售后备件需求预测AI定制：长尾件与库存周转

售后备件预测的难点往往不在算法，而在数据结构：设备故障稀疏、SKU 上万、需求呈间歇性脉冲，按月度汇总的传统时间序列模型在长尾段几乎失效。

我们在一家工业设备厂商的售后场景做了一轮实验：输入取近 24 个月的领料记录、工单类型与装机量，按需求频次分层处理——高频件用季节分解叠加梯度提升，长尾件改用间歇性需求预测思路，且只输出分位数区间（如 P50/P90）而非单点值，直接对应建议补货区间。回测覆盖约 1.2 万个 SKU。

阶段性结论有两点：
· 长尾段的点预测误差改善有限，MAPE 多数仍在 60% 以上；但改用区间输出后，缺货与过剩的取舍变得可量化，采购侧能按件类设定服务水平；
· 真正带来库存结构变化的是分层策略本身：试点范围内呆滞金额下降约两成，关键件缺货率基本持平。