AI赋能零售行业的项目复盘：智能补货系统的预测模型与工程架构

AI赋能零售行业的项目复盘智能补货系统的预测模型与工程架构一、零售补货的要么太多、要么太少困境某连锁零售企业有300家门店每家门店3000 SKU。补货决策由门店经理凭经验手动完成结果是畅销品经常断货断货率约8%每断货一天损失约$200销售滞销品积压严重库存周转天数平均45天行业优秀水平是25天生鲜损耗率约12%过期报废目标是AI预测每个SKU在未来7天的销量并自动生成补货建议。二、预测模型从简单到复杂的演进第一版移动平均快速上线最简单的基线过去7天的平均销量作为未来7天的预测。对稳定品类的误差约15%但对促销和季节性品类完全不准确。第二版LightGBM 特征工程特征工程是核心——零售预测80%的准确率来自特征def build_retail_features(df: pd.DataFrame) - pd.DataFrame: features pd.DataFrame() # 时间特征 features[day_of_week] df[date].dt.dayofweek features[is_weekend] features[day_of_week] 5 features[is_month_start] df[date].dt.is_month_start.astype(int) features[day_of_month] df[date].dt.day # 滞后特征过去1/3/7/14/28天的销量 for lag in [1, 3, 7, 14, 28]: features[fsales_lag_{lag}] df[sales].shift(lag) features[fsales_lag_7_mean] df[sales].shift(1).rolling(7).mean() # 外部特征 features[temperature] df[temperature] features[is_holiday] df[date].isin(HOLIDAYS).astype(int) features[is_promotion] df[promotion_flag] # 品类特征 features[category_avg_7d] df.groupby(category)[sales].transform(rolling, 7).mean() return featuresLightGBM的WAPE加权绝对百分比误差约18%。第三版时序Transformer 集成对于促销期间的销量预测波动大LightGBM表现不好。引入Temporal Fusion Transformer处理长时序依赖# TFT模型 与LightGBM的加权集成 def ensemble_predict(lgb_pred, tft_pred, is_promotion: bool, lgb_weight_regular0.7, lgb_weight_promotion0.3): 促销期间TFT权重更高 if is_promotion: return lgb_weight_promotion * lgb_pred (1 - lgb_weight_promotion) * tft_pred else: return lgb_weight_regular * lgb_pred (1 - lgb_weight_regular) * tft_pred集成后WAPE降到12.5%。特别是促销品类的误差从35%降到18%。三、补货决策引擎预测销量后生成补货建议需要考虑安全库存def calculate_reorder_quantity( forecast_7d: float, current_stock: float, in_transit: float, lead_time_days: int, service_level: float 0.95, ) - ReorderResult: # 安全库存 Z分数 × 需求标准差 × sqrt(提前期) z_score norm.ppf(service_level) # 95%服务水平→z1.645 daily_demand forecast_7d / 7 demand_std daily_demand * 0.3 # 假设变异系数30% safety_stock z_score * demand_std * np.sqrt(lead_time_days) # 补货量 预测需求 安全库存 - 现有库存 - 在途库存 reorder_qty forecast_7d safety_stock - current_stock - in_transit # 考虑最小起订量和订货倍数 reorder_qty max(0, reorder_qty) reorder_qty ceil(reorder_qty / moq) * moq # MOQ倍数 return ReorderResult( forecastforecast_7d, safety_stocksafety_stock, suggest_orderreorder_qty, urgencyhigh if current_stock daily_demand * 2 else normal, )四、落地效果运行6个月后指标人工补货AI补货改善断货率8%3.2%-60%库存周转天数45天32天-29%生鲜损耗率12%6.5%-46%库存金额$1200万$950万-21%年化节省库存成本约$250万减少库存占用资金 减少断货损失约$180万。五、总结零售智能补货的核心经验移动平均做基线1周上线LightGBM做主力85%场景TFT处理促销15%场景特征工程占模型精度的80%——滞后特征外部特征天气/节假日/促销是关键集成模型在不同场景用不同权重——促销时TFT权重更高补货量计算需要考虑安全库存最小起订量在途库存——预测只是第一步模型需要按品类独立训练——生鲜和耐用品的时间模式完全不同最大的挑战不是模型训练而是数据质量。POS系统的历史数据存在大量缺失系统迁移导致、异常促销活动未标注导致销量尖峰被当作误差和粒度不一致部分门店按天、部分按小时。数据清洗占了总工期的45%。如果重来一次会在数据治理上投入更多前期时间。