AI大促备货预测定制：SKU分层与售罄率约束

零售电商实验室近期围绕大促备货预测做了一组对照实验，出发点是一个常见问题：单一全局模型在长尾SKU上的误差，往往被头部爆款的准确表现掩盖，而真正压库和缺货的恰恰是长尾。

我们把预测拆成三层：爆款走时序模型加活动日历特征，腰部SKU借品类相似度做迁移，长尾与新品则用类比冷启动。更关键的是输出侧改造——模型不直接预测销量，而是预测售罄率区间，补货量交由规则层按区间决策，避免回归误差直接转化为库存资金风险。

进展要点：

• 以约1.2万个SKU的历史大促数据回测，腰部品类在周维度的预测偏差较原基线下降约两成，长尾缺货与滞销库存同步改善；爆款首日峰值仍不稳定，暂由人工校准兜底。
• 下一步接入预售定金、加购量与竞品价格作为早信号，并把输出统一改为分位数区间，让运营按自身风险偏好选择备货档位，同时保留逐层回溯的误差归因报表。