4. 需求预测进阶：机器学习在需求预测中的应用、预测误差分析与偏差修正

在SOP（销售与运营计划）流程中，需求预测是驱动库存计划、产能分配与采购决策的核心输入。传统的时间序列方法（如移动平均、指数平滑）在数据稳定、模式简单时表现良好，但面对促销、新品上市、季节性波动与市场突发事件时，往往力不从心。本章将深入探讨如何利用机器学习（ML）模型提升预测精度，并系统性地进行误差分析与偏差修正，确保预测结果可落地、可审计。

4.1 机器学习需求预测的适用场景与模型选型

并非所有SKU都适合使用机器学习模型。在引入ML之前，需要根据数据特征与业务需求进行场景划分：

4.2 机器学习预测的通用流程与特征工程

一个标准的需求预测ML项目通常包含以下步骤：

1. 数据收集与清洗：合并历史销售、促销日历、价格变动、天气、节假日等外部数据。
2. 特征工程：构造滞后特征（lag）、滚动统计量（rolling mean/std）、时间特征（周几、月、季度）、事件哑变量。
3. 模型训练与验证：使用时间序列交叉验证（TimeSeriesSplit），避免数据泄露。
4. 预测生成：输出点预测值及预测区间（分位数）。
5. 误差分析与偏差修正：评估残差分布，识别系统性偏差并调整。

import pandas as pd
# 假设df包含每日销售数据，日期索引为'ds'
df['lag_7'] = df['sales'].shift(7)
df['rolling_mean_14'] = df['sales'].rolling(14).mean()
df['day_of_week'] = df['ds'].dt.dayofweek
df['is_promotion'] = (df['promo_flag'] == 1).astype(int)
# 注意：shift操作需在分组（by SKU）后进行，避免跨SKU泄露

4.3 预测误差分析：从整体指标到残差诊断

误差分析不能只看单一指标（如MAPE）。我们需要从多个维度拆解误差，才能定位问题根源：

4.4 偏差修正：系统性偏差的识别与调整

即使模型整体MAPE较低，也可能存在系统性偏差——例如在促销周持续低估、在季末持续高估。偏差修正的典型步骤：

1. 残差分析：绘制残差（实际-预测）随时间的变化图，检查是否存在趋势或周期性模式。
2. 分组偏差计算：按产品类别、渠道、促销状态等维度计算平均偏差。
3. 修正因子生成：对存在显著偏差的分组，计算修正系数（如乘法因子或加法截距）。
4. 后处理调整：将修正因子应用到模型原始预测上，生成最终预测值。

# 假设df_test包含实际值(actual)和模型预测值(pred)
# 按促销状态分组计算偏差因子
bias_factor = df_test.groupby('is_promotion').apply(
    lambda x: x['actual'].sum() / x['pred'].sum()
)
# 应用修正
df_test['adjusted_pred'] = df_test.apply(
    lambda row: row['pred'] * bias_factor[row['is_promotion']],
    axis=1
)

4.5 实战案例：促销场景下的ML预测与偏差修正

某快消企业针对一款SKU使用XGBoost模型进行周度预测，原始模型MAPE为18%，但业务反馈促销周预测总是偏低。通过分组偏差分析发现：

• 非促销周：平均偏差（预测-实际）= +2%（轻微高估）
• 促销周（折扣≥20%）：平均偏差 = -15%（显著低估）
• 促销周（折扣<20%）：平均偏差 = -5%（轻度低估）

针对促销周引入乘法修正因子（1.15和1.05），修正后整体MAPE降至12%，促销周MAPE从28%降至16%。同时，库存周转率提升8%，缺货事件减少22%。