作品说明

需求预测与补货决策

选模型之前，先想清楚预测给哪个决策用

基于 UCI Online Retail II 公开数据，对 100 个 SKU 的周度需求做滚动起点回测：比较上周值、移动平均、去年同期与 LightGBM 在 SKU 与组合两个层级的 WMAPE 和偏差，再换算成 4 周补货量。

这个 Demo 做什么

真实公开交易数据（英国线上批发商，2009-12 至 2011-11），去重并剔除已取消订单后按周汇总，选 100 个常销 SKU。25 个滚动起点、1–4 周预测期、共 10,000 个 SKU-周预测，每个起点只用当时已有的数据重新训练。结果：单 SKU 层面 LightGBM 的 WMAPE 53.6%，优于 4 周移动平均的 59.1%；但它有 -11.6% 的系统性低估，加总到组合层面反而输给移动平均（18.6% vs 17.0%），做滚动偏差校正后与移动平均持平（16.8%）。换成补货量后，在满足率基本相同（约 94%）的情况下，积压库存价值比移动平均低约 14%；实际不缺货周期低于目标，说明批发大单造成的长尾需要非正态的安全库存。

典型使用场景

采购与预算的总量预测

总量要无偏：比较各方法在组合层面的误差与偏差，而不是只看单品准确度。

单 SKU 补货量

把预测与历史误差换成下单量，比较同一服务水平下的缺货与积压。

找出误差来源

误差集中在少数高销量 SKU 的批发大单上，适合单独处理。