零售供应链需求预测AI：多源时序融合建模实验

零售行业需求受促销、季节与突发事件多重影响，传统统计预测在精度与可解释性之间难以兼顾。数据分析实验室近期围绕零售供应链需求预测开展实验性探索，尝试将时序深度模型与促销、价格、天气等多源因子融合建模，兼顾预测精度与业务可解释性。

阶段性进展：在某连锁零售脱敏数据集上，融合模型较基线方案（指数平滑与梯度提升树）将SKU级周粒度预测的WMAPE由18.6%降至14.2%，促销期改善尤为显著；同时基于SHAP输出各因子贡献度，帮助计划人员理解预测依据。

下一步计划：针对新品冷启动与长尾SKU，探索基于属性嵌入与跨品类迁移的预测方案，并计划在客户环境中开展A/B对照验证，以库存周转率与缺货率作为最终评价指标。

我们认为，需求预测的价值须以补货决策效果衡量，而非停留在单一精度指标。相关方法与实验细节将整理为技术报告对外发布。