零售电商的补货决策长期依赖人工经验与固定安全库存，遇到促销、季节波动时容易出现积压或缺货。本实验室近期围绕「AI补货建议定制」做了一轮实验性探索，目标不是做通用预测，而是针对单店单品的波动特征，输出可直接执行的备货阈值。
方法上，我们把门店历史销量拆成趋势项、促销项与随机项，重点处理三类问题：新品缺乏历史数据时用同类商品做冷启动；促销期销量突增时用活动标签做特征屏蔽，避免污染基线；低频商品（周销量不足1件）不强行预测，转为建议补货周期而非数量。最终输出的是「建议订货量 + 置信区间 + 触发阈值」的组合，而不是一个孤立数字。
阶段性进展：在内部测试集上，将缺货率与滞销库存同时纳入评估后，对比原有固定阈值策略，缺货天数下降约两成，滞销金额下降约一成五；对于波动剧烈的商品，模型主动给出「建议人工复核」标记，减少误补。
下一步计划：接入门店在途库存与退货数据，验证跨门店调拨场景下的阈值联动，并评估补货建议在不同仓配时效下的适用边界。
评论