1. 课程导论与业务背景
1.1 促销活动的“双刃剑”效应
在零售与电商行业，促销（如满减、秒杀、买赠、限时折扣）是拉动GMV、清库存、拉新客的核心手段。然而，促销活动对供应链的冲击往往被低估：销量在短时间内剧烈波动，需求模式被临时扭曲，导致库存错配、爆仓与滞销并存。
核心矛盾： 促销带来的需求脉冲，与供应链的刚性补货节奏、产能约束、仓储容量之间存在结构性冲突。传统预测模型在促销期间误差率普遍上升 30%–80%。
| 促销类型 | 典型销量波动幅度 | 供应链主要风险 |
|---|---|---|
| 平台大促（双11/618） | 日常 5–20 倍 | 爆仓、配送延迟、退货率飙升 |
| 品类满减/直降 | 日常 2–5 倍 | 库存深度不足、断货 |
| 限时秒杀 | 日常 10–50 倍（分钟级） | 系统超卖、物流瞬时洪峰 |
| 买赠/捆绑销售 | 日常 1.5–3 倍 | 物料组合拆分困难、包装线切换 |
1.2 传统预测与供应链规划的“三不”困境
- 不量化： 促销影响被当作“黑箱”，缺乏对折扣深度、时长、渠道、竞品反应等因子的结构化拆解。
- 不联动： 需求预测、库存计划、补货执行各自为政，促销信息在系统间传递失真。
- 不层级： 预测模型只在 SKU 级别运行，无法在品牌、品类、仓库、门店等层级间保持一致性，导致汇总数据与基层计划冲突。
行业痛点案例： 某头部快消品牌在 2023 年“618”期间，因未量化“满 199 减 30”对 A 类 SKU 的 2.3 倍拉动效应，导致华东仓提前 5 天断货，损失约 1200 万元 GMV，同时华北仓积压 3 万箱库存，产生逆向物流成本 47 万元。
1.3 联合优化的必要性：从“事后补救”到“事前协同”
要解决上述困境，必须将促销影响量化与层级预测两个环节进行联合优化，而非串行或割裂处理。其核心逻辑如下：
- 促销弹性建模： 利用历史数据与实验设计，量化不同促销因子（折扣率、时长、渠道、价格锚点）对需求的影响系数。
- 层级一致性约束： 在品牌 → 品类 → SKU → 仓库/门店的预测层级中，通过 reconciliation（调和）算法确保底层预测之和等于顶层预测，避免“上下打架”。
- 联合损失函数： 将促销弹性参数与层级预测误差同时纳入优化目标，实现端到端的参数共享与梯度回传。
1.4 联合优化的业务价值量化
根据本课程合作企业的实际落地案例，联合优化相比传统串行方案，在以下关键指标上取得显著改善：
| 指标 | 传统串行方案 | 联合优化方案 | 改善幅度 |
|---|---|---|---|
| 促销期预测误差 (MAPE) | 38.5% | 19.2% | ↓ 50.1% |
| 库存周转天数 | 42 天 | 31 天 | ↓ 26.2% |
| 缺货率（促销期） | 14.7% | 6.3% | ↓ 57.1% |
| 促销 ROI（投入产出比） | 1:3.2 | 1:5.8 | ↑ 81.3% |
课程定位： 本课程将完整拆解上述联合优化的工程实现路径，涵盖促销弹性建模、层级时间序列调和、深度学习联合训练、在线部署与监控等核心模块。每章均提供可复用的 Python 代码与伪代码，适合具备 1–3 年数据科学或供应链分析经验的从业者。
1.5 本章小结与知识图谱
本章建立了联合优化的业务必要性认知：促销活动对供应链的冲击不可忽视，传统割裂的预测与计划方式已无法满足现代零售/电商的敏捷要求。下一阶段，我们将进入技术细节，从促销弹性建模开始，逐步构建完整的联合优化系统。