Demand model quality, price elasticity, per-SKU pricing decisions, and inventory linkage — real output from the source Python pipeline.
汽车配件动态定价与库存
需求预测模型质量、价格弹性估计、单 SKU 定价决策与库存联动——数字直接来自实际跑通源项目 Python 流水线的输出文件。
数据说明
本次运行样本为 500 个 SKU × 4 区域 × 3 客户层（6,000 个 SKU-区域-层级价格点），合成数据、无真实企业数据。
建模营收
¥39,330,586
500 SKU × 4 区域 × 3 客户层
建模毛利提升
¥2,508,881
占当前毛利的 24%
库存价值
¥44,591,943
按当前成本估值
缺货风险 SKU
1,176
需要补货/调价干预
HistGradientBoosting，38 个特征，训练/验证/测试窗口 78/13/13 周。
WAPE
19.1%
测试集加权绝对百分比误差
vs 基线改进
81%
基线 WAPE = 100%（Seasonal-Naive）
MAE
7.79 units
每 SKU-周平均绝对误差
RMSE
12.9 units
对大误差更敏感
源代码：src/demand_model.py + src/metrics.py
# 模型选择：HistGradientBoosting，而非线性 Ridge 或 RandomForest
model = HistGradientBoostingRegressor(
max_iter=100, max_depth=6, learning_rate=0.1, random_state=RANDOM_SEED
)
# 时间序列切分：78 周训练 / 13 周验证 / 13 周测试，严格按时间先后，不做随机 K-fold
# （随机切分会让模型"看到未来"，是需求预测里最常见的泄漏错误）
# WAPE：加权绝对百分比误差 —— 用总量做分母，比逐条 MAPE 更抗小基数噪声
def wape(y_true, y_pred):
return sum(abs(y_true - y_pred)) / sum(abs(y_true))
baseline_improvement = (baseline_wape - model_wape) / baseline_wape # -> 80.9%