第四章 需求预测类面试题
需求预测是供应链计划专员的核心能力，面试常从预测方法、误差分析、场景应对三个维度深入考察。本章提供结构化回答框架、追问逻辑与实战案例，助你系统备战。
本章学习目标： 掌握“五步回答法”应对预测类问题；理解误差指标及优化方向；能结合案例说明偏差处理闭环。
面试心法： 预测类问题回答时先亮框架（五步法），再选1-2个方法结合案例展开，最后落脚到误差评估与改进动作，展示闭环思维。
📌 面试问题 1
请介绍你常用的需求预测方法有哪些？
| 考察点 | 对预测方法体系的掌握程度，能否根据业务场景匹配合适方法 |
| 回答框架 | 分类说明（时间序列/因果/类比） → 场景匹配 → 个人实践偏好 → 组合验证 |
| 示例回答 | 我常用时间序列法（移动平均、指数平滑）和因果分析法（回归分析）。稳定品类用移动平均，季节性明显的用Holt-Winters，新品用类比法。实际工作中会组合多种方法交叉验证，选择拟合度最优的方案。 |
| 可能追问 | 你如何判断哪种方法最适合当前业务？请举例说明不同方法的适用边界。 |
| 避坑提醒 | 不要只罗列方法名称，要说明场景匹配逻辑，最好结合一个具体品类说明选择依据。 |
📌 面试问题 2
如何评估需求预测的准确性？你会用哪些指标？
| 考察点 | 误差指标体系认知、监控机制、以及如何用指标驱动改进 |
| 回答框架 | 指标定义（MAPE/MAE） → 计算方式 → 阈值标准 → 监控频率 → 改进动作 |
| 示例回答 | 主要用MAPE和MAE，MAPE<10%为优，10-20%为良好。按月按品类监控，对偏差大的单品追溯根因，可能是促销变化或数据源问题，针对性调整模型参数或补充外部特征。 |
| 可能追问 | MAPE在什么情况下会失真？低销量单品如何评估准确性？ |
| 避坑提醒 | 不要只讲指标名称，要说明如何用指标驱动改进，例如追踪偏差根因、迭代模型。 |
📌 面试问题 3
当预测与实际需求出现较大偏差时，你会如何处理？
| 考察点 | 异常应对流程、根因分析能力、闭环改进思维 |
| 回答框架 | 发现偏差 → 根因分析（销售/供给/外部） → 应急调整 → 长期优化 |
| 示例回答 | 首先确认数据无误，然后从销售端、供给端、外部环境三方面追溯根因。短期调整安全库存和补货计划，长期优化模型引入新特征。某次促销偏差发现是折扣未量化，加入折扣率变量后准确率提升15%。 |
| 可能追问 | 请举例说明你实际遇到的偏差及处理方法。短期应急和长期优化如何平衡？ |
| 避坑提醒 | 不要只讲理论步骤，要结合真实案例展示分析过程，体现数据驱动决策。 |
📁 项目案例：大促需求预测准确率提升项目
| 项目名称 | 双11大促需求预测准确率提升项目 |
| 业务背景 | 某电商平台双11期间，小家电品类预测准确率仅62%，导致缺货损失超300万元，急需提升预测精度。 |
| 规模指标 | 覆盖528个SKU，月均GMV 2.3亿元，促销期GMV 5.8亿元 |
| 技术栈 | Python、Prophet、XGBoost、特征工程、SQL、Tableau |
| 核心难点 | ① 促销折扣多变，历史数据无法直接复用；② 竞品活动干扰难以量化；③ 部分SKU为新品，冷启动无历史数据。 |
| 面试高频追问 | • 如何处理促销折扣对预测的影响？ • 冷启动SKU如何预测？ • 你们用了哪些特征工程方法？ |
| 可迁移回答话术 | 我们构建了多维特征体系，将折扣率、竞品价格指数、搜索热度、加购率等作为外部变量输入Prophet+XGBoost融合模型。通过滚动时间窗口回测选择最优特征组合。对于冷启动SKU，采用属性相似品类（同价格带、同功能）的历史数据作为先验，结合首周销售数据进行贝叶斯更新，最终将预测准确率从62%提升至85%。 |
常见失误： 项目案例回答中只讲技术不讲业务价值。面试官更关注你如何用预测驱动供应链决策，建议每项技术动作都关联到业务结果（如降低缺货率、减少滞销库存）。
本章核心回顾：
• 回答框架：五步法（理解场景→选择方法→计算值→评估误差→调整复盘）
• 误差指标：MAPE + MAE，关注阈值与根因追溯
• 偏差处理：短期应急（安全库存/补货调整）+ 长期优化（模型迭代/新特征引入）
• 项目表达：技术动作绑定业务结果，突出闭环改进能力
• 回答框架：五步法（理解场景→选择方法→计算值→评估误差→调整复盘）
• 误差指标：MAPE + MAE，关注阈值与根因追溯
• 偏差处理：短期应急（安全库存/补货调整）+ 长期优化（模型迭代/新特征引入）
• 项目表达：技术动作绑定业务结果，突出闭环改进能力