3. 预测误差来源分析
在多级库存架构中，预测误差并非单一因素导致，而是多种来源叠加的结果。准确识别误差来源是制定修正策略的前提。根据供应链实践与数据特征，预测误差主要来源于以下四个维度：需求波动、促销活动、季节性因素以及数据质量问题。
核心观点： 预测误差 = 结构性误差（可解释）+ 随机性误差（不可解释）。修正方案应优先处理结构性误差，再通过统计方法平滑随机性误差。
3.1 需求波动
需求波动是预测误差最根本的来源，表现为客户实际需求在时间序列上的不规则变化。在多级库存场景下，需求波动会沿供应链逐级放大（即“牛鞭效应”），导致上游节点的预测误差远大于下游节点。
| 波动类型 | 特征描述 | 对预测误差的影响 | 典型场景 |
|---|---|---|---|
| 随机波动 | 无规律、不可预测的短期变化 | 误差方差增大，难以通过模型消除 | 日常订单的随机增减 |
| 趋势波动 | 长期上升或下降的持续变化 | 模型滞后导致系统性偏差 | 产品生命周期末期需求下降 |
| 突发波动 | 由突发事件引起的剧烈变化 | 短期误差急剧放大，模型失效 | 疫情、自然灾害、政策变化 |
修正提示： 对于随机波动，建议使用移动平均或指数平滑法进行降噪；对于趋势波动，需引入趋势分解组件（如 Holt-Winters 模型）；对于突发波动，应建立异常检测机制并触发人工干预。
3.2 促销活动
促销活动是人为制造的需求扰动，其特点是：时间集中、幅度大、具有前置效应和后置效应。促销期间的预测误差通常比非促销期间高出 30%~80%，且误差会沿多级库存链传递。
- 前置效应： 促销前客户提前采购，导致促销前需求异常升高，促销后需求骤降。
- 后置效应： 促销后需求回补或透支，形成“需求空洞”。
- 交叉效应： 多个 SKU 同时促销时，需求相互转移（替代效应或互补效应）。
3.3 季节性因素
季节性因素是指需求在固定周期内呈现的规律性波动，包括年度季节（如春节、双十一）、月度周期（如月初/月末集中采购）以及周度模式（如周末消费高峰）。在多级库存中，不同层级对季节性的敏感度不同：越靠近终端零售，季节性越明显；越靠近原材料端，季节性越被平滑。
| 季节性类型 | 周期长度 | 典型示例 | 对预测误差的影响 |
|---|---|---|---|
| 年度季节性 | 12 个月 | 春节、双十一、圣诞季 | 模型未考虑季节因子时，误差可达 50%+ |
| 月度季节性 | 1 个月 | 月初预算释放、月末冲量 | 月度内误差波动显著 |
| 周度季节性 | 7 天 | 周末消费高峰、工作日补货 | 周度预测精度下降 10%~20% |
常见误区： 很多团队仅对年度季节性做简单乘法调整，忽略了月度/周度季节性的叠加效应。在多级库存中，不同层级应使用不同的季节性分解粒度——中央仓库使用月度季节性，区域仓库使用周度季节性，门店使用日度季节性。
3.4 数据质量问题
数据质量问题是预测误差中最隐蔽、最容易被忽视的来源。即使模型再先进，如果输入数据存在缺陷，输出结果必然失真。在多级库存系统中，数据质量问题会沿供应链传递并放大。
- 缺失值： 历史销售数据缺失、库存盘点数据缺失，导致模型训练不完整。
- 异常值： 录入错误、系统故障导致的极端值（如单日销量为 0 或异常高）。
- 时间戳不一致： 不同系统（ERP、WMS、POS）的时间戳粒度不同，导致数据对齐困难。
- SKU 编码混乱： 同一产品在不同系统中使用不同编码，导致数据无法关联。
- 退货数据干扰： 退货未及时冲减销售数据，导致需求被高估。
3.5 误差来源的量化评估
在实际项目中，建议对每个误差来源进行量化评估，以便确定修正优先级。以下是一个常用的误差来源分解矩阵：
| 误差来源 | 贡献占比（典型值） | 可修正性 | 修正难度 | 优先等级 |
|---|---|---|---|---|
| 需求波动 | 30%~40% | 中等 | 中 | 高 |
| 促销活动 | 25%~35% | 高 | 中高 | 高 |
| 季节性因素 | 15%~25% | 高 | 低 | 高 |
| 数据质量问题 | 10%~20% | 高 | 低 | 最高 |
实践建议： 在启动预测误差修正项目时，应首先解决数据质量问题（投入产出比最高），然后处理季节性因素和促销活动（可建模修正），最后通过模型优化应对需求波动。这种“先治本、后治标”的顺序能最大化修正效果。