1. 项目概述从“猜”到“算”汽后市场的核心博弈干了十几年供应链和数据分析我越来越觉得汽车后市场配件需求预测这事儿本质上是一场和不确定性之间的博弈。你备货多了资金压着仓库堆满时间一长零件老化贬值老板脸色难看你备货少了客户电话一来仓库没货维修厂干等着客户流失口碑受损销售经理拍桌子。尤其是像长三角这种经济活跃、车型复杂、流通迅速的区域这种博弈的难度和成本都被急剧放大。“2024年第四届长三角汽后配件需求预测问题”这个标题一听就是行业内非常务实的一次练兵或竞赛。它瞄准的不是泛泛而谈的“新零售”、“数字化转型”概念而是扎扎实实落在每一个配件SKU库存量单位上的具体数字。这背后反映的是整个汽后行业从粗放经营向精细化运营转型的迫切需求。主机厂、大型汽配连锁、区域经销商甚至是单个的门店都在试图回答同一个问题下个月、下个季度哪个车型的哪个零件会坏多少我该提前准备多少库存这个问题看似简单实则是一个典型的高维度、小样本、强干扰的时序预测问题。说它高维度是因为影响一个配件需求的因素太多了车型保有量、车龄分布、行驶里程、地域气候比如长三角的梅雨对底盘件的影响、季节性夏季空调滤芯、冬季防冻液、甚至节假日出行高峰事故件需求波动等。说它小样本是针对单一SKU而言历史销售数据可能只有几十条而且包含大量零值没卖出去。说它强干扰是因为需求并非完全自然发生还受到促销活动、竞争对手动作、供应链中断如疫情、国际局势影响进口件等外部事件的剧烈冲击。因此解决这个问题的思路绝不能是简单地拿去年同期的销量乘以一个增长系数。它需要一套融合了业务理解、数据分析和算法模型的系统性方法。接下来我就结合多年的实战和踩坑经验拆解一下面对这样一个预测问题一个合格的数据团队或业务负责人应该如何思考和落地。2. 核心需求与问题定义明确边界才能精准发力在动手处理任何数据之前清晰定义问题边界是成本最低、收益最高的步骤。对于汽配需求预测我们需要从业务端把几个核心问题抠明白。2.1 预测对象与颗粒度你要预测的是什么这是第一个要明确的问题。预测对象决定了数据准备和模型设计的复杂度。SKU级别预测这是最精细的也是挑战最大的。即预测每一个具体的配件编码如“大众速腾1.4T 2015款 前刹车片”在未来一段时间内的需求量。优点是直接指导采购和仓储缺点是数据稀疏噪声大。品类/车型组级别预测将配件聚合到更高维度比如预测“德系A级车刹车片”的总需求。数据更稳定规律更容易捕捉常用于战略备货和供应链规划但无法指导具体SKU的采购。仓库/区域级别预测在SKU或品类预测的基础上叠加地域维度。长三角不同城市上海、杭州、苏州、宁波的需求模式可能差异显著。实操心得在实际项目中往往采用“自上而下”与“自下而上”相结合的策略。先利用聚合数据品类、车型线预测整体趋势再利用分解模型或比例系数将总量分摊到关键SKU上。对于海量长尾SKU可以采用聚类方法将需求模式相似的SKU归为一类进行预测大幅降低模型维护成本。2.2 预测时效与周期为多远的未来做决策预测的时间跨度直接关联到决策类型。短期预测1-4周用于指导周度/月度的采购订单、仓库补货和物流调度。要求精度高反应快。通常更依赖近期销售数据和趋势。中期预测1-6个月用于制定季度采购计划、产能准备和供应商谈判。需要综合考虑季节性、市场活动等因素。长期预测6个月以上用于年度预算、战略库存布局、新仓设立等决策。更关注宏观趋势如车型保有量变化、政策影响等。注意事项不同时间跨度的预测其可用的特征和适用的模型差异很大。短期预测可以加入“近期促销计划”作为特征但长期预测中这个特征不可知。通常需要为不同的时间跨度建立不同的模型或同一模型的不同配置。2.3 评估指标怎么算“预测得准”这是对齐业务和技术语言的关键。业务方说“预测不准”到底指什么是经常缺货还是库存周转太慢必须用量化指标来统一。面向库存服务的指标平均绝对误差MAE直观易于理解。预测100个实销90个误差就是10。所有SKU误差的平均值。平均绝对百分比误差MAPE考虑了需求量的规模。预测10个实销5个误差100%和预测1000个实销950个误差5%在MAE看来后者误差大在MAPE看来前者误差大。但需注意当实际值为0或接近0时MAPE会趋于无穷大不适用于间歇性需求。面向库存成本的指标服务水平Service Level在指定周期内需求被即时满足的比例。例如95%的服务水平意味着100次客户需求中有95次能立即从库存中供货。这是业务端最关心的核心指标之一。库存周转天数/次数预测精度直接影响库存健康度。综合评估指标对称平均绝对百分比误差sMAPE对MAPE的改进分母是预测值和实际值的平均值一定程度上缓解了实际值为零的问题。分位数损失Pinball Loss如果我们不仅预测一个值均值而是预测一个分布如90%分位数用于指导安全库存设置就需要用分位数损失来评估分布预测的准确性。我的经验在内部汇报和模型迭代初期可以用MAE/MAPE作为主要优化目标。但在最终与供应链、销售部门对齐时一定要模拟库存策略计算在给定预测下采用某种补货策略如定期复查、安全库存模型后能达到的服务水平和库存周转率。这才是业务价值的最終体现。我曾经做过一个项目模型A的MAPE比模型B低2%但模拟库存后发现模型B能带来更高的服务水平和更低的平均库存最终业务方选择了模型B。3. 数据准备与特征工程巧妇难为无米之炊数据是预测的基石。汽后配件数据通常分散在ERP、WMS、CRM等多个系统中质量参差不齐。数据准备阶段要花掉整个项目60%以上的时间这一点也不夸张。3.1 核心数据源盘点你需要整合以下至少几类数据数据类别具体内容用途与挑战历史需求数据时间、SKU、仓库、需求数量通常是出库量最好是客户订单量预测模型的目标变量。需清洗退货、集中采购等异常点。产品主数据SKU编码、名称、所属品类刹车系统、滤清器…、适用车型、品牌、价格构建品类层级、车型关联特征。车型匹配是汽后行业特有难点。车型保有量数据区域省/市维度各品牌-车型-年款的上牌量/保有量估算最重要的外部特征之一。配件需求与对应车型的存量及车龄强相关。可从公开报告、行业协会或第三方数据公司购买。车龄与里程特征估算的平均车龄、年均行驶里程分区域用于计算配件失效概率。刹车片、轮胎等磨损件需求与里程正相关。日历与天气特征节假日、工作日、季节、气温、降水量梅雨、极端天气影响事故率钣金件、灯具和保养需求空调、雨刮。营销与事件特征促销活动、竞争对手关店/开业、供应链预警如某产地疫情导致需求短期波动的关键因素。3.2 关键特征构建实战有了原始数据需要构建对预测有用的特征。这里分享几个汽配领域特别有用的特征构建思路车型生命周期的“S曲线”特征一个车型上市后保有量逐渐增加到达顶峰后随着报废缓慢下降。对应配件的需求也呈现类似生命周期。我们可以为每个SKU关联的主车型构建“上市后月数”特征并尝试用多项式或分段函数来拟合这个生命周期趋势。“车龄-里程”失效概率特征对于易损件如三滤、火花塞、刹车片其需求与车辆行驶里程或使用时间有较强的相关关系。我们可以根据公开的保养手册或历史数据估算出该配件大致的更换周期如每5万公里或每2年。特征可以构建为区域该车型保有量 * (区域年均里程 / 配件更换里程阈值)。这相当于一个理论需求基线。层次聚合特征这是处理稀疏SKU数据的利器。一个SKU的历史数据少但它所属的品类、品牌、价格区间的历史数据可能很丰富。我们可以计算该品类在过去一段时间如过去8周的销量移动平均值、趋势、季节性指数然后将这些聚合后的统计量作为该SKU的特征。这相当于让“家族”的历史来帮助预测“个体”。事件窗口特征对于促销或节假日不仅需要0/1标志还可以构建如“促销后第一周”、“节前两周”这样的时间窗口特征因为事件的影响有滞后和前置效应。踩坑记录初期我们直接使用车型保有量绝对值作为特征效果不佳。后来发现对于大多数维修件故障率与车龄并非线性关系而是在车辆使用第3-8年进入一个“故障高发期”。因此我们改用了“区域中车龄在3-8年的该车型保有量”这个特征预测效果显著提升。这告诉我们特征构建必须紧密结合业务机理。4. 预测模型选型与迭代没有银弹只有组合拳面对复杂的汽配需求没有哪个单一模型能通吃。我的策略是“分而治之集成学习”。4.1 根据需求模式对SKU进行分类首先根据历史销售序列的特征将SKU分成几类对症下药连续需求型如机油、通用滤清器。需求相对稳定有规律可循。适用经典时序模型如ARIMA、指数平滑ETS或轻量级机器学习模型如LightGBM。间歇需求型Lumpy Demand这是汽配预测最大的难点比如某些特定车型的发动机电脑、车身控制器。长时间为零偶尔来一个大单。对于这类需求预测“需求概率”和“需求规模”比预测具体点数更重要。可以采用Croston方法及其改进版TSB或者使用分类模型预测下期是否有需求和回归模型预测需求规模相结合的两阶段法。季节性需求型如夏季的空调冷媒、冬季的防冻液。需要能捕捉强季节性的模型如ProphetFacebook开源或带有季节性分量的SARIMA。趋势型与新车型上市或老车型淘汰强相关的配件。需要模型能捕捉增长或衰退趋势。4.2 模型技术栈的演进我们团队在实践中走过一条从传统到集成的路基线模型必须要有建立一个简单的基准比如“历史同期均值”、“朴素预测用上一期作为下一期预测”。所有复杂模型都必须能显著超越这个基线否则就没有使用价值。传统统计模型对于连续需求SARIMA季节性自回归整合移动平均模型依然是可靠的基准。它优点是可解释性强能分解出趋势、季节性和残差。缺点是对数据平稳性要求高处理大量SKU时配置繁琐。机器学习模型目前的主流选择。以LightGBM/XGBoost为代表的梯度提升树模型能很好地处理表格数据兼容数值、类别特征自动捕捉非线性关系。我们将3.2中构建的所有特征历史统计量、车型特征、日历特征等作为输入将未来需求作为输出进行训练。它的优势是特征利用效率高预测速度快适合处理海量SKU。深度学习模型对于具有规整层次结构如仓库-品类-SKU或关系网络配件替代关系的数据可以尝试DeepAR、TFTTemporal Fusion Transformer等深度学习模型。它们能自动学习复杂的时序依赖和层级关系。但缺点也很明显需要大量的数据、更长的训练时间、可解释性差更像一个黑盒。融合模型Ensemble这是提升鲁棒性和精度的终极手段。我们不会把所有赌注压在一个模型上。常见的做法有加权平均给不同模型如LightGBM, Prophet, 历史均值的预测结果赋予不同的权重加权求和得到最终预测。权重可以根据模型近期在验证集上的表现动态调整。堆叠Stacking用几个初级模型如ARIMA、ETS、LightGBM的预测结果作为新的特征再训练一个次级模型通常是线性回归或简单的树模型来进行最终预测。这种方法能融合不同模型的优势。我们的实战架构目前我们线上系统采用的是一个分层的混合架构。第一层分类器。根据SKU的历史需求模式CV²系数、平均需求间隔等将其自动分类到“连续”、“间歇”、“季节”、“新品”等几个桶里。第二层模型路由。每个桶配置一个或多个主打模型。例如“连续需求桶”使用LightGBM“间歇需求桶”使用改进的Croston方法需求概率分类模型“新品桶”则使用相似车型的品类增长曲线进行类比预测。第三层融合与后处理。对于重要SKU我们会取多个模型的预测结果根据业务规则如确保服务水平不低于95%进行保守或激进的选择有时还会加入人工修正层针对已知的大型促销或停产通知。5. 评估、反馈与持续迭代预测是过程不是结果模型上线不是终点而是一个持续优化循环的开始。建立一个有效的评估和反馈机制至关重要。5.1 离线评估与线上监控离线回测Backtesting使用历史数据模拟模型在过去的预测表现。采用“滚动预测”的方式例如用截至2023年1月的数据预测2月然后用截至2月的数据预测3月以此类推。这能最真实地评估模型的实战能力。不仅要看整体误差更要分品类、分仓库、分需求模式去看找到模型的薄弱环节。线上A/B测试如果条件允许可以将不同模型的预测结果应用于不同的仓库或产品线对比实际产生的服务水平、库存周转等业务指标。这是最硬的验证。监控面板建立实时监控面板跟踪核心指标如整体MAPE、缺货SKU数量、库存金额超标预警等。设置阈值告警当指标异常恶化时立即触发排查。5.2 人工干预与业务反馈闭环完全依赖算法是不现实的必须为业务经验留出接口。设置预测可调区间对于模型给出的预测值可以提供一个浮动范围如±20%。采购或计划员可以在这个范围内基于其掌握的未量化的信息如“听说隔壁市有个大修理厂要开业”、“这个车型的某个通病厂家可能要召回”进行微调。系统记录调整因子用于后续分析模型在哪些情况下系统性偏差。建立反馈流程当发生严重缺货或滞销时必须有一个流程让前端销售或仓库人员反馈原因。是模型没预测到还是预测到了但采购没执行或者是发生了突发性事件如自然灾害导致集中报保险这些反馈是优化特征和模型最宝贵的素材。定期复盘会议每月或每季度数据团队和供应链、销售团队一起开会回顾上期预测的重大偏差案例。这不是问责会而是“案例教学会”共同加深对业务波动原因的理解并将其沉淀为知识或转化为新的数据特征输入给模型。一个深刻的教训我们曾有一个车型的发电机预测持续偏低。模型已经考虑了车龄和保有量但依然不准。后来在一次复盘会上一位老销售经理提到这款车的原厂发电机碳刷设计有缺陷在某个里程段故障率奇高这在维修圈里是公开的秘密。我们立刻将这个信息构建成一个新的二值特征“是否存在已知设计缺陷”并关联到特定里程区间。模型吸收这个特征后对该SKU的预测精度大幅提升。这就是业务知识驱动数据优化的典型例子。6. 系统落地与业务价值从数字到行动预测的最终价值不在于模型多复杂而在于能否驱动正确的商业决策。这需要将预测结果无缝嵌入到现有的业务流程中。6.1 预测结果与库存策略的对接预测值本身只是一个数字必须转化为具体的采购建议。安全库存计算预测值可以看作是“预期平均需求”。要应对不确定性需要设置安全库存。经典公式是安全库存 Z * σ * √L。其中Z是服务水平系数如95%对应1.65σ是需求波动的标准差可以从预测误差中估计L是补货提前期。这里的关键是σ应该使用预测误差的标准差而非历史需求的标准差。一个预测精度高的模型其误差的σ会更小从而在相同服务水平下计算出更低的安全库存直接释放资金占用。再订货点ROP与订货量对于采用连续检查(s, Q)策略的SKU再订货点s 提前期内的预测需求 安全库存。经济订货批量EOQ公式也可以将预测的年需求量作为输入。对于采用定期检查(R, S)策略的最大库存水平S 下次到货前的预测需求 安全库存。动态参数调整传统的库存参数如安全库存系数Z可能常年不变。现在可以基于模型预测的不确定性预测区间来动态调整。当模型对下个月预测信心足区间窄时可以适当降低安全库存当不确定性高区间宽时则调高安全库存。6.2 打造预测-采购-仓储协同工作流理想的工作流应该是系统自动生成采购建议单每周/每月预测系统自动运行输出每个SKU在未来一个补货周期内的“建议采购量” 预测需求 安全库存 - 当前库存 - 在途库存。计划员审核与调整计划员在系统中查看建议单结合系统提供的“调整原因”选项如已知促销、新品替代、供应商交期变化进行确认或微调。所有调整被记录。一键生成采购订单审核通过的采购建议可以一键生成采购订单发送给供应商或进入ERP系统。异常监控与预警系统监控实际销售与预测的偏差。当连续多期出现系统性低估可能导致缺货或高估可能导致呆滞时自动向计划员和数据团队发出预警触发模型复审或参数调整。6.3 衡量业务价值最终我们要用实实在在的财务和运营指标来证明预测项目的价值库存健康度提升平均库存周转天数下降X%库存金额减少Y%但服务水平有货率保持稳定或上升。运营效率提升采购人员从繁琐的数据整理和计算中解放出来专注于处理异常和供应商关系紧急调拨次数减少。客户满意度与销售提升因缺货导致的订单流失率降低客户满意度提升间接促进销售增长。实现这些价值需要一个紧密协作的跨部门团队业务部门定义问题、提供知识、使用结果数据部门负责数据、模型和系统IT部门确保系统稳定、数据管道畅通。预测不是数据部门的独角戏而是一场需要业务、数据、技术三方深度共舞的协奏曲。每一次预测精度的提升都是对业务规律更深一层的理解也是向汽后市场“零库存、高满足”这个理想状态迈出的坚实一步。这条路没有终点但每一步的优化都会直接转化为企业的成本和效率优势。