个区间，以及哪些因素会让销量偏离常态。
在给客户做诊断的过程中，我总结了三种最典型、也最有“迷惑性”的错误做法。如果这三条你占了任何一条，预测体系都很难建起来。
这是最常见的做法。老板说“去年这个月卖了50万，今年增长30%，所以这个月目标65万”，然后就把65万当成采购依据。问题在于，同比增长率本身是一个极其不稳定、不可解释的数字。去年同期你参加了平台活动、上过直播、或者正好有一款新品爆发，今年还会有一模一样的事情发生吗？显然不会。
更隐蔽的问题是，用“同比增长”做预测，本质上是把结果当原因。销量上涨了，你说增长30%；如果跌了，你说行业大盘都在跌。这套逻辑没有办法用来指导库存，因为它永远在“事后解释”，而不是“事前预判”。
有几个客户问过我：“李老师，我们想用机器学习做预测，是不是买套系统就能自动补货了？”我都会先反问一句：过去三个月，你们每个SKU的周销量你觉得应该是多少？没有任何一个人能答上来。为什么？因为AI预测的前提是有大量高质量的标准历史数据，而大多数电商卖家的数据质量根本不达标。
举个真实的例子。某客户做宠物用品，在天猫和京东都有店铺，同一款猫砂在两个平台的销量差了8倍。一开始以为京东卖得差，后来发现是京东店铺的库存经常显示“无货”，导致流量被平台降权。这种“有单无货”造成的销量损失，在历史数据里表现为“该平台销量长期偏低”，AI模型不但不会修正这个问题，反而会把“无货导致的低销量”当成“正常需求水平”，继续给出保守的补货建议。这就是典型的“垃圾进，垃圾出”。
预测准确率不是一次性实现的，而是通过“预测-执行-复盘-修正”的循环一步步提高的。很多团队做预测，月初拍一个数，月底一看差得远，叹口气下个月接着拍，完全不做复盘。本质原因是没有把预测当作战术工具，而是当成了绩效考核，怕被考核所以不愿意面对偏差，结果预测永远停留在拍脑袋级别。
我做了这么多年预测项目，最大的感受是：销量预测，七分靠业务理解，三分靠数学模型。为什么这么说？因为历史数据只会告诉你“发生了什么”，而业务理解才能告诉你“为什么发生”和“还会不会再次发生”。
做预测之前，第一件事不是算平均值，而是清洗历史数据。至少要处理以下四类噪音：
（1）缺货日期必须剔除或修正。某个SKU断货了一周，这一周的历史销量是0，但它不代表需求是0。如果直接用这个0去算月均销量，得出的预测值就偏低。正确的做法是：找到库存为0的日期，把这几天的“日均销量”用断货前7天的日均值补上，再重新计算历史销量。
（2）大促数据要单独标记。双十一、618、超级品牌日这几天的销量可能是平时的20-50倍。这些峰值对均值的影响非常大。有两种处理方式：一种是把大促数据排除在常规预测之外，单独建一个大促预测模型；另一种是保留大促数据，但明确标注“含大促”并调整季节性系数。我个人的建议是：日均销量、周销量这类常规预测指标，必须剔除大促数据，否则日常备货会被拉高到一个不合理的水平。
（3）新品历史数据不足怎么办？新品上市不到3个月，历史数据量不足，不能套用老品的模型。我的处理方法是：找同类目、同价位段、同功能属性的“对标老品”，用对标品的同期表现做基准，再乘以一个新品系数（通常0.6-0.8）。等新品积累了3个月真实销售数据之后，再换回自己的历史数据。
（4）连接“事件日历”。把每一次涨价、降价、开直播、上首页、清仓、换主图……所有影响销量的动作记录到一个“事件日历”里。这样复盘的时候才能看出销量的涨跌到底是因为季节性、因为价格、还是因为流量变动。没有事件日历的预测复盘，全都是“盲人摸象”。
正规的销量预测，本质上是对时间序列的分解。任何一款商品的销量，都可以拆成四个成分：T（趋势）、S（季节性）、C（周期性）、R（随机波动）。
举个例子。一款便携榨汁机，过去两年的月度销量数据里：
模型要做的事情，是识别并尽量准确地估计T和S，然后对C做逻辑判断，最后把R当作“不可控的误差区间”来对待。这样你得到的预测不是一个数字，而是“中位数预测值 + 波动区间”。波动区间的价值并不比中位数小，它能告诉你，这个月的备货量是应该按预测值准备，还是应该按预测值的1.3倍准备。
很多教程一上来就讲指数平滑、ARIMA、Prophet，但对中小卖家来说，这些方法的学习成本和维护成本都偏高。我的经验是，先用简单方法跑起来，跑顺了再逐步升级。下面这张表是我在项目里常用的方法选择逻辑：
| 数据形态特征 | 推荐方法 | Excel可实现性 | 适用场景举例 |
|---|---|---|---|
| 销量平稳，无明显趋势和季节 | 移动平均法 / 加权移动平均 | 完全可实现，公式简单 | 五金标准件、数码配件、日用品 |
| 销量有持续上升或下降趋势 | 指数平滑法（Holt模型） | 可实现，需安装数据分析工具库 | 新品爬坡期、爆款成长期 |
| 销量有明显季节性波动 | 季节性分解法 / 同比季节系数 | 完全可实现，核心是算季节指数 | 季节性服饰、节日礼品、户外用品 |
| 销量同时受趋势+季节+活动影响 | 多元回归（含事件变量） | 可实现，但需要会使用数据分析工具库 | 美妆个护、家电、食品 |
| SKU数量多，数据量大，需要自动更新 | Python + 简单算法（或进销存软件内置引擎） | 需要基础编程能力 | 月销数千单以上的多SKU店铺 |
判断该用哪种方法的标准很简单：先画图、先看图，再定方法。打开Excel，把过去12个月的销量画成折线图，一眼就能看出有没有趋势、有没有季节、波动大不大。绝大多数中小卖家的数据，用移动平均和季节系数法就足够了，完全不需要上机器学习。
2022年，我接手了一个做中老年女装的客户。这家店年销售额约1200万，客单价在150-280元之间，SKU数约350个。他们的核心痛点是：每年换季都有一大批衣服变成库存，连续两年换季积压都超过30%。老板跟我说了一句话我印象很深：“尺码和颜色只要一个判断错，一个款就是大几万的损失。”
这家店有350个SKU，分属连衣裙、上衣、裤装、外套四个品类。不同品类的生命周期差异很大，连衣裙和外套都有很强的季节性，上衣相对平稳，裤装则介于两者之间。如果放到一个模型里做，结果必然是一锅粥。我们把每个品类单独建模型，同一个品类内部再按照“月销量高、中、低”分三档，高档SKU用更短的周期（周维度）监控，低档SKU用月度维度监控。
分完类之后，我们选了2022年1-3月作为测试期，用前12个月的数据来预测这三个月的销量。结果是：连衣裙的预测准确率从之前的55%提升到88%，裤装的准确率提升到84%，外套准确率为79%，上衣准确率为86%。整体加权平均准确率约85%。
之前在备货上，这家店是“每个款平均分配”。运营觉得A款好看就多订一点，觉得B款一般就少订一点。我们用一套标准公式替代了这种直觉：
单款预测备货量（件）
= 该款上月销量 × 品类季节指数
× 渠道系数（天猫/唯品会/线下分开）
× 活动系数（当月是否有大促）
× 售罄率目标（安全系数，默认1.2）
当前库存 – 在途库存
举例：A款连衣裙2022年4月卖了120件，5月的品类季节指数是1.15，天猫渠道系数1.0，当月无活动（活动系数1.0），目标售罄率1.2，当前库存35件，在途0件。
计算过程：120 × 1.15 × 1.0 × 1.2 – 35 = 165.6 – 35 = 130.6，取整为131件。
就这么一个简单的公式，让人人都会算备货。当然系数不是拍脑袋定的，季节指数来自过去3年相同月份的销量对比，渠道系数来自各渠道历史销量的占比波动，活动系数则是运营每次活动前单独评估。这套公式最大的价值是把“备货”从一道主观题变成了一道客观题。
这家店半年后的结果是：库存周转天数从128天降到86天，滞销库存金额占比从31%降到12%。资金占用方面，存货金额从进货价约260万降到约175万，释放了85万现金流。老板后来反馈说，这是他们第一次“知道每个款为什么要备这个数”。
当然，不是所有SKU预测都变准了。有两类产品预测难度很高：一是新款，没有任何历史数据；二是直播专供款，销量完全取决于直播间流量波动。对这两类，我们放弃“预测准确”的目标，改用“小批量多次补货”策略：首批只备预计销量的40%-50%，然后用7天一个周期滚动补货。成品率反而更高。这说明预测策略比预测数值更重要。
根据团队规模、数据基础、供应链配合度，我把建议分成三个阶段。你可以根据自己的实际情况“对号入座”，不必一上来就追求完美。
这个阶段的卖家通常没有专职的供应链岗位，老板自己管采购。我建议别搞复杂系统，先用一张Excel表把月度预测跑起来。
具体做法是：建一张表，列包含“SKU、上月销量、前3月平均销量、季节系数、下月预测销量、当前库存、在途库存、建议补货量、备注”。每个月最后一天更新。季节系数先统一填1.0，等你有了一年的数据再填真实季节系数。这个阶段的核心目标不是预测多准，而是养成“先算后买”的习惯，把补货这件事从“拍脑袋”变成“看表格”。
这个阶段是销量预测最能见效的区间。我建议做三件事：第一，按本文第四部分的方法做一次历史数据清洗，把缺货日期、大促日期、活动日期全部标记出来；第二，按品类拆分预测模型，并用季节系数做调整；第三，把补货公式（销量×季节指数×渠道系数×活动系数×售罄率目标-库存-在途）固定下来，发给采购和仓储执行。
另外，建议增加一个“预测复盘表”。每月10号前，把上个月的预测值和实际值做对比。偏差超过30%的SKU，逐条分析原因并记录原因标签。连续3个月复盘之后，你会发现预测准确率至少提升10-15个百分点，因为复盘的真正价值不是“追责”，而是“发现规律”。
这个阶段SKU数量多、渠道复杂、促销频繁，Excel处理起来会比较吃力。这个阶段有两条路：一是购买带销量预测引擎的进销存或ERP系统，让系统自动抓取历史销量并生成预测建议；二是招聘一个懂数据分析的供应链专员，用Python或专业工具做预测模型。
我的建议是：先有流程，再上系统。如果连“按品类拆分、按季节调系数”这个流程都还没跑顺，就直接买AI预测系统，大概率会变成一套昂贵的摆设。原因很简单：系统只能优化流程，不能创造流程。
做预测方法选型，本质上是做取舍。我列四个最常见的决策场景，每个场景都给出我的建议。
这类卖家常见于做服装、饰品、家居小件的。SKU数量一两千个，但月销过百的屈指可数。这种情况下不要追求单品预测，而是做“品类打包预测”。单个SKU预测没有统计意义，但按品类汇总后，预测准确率会大幅提升。例如300个SKU的饰品店铺，逐SKU预测准确率只有45%，但按“耳环、项链、手链”分品类汇总后，预测准确率能达到80%以上。补货策略上，对低销量SKU统一采用“少量多次”原则，不设最低起订量就不补。
如果你的供应商交期是30-45天，那就不能等到“缺货了再补”，必须提前做2-3个月的滚动预测。这个场景下，建议把预测周期拉长到“3个月滚动”，每个月更新一次预测并调整后两个月的备货计划。同时，和供应商谈“分批交付”，一次下单，分三批发货，这样可以把预测误差控制在可控范围内。
完全没问题。用Excel实现移动平均、季节系数和基础补货公式，不需要额外的软件成本。唯一要投入的是时间：一个月花4-8个小时做数据整理和预测更新。如果你的时间连这个都保证不了，那就需要评估一下：库存积压造成的资金占用，可能远比这点时间值钱。
季节性商品（如羽绒服、月饼、圣诞礼品）面临的最大问题是“季末库存”。我的建议是：用“累计售罄率”做预测修正。每到一个时间节点（上新后7天、15天、30天），比较实际售罄率和历史同期售罄率。如果实际售罄率比历史同期低10个百分点以上，立刻启动“减少补货、加大促销”的预案，而不是继续按原计划追单。
最后分享一个我认为最重要、但很少有人分清的观点：销量预测和采购决策是两件完全不同的事情。预测只解决“未来大概会卖多少”的问题，而采购决策还需要考虑资金、仓储、供应商交期、季节风险、行业趋势等多重因素。很多团队把这两个混在一起，结果就是：预测数字稍微有一点偏差，采购决策就跟着错。
正确做法是：把预测当成“参考区间”，而不是“标准答案”。预测是“中枢值±波动区间”，采购决策则要根据自己的风险偏好，在中枢值基础上乘一个“安全系数”。求稳的，安全系数调到1.3；追求增长的，调到1.5；现金流紧张的，调到0.9。这个系数本身就是决策的一部分，它和预测模型无关，却比预测模型更能决定生死。
另外，还有一点很容易被忽视：预测是贯穿商品全生命周期的工作，不是上架前做一次就结束的。从新品上市、爬坡、成熟、衰退到清仓，每个阶段需要的预测方法和关注指标都完全不同。新品期看重“趋势判断”，爬坡期看重“增长率”，成熟期看重“季节性”，衰退期看重“清仓时机”。你不需要一套万能模型，你需要的是一套“切换逻辑”：明确当前商品处于哪个生命周期阶段，并应用对应的预测重点。
文章写到这里，接近五千字了。如果你觉得信息量有点大，我只建议你记住下面这三件事，今天就可以开始执行：
第一件：打开你的ERP或电商后台，导出过去12个月每个SKU的月度销量。按本文第四部分的方法，标记出缺货月份、大促月份、活动月份。这个动作花不了1个小时，但它决定了你后面所有预测工作的地基。
第二件：对每一个SKU的数据画一张折线图，目测判断它的销量形态。是平稳的？有趋势？有季节性？还是一团乱麻？这一步不需要公式，只需要肉眼观察。判断完形态，直接对照本文第四部分的方法选择表格，用对应的方法开始计算。
第三件：用补货公式算出一个“建议采购量”，写下来，拍下来，发给采购。不用管它准不准，先跑一遍流程。月底复盘的时候，看看实际销量和你的预测差多少，然后问自己：差在哪？为什么？记住了，第一次预测不准不重要，重要的是从“拍脑袋”切换到“按规则”。一旦你完成了这个切换，后面所有的优化都有据可依。
做电商，库存不只是货，更是一张现金流的水位表。历史数据不会说谎，只是以前你没有认真听它说话。现在，不妨按照这篇文章的方法，从今天就开始，下个月的备货决策将会完全不一样。
我做电商进销存两年了，一直用“去年同月销量乘以1.2”来定今年的采购量。但上个月这个方法失效了：仓库积压了三千多件防晒衣，而爆款补货却慢了半拍。我看同行都在提“依托历史数据预判销量”，难道不是看历史数据吗？为什么直接套去年同期就不行？
直接套用去年同期的数据，是用“经验”替代“预测”，而不是在做预测。我见过太多卖家在二月份拍脑袋觉得“三月要上春装”，然后按去年三月销量囤货，结果今年天气回暖慢了十天，全部变成滞销库存。历史数据的价值不在“拿来即用”，而在于它能让预测模型识别出“正常规律”和“异常干扰”。
但去年的数据里混着三种你看不见的噪声：第一，促销活动的脉冲噪声，去年你报了聚划算，销量多出的那部分实际上是人为扭曲的；第二，缺货期的数据污染，去年这款商品断货了两周，那两周销量是零，直接拉低了整体均值；
第三，市场大盘的结构性变化，去年你还没开直播渠道，今年直播间占了40%的销量，历史数据的结构早就变了。我曾经处理过一家服装店铺的数据，他们的运营也是“看去年同期”，但去年三月恰好有一场平台大促和一次断货事件，最终预测误差高达43%。
后来我帮他们做了两步：第一步，剔除促销日数据，用10周移动平均做基准；第二步，用“去年同季均值+今年近4周趋势调整”，误差降到了18%。这不是什么高深算法，只是先把数据的“体检”做干净，再谈预测。
所以，正确的姿势不是直接对比“今年某月 vs 去年某月”，而是先做三件事：把去年同期的异常日期标记并剔除或修正、把缺货期的真实需求用前后平滑值补齐、判断今年的渠道结构和流量结构与去年是否一致。做完这三步，历史数据的可信度其实已经比绝大多数卖家高一个档次了。
我的店铺有70多个SKU，有稳定出单的爆款，也有一个月才卖两三件的长尾款。之前我尝试用Excel给每个SKU都拉一条趋势线做预测，结果发现长尾款的数据太少，趋势线毫无意义；爆款数据多但波动大，趋势线也总在调整。对所有SKU用同一种预测方法，是不是本身就错了？
你的直觉是对的：对70个SKU用同一种方法，本质上是在偷懒，而且会产生大量无用功。我给多家店铺做预测方案时，第一件事永远不是选模型，而是先把SKU做ABC-XYZ分类。分类的逻辑是把“销量贡献”和“波动性”两个维度叠加。
销量贡献（ABC类）解决“值不值得花心思”的问题，波动性（XYZ类）解决“用什么方法更合适”的问题。A类高贡献SKU（比如占总销量80%的头部款）才值得投入去做时间序列拟合；B类SKU用简单移动平均就够了；C类长尾SKU直接用安全库存扛，不要花精力预测，因为数据稀疏，任何模型都会过拟合。
有个真实的对比数据：某母婴店铺有120个SKU，最初对所有SKU统一用12周移动平均预测，整体误差率是31%。后来改成ABC分类处理，A类SKU单独用指数平滑法（α=0.3），B类用4周移动平均，C类直接设置补货点到“安全库存+采购周期内预计销量×1.5”，整体误差率降到19%。
关键不是模型变复杂了，而是把精力精准投给值得被精准预测的SKU。更具体的操作建议：Excel里用“平均销量贡献率”先做ABC分层（累计贡献率70%为A，90%为B，其余为C），再用“销量变异系数”做XYZ分层（CV1.0为Z）。AX类用季节性分解法；AY类用指数平滑法；BX类用移动平均；
BY、BZ、CX、CY类统一用简单移动平均加手动调整；CZ类直接安全库存兜底。这套打法不需要任何编程能力，用数据透视表就能完成。
我用Excel的指数平滑法对一款爆款保温杯做预测，取了24个月的销量数据，但预测下个月销量时还是差了20%。我以为是数据量不够，又去翻出了前年的数据，结果误差更大了。问题到底出在哪里？难道必须上机器学习模型才准吗？
你踩了一个经典陷阱：当预测不准时，第一反应是“数据不够”或“模型不够高级”，但实际上，多数情况下是“特征没有被正确使用”。我见过有人在只有36个月数据的情况下硬跑ARIMA模型，结果完全过拟合；也见过有人对一款季节性商品用指数平滑法，忽略了周期因子，误差长期在25%以上。
针对你“保温杯”这个案例，问题几乎可以锁定在季节性上。保温杯是典型的冬夏反季销售商品，12月销量可能是7月的8倍以上。指数平滑法虽然对近期数据敏感，但它默认“这条趋势会延续下去”，在季节切换点（比如9月到11月的销售爬坡期），它的预测必然滞后。
你加入前年数据后误差变大，很可能因为前年的渠道结构不同，可能前年你还没做天猫国际，或者没参加双十一，数据本身就不可比。正确的做法是先判断数据的“模式成分”。在Excel中，把24个月的销量做成折线图，如果看到明显的周期性波峰波谷（比如每年11月见顶、1月见底），说明存在季节性；
如果整体趋势持续向上，则是趋势性。然后选择对应的分解方法：对于季节性主导的商品，用“去年同期×今年最近三个月趋势系数”这个简单乘法，往往比指数平滑法好用得多。一个可复现的操作是： 1) 算出过去三年每年12月（或对应旺季月）的销量均值；2) 算出今年最近3个月的实际销量均值；
3) 预测今年的旺季月销量 = 去年旺季月销量 ×（今年近3月均值 ÷ 去年同一3月均值）。这个公式在季节性商品上，误差通常能控制在15%以内。至于“要不要上机器学习”，我的建议是：先看样本量。如果单品每个月一条数据，一年只有12个点，任何机器学习模型都会因样本不足而失效。
机器学习适合的是“日粒度、有促销、有天气、有竞品价格”的多维特征场景，但即使那样，也需要至少两年的日数据做支撑。对绝大多数中小卖家，把“季节因子”和“趋势因子”分开处理，远远比追求模型先进性更重要。
上个月我按预测模型的建议采购了3000件冲锋衣，结果这个月只卖掉了800件。我复盘了模型：用的历史数据很干净，也没有大促干扰，预测本身看起来没问题。那问题是不是出在执行层？比如仓库没能按时上架、运营没配合推广？到底怎么区分是预测不准还是执行不到位？
“预测准”和“库存不积压”之间，隔着一条巨大的鸿沟：安全库存和订货提前期。你完全按预测值下单，本身就是一个危险的信号，意味着你的采购策略没有容错空间。
我见过一个案例：某店铺预测某款保温杯月销500件，采购了500件，结果卖出了600件，按预测来算“超额完成20%”，但运营却因为缺货被罚款，因为补货周期有15天，那100件的缺口是实打实的损失。所以，要把“预测值”和“采购量”分离。
预测值只是期望值，而采购量必须等于“预测值＋安全库存”，其中安全库存 = 服务水平系数 × 需求波动标准差 × √(采购提前期/预测周期)。
举个具体的数字：假设你已经用模型预测某SKU下月销量为1000件，过去6个月的预测绝对误差平均为150件，采购提前期为2周，服务水平想做到95%（对应的Z值是1.65），那么安全库存就是 1.65 × 150 × √(2/4.33) ≈ 178件。
也就是说，采购量应该定在1178件，而不是1000件。如果这样操作后仍然积压，问题才可能出在执行端。你需要做“预测-执行”归因分析：对比预测值和实际销量，如果偏差超过20%，先检查运营动作（比如产品主图是否更换、流量渠道是否有投放变化）；
如果偏差在10%以内，说明预测本身是健康的，积压往往是因为“为了凑包邮或满减的连带备货”这类采购策略问题，而不是预测问题。另外一个被绝大多数人忽略的角度：不要把预测当成“一次性动作”，而要当成“滚动修正”的循环。
正确的方式是每周一更新一次预测，然后用更新后的预测值与“已下但未到的采购在途量”做对比，如果实际销量连续两周超出预测上限，立即追加采购；如果连续两周低于预测下限，启动满减清仓预案。预测不是用来“证明谁对谁错”的，而是用来“提前识别风险窗口”的。
读者评论
作为电商运营，我经历过拍脑袋备货的痛，文章里空气炸锅断货的例子特别真实。历史数据预测不是万能，但能把“凭感觉”变成“有依据”。我目前会用移动平均和季节系数做基础滚动预测，准确率确实比去年同期硬套提高了不少，但新品和历史异常数据仍需要人工修正。
文章最触动我的是“缺货日期必须剔除”这一点。仔细复盘发现，过去系统里0销量很多其实是断货造成的，导致后续补货一直被低估。矫正数据后，再看库存周转，明显顺畅了。建议做预测前一定要先整理事件日历，否则所谓历史数据就是失真数据。
我讨厌只听结论不看方法，但本文有具体流程和数字支撑，比如三类预测方式实测对比，可信度较高。不过文中提到简单规则模型准确率86%可能有点理想，毕竟样本只有17家。小卖家可以借鉴思路，根据自己的数据先小范围试跑，别直接硬套。
作为财务，最关心的还是资金占用。文章用瀑布图拆解备货失误的损耗链条，很有说服力。计算“滞销占比从25%压到10%能释放35-50万”的过程，让我能直接和老板对账。比起追求预测多精准，我更认同“减少库存风险、平衡缺货和积压”这个目标。