AI售后备件需求预测定制：装机台账与长尾分布

设备厂商的售后备件计划长期依赖计划员经验：SKU 长尾、需求稀疏，缺货与呆滞往往同时存在。本阶段实验尝试把“装机台账”作为先验信息引入预测：将机型、出厂日期、运行工况、维保与更换记录关联，构建在役设备—部件—失效事件的映射，先用生存分析估计部件失效风险随役龄的变化，再用梯度提升模型输出未来 13 周各仓的备件需求分位数。

· 进展：在某工业设备客户约 4.2 万台在役设备、1.1 万个备件 SKU 上验证。仅用历史出货时，高价值件周预测 MAPE 为 41%；加入装机台账与役龄特征后降至 27%，长尾件（年出货少于 5 件）的“零需求误判”下降约三成。
· 下一步：把点预测接入库存策略，显式建模采购提前期波动与最小起订量下的多仓调拨约束，以服务水平而非预测准确率作为验收指标，并补充新机型冷启动时的相似机型迁移方案。

阶段性结论是：这类任务的瓶颈不在模型，而在台账完整度。装机数据缺失的设备需单独分层处理，否则预测精度提升会被错误先验抵消。