缺货是零售数据里最容易被误读的一类异常：同一个“零销售”，可能是真缺货，也可能是陈列替代、价格错误或数据回传延迟。我们在数据分析实验室做了一组实验，把归因拆成两步。
第一步是事件构造。以门店—单品—日为粒度，把 POS 流水、库存快照与补货单据按时间戳对齐，先识别“有库存记录但无销售”和“零库存且无销售”两类缺口，再对齐到具体补货周期。
第二步是归因分类。规则层负责可解释的部分，例如补货单未到店、库存为负、促销改价；模型层用梯度提升树处理多因素叠加场景，输入特征包括近 4 周动销、陈列位、到货延迟天数与同商圈门店表现。
· 阶段性数据：在某连锁便利业态 320 家门店、8 周历史数据上回溯测试，归因一致率约 82%，其中“补货链路延迟”与“真实缺货”的区分贡献最大；误判主要集中在跨店调拨回传不及时。
· 下一步：接入排面图像与拣货缺货上报，把“货在店但不在架”单独建类，并尝试将归因结果回写为补货建议的排序特征。
结论上目前只敢说：缺货归因能作为运营排查的辅助排序，还不能替代门店盘点。
评论