机器学习如何提前3周预测断货

一家经营约3,500个SKU的中型美妆零售商长期面临一个棘手问题。每个月，他们8-12%的畅销产品会在补货到达之前库存归零。每个热门商品的缺货每天造成约2,800美元的销售损失，这还不包括客户好感度的损害，以及将流量引导到缺货产品页面所浪费的广告支出。

他们的库存团队每天检查库存水平，并在库存达到预设阈值时下达补货订单。问题在于这个阈值是静态的——一个基于过去90天平均日销量的固定单位数。当需求因TikTok上的病毒式传播或竞争对手类似产品断货而激增时，静态阈值无法快速做出反应。

为什么静态再订货点会失效

静态再订货点假设未来需求与过去需求相似，且供应商交货时间是稳定的。这两个假设经常被打破。电商中单个SKU的需求是不均匀的。一个产品可能连续三周每天卖出20件，然后突然因为网红提及、竞争对手涨价或季节性变化而飙升到每天60件。等你在每日库存检查中注意到销量加速时，你可能已经在需求高峰中度过了两周，而前方还有三周的供应商交货周期。

供应商交货时间同样变化不定。一个通常14天交货的供应商，在旺季、原材料短缺或运输延误期间可能需要21天。如果你的再订货点假设14天交货周期，而实际交货周期是21天，那么就会出现7天的缺口——你在销售本以为已经补上的库存。

机器学习模型监控的内容

缺货预测模型同时处理多个数据流。主要输入是销售速度——不是简单的平均值，而是包含趋势和季节性成分的时间序列。模型检测加速（比上周卖得更快）、减速以及每个SKU特有的周期性模式。

库存状况（当前库存加上在途数量减去已分配给待处理订单的数量）为模型提供了供给侧的信息。结合预测需求，模型计算出一个动态更新的预估可供天数指标。

供应商绩效数据增加了一个关键维度。通过跟踪每个供应商的实际交货日期与预期交货日期，模型构建了一个可能交货时间的分布，而不是使用单一的点估计。如果供应商A的交货时间在12-18天之间，中位数为14天，模型在计算缺货概率时会使用完整的分布。

外部信号提供需求变化的早期预警。产品或品类在Google上的搜索量、社交媒体上的提及、竞争对手的库存水平（通常可以通过其产品页面显示的有限库存来检测）以及季节性日历都会纳入需求预测。某个产品的Google搜索量突然飙升，通常会比销售高峰提前5-10天出现，这为模型提供了当前库存轨迹可能无法维持的早期信号。

三周预警窗口

模型输出每个SKU在不同时间范围内的缺货概率：7天、14天和21天。一个典型的预警可能如下所示：SKU #4892（维生素C精华液30ml）目前有340件库存。按当前每天28件的销售速度，库存大约在12天后耗尽。然而，需求趋势显示周环比加速15%。调整后的耗尽预估为9天。下一批500件的补货预计在16天后到达（基于供应商交货时间分布）。14天内缺货概率为78%。

有了这个三周的预警窗口，库存团队就有了多种选择。他们可以催促供应商加快现有订单，可能需要支付加急运费。他们可以向交货周期更短的替代供应商下一个较小的过渡订单。他们可以减少该产品的营销支出以减缓需求，同时保持自然销售。他们可以设置到货通知，以在缺货期间捕获需求。

没有早期预警，这些缓解措施都无法实施。等到人工通过手动检查发现库存偏低时，交货周期已经侵蚀了剩余库存。

构建模型

技术实现结合了用于需求预测的时间序列模型（通常是Prophet或自定义LSTM模型）和用于缺货概率的分类模型。分类模型将需求预测、当前库存状况和供应商交货时间分布作为输入，输出每个时间窗口内的缺货概率。

训练数据来自你的历史库存记录。每次过去的缺货都是一个正样本，每个在给定时期内保持充足库存的SKU都是一个负样本。你需要至少12-18个月的每日库存快照及相应的销售数据来训练一个有用的模型。如果你之前没有存储每日库存水平，现在就开始，因为这些数据事后重建出乎意料地困难。

特征工程是创造大部分价值的环节。原始销售数据不如衍生特征有用，例如7天滚动平均速度、周环比速度变化、日销量变异系数（需求波动性的衡量指标）以及当前速度与90天平均值的比率。这些衍生特征帮助模型区分稳定销售接近再订货点的产品和正在经历需求激增、库存消耗速度远超预期的产品。

与现有系统的集成

模型需要融入你的库存管理工作流程，而不是取代它。最常见的方式是每日预警仪表板，按缺货风险对SKU进行排序，并为每个SKU提供建议操作。库存规划人员每天早上查看仪表板，对高风险商品采取行动。

更高级的实现会自动化低风险操作的响应。如果模型预测到缺货，且建议操作是向现有供应商下达标准补货订单，系统可以自动生成采购订单并排队等待库存经理一键审批。这在决策环节保留了人工参与，同时消除了创建订单的手动工作。

对于运营数千个SKU的电商零售商来说，手动库存监控根本无法扩展。一个人每天检查3,500个SKU，不可避免地会遗漏那些正在悄然加速走向缺货的商品。机器学习模型每小时检查每个SKU，捕捉微妙的模式，并将需要关注的商品呈现出来。本文开头提到的那家美妆零售商在部署预测模型的六个月内，将缺货率从8-12%降至3%以下，这相当于每年约940,000美元的收入恢复。