销售预测与买货管理系统

认知先行：为什么销售预测这么难？

KNOWLEDGE

在讲产品之前，先理解——预测，是零售生意里极为昂贵的一道题。

算不过来

5大渠道 × 300个SKU × 12个月 ≈ 1.8万个数字，Excel手工推演组合爆炸。

基准被污染

大促虚高、断货低谷混在历史里，拿失真的历史预测未来，容易被带偏。

目标落不了地

财务年度目标难科学拆到「SKU×月度」，预算与执行两层皮。

库存两头亏

备少断货丢销售，备多积压吃现金，过期报损是纯亏。

大白话：预测不是「玄学」，而是一道可以用数据和系统算清楚的数学题。

预测方法的三代进化

EVOLUTION

1经验驱动老买手+Excel：凭直觉拍数，换人断档，一遇大促/新品容易失灵

2规则驱动统计公式+BI：算得了常规、算不了异常，全靠人补丁

3AI+系统驱动 · 本方案自动清洗噪声、季节指数建模；AI算基线，人做决策

AI 到底能为预测做什么？

AI ENGINE

数据清洗

给历史数据「降噪」

自动识别大促尖峰与断货低谷，剔除后建模，沉淀真实需求基线。

节律建模

找出产品的「生物钟」

乘法季节指数模型，从约425天数据提炼平滑基准，捕捉双11峰值、季节淡旺。

新老关联

算清新品的「替代效应」

父级编码关联同系列新老产品，新品抢走老款多少量自动量化。

人机协同

AI打底，人做判断

AI产出基线；业务对大促/新品手工调整倍率，每次干预留痕可审计。

一句话说清这个产品

PRODUCT

零售企业的「数字化买手中枢」：把财务目标、销售预测、库存台账、采购计划装进一个系统闭环。

入输入层 · 把家底摸清主数据：渠道/品类/SKU 映射｜财务目标：年度 Top-down 预算

算引擎层 · 系统算核心趋势模型基线｜Smart Split 拆解｜库存台账+效期折损｜DRP 补货运算

出输出层 · 直接能用Rolling 15~18M 销售计划｜对总部净采购建议｜预警与决策大盘

大白话：钱（预算）进来，货（采购建议）出去，中间每一步都有数据、有依据、有记录。

智能基线

数据清洗+季节指数，改善基准失真

一键预算拆解

总目标快速分摊至 SKU×月度

滚动推演

Rolling 15~18M，改一个数全盘重算

库存热力图

红缺货/绿健康/蓝过剩，一眼看全

DRP 买货引擎

APICS 规范，净需求透明可审计

决策大盘

预算达成、异常预警一屏掌握

零售业务三大场景

SCENARIOS

落地方案 ›

场景一 · 年度买货规划会

从「2周Excel苦战」到「1天定案」

以前：3名买手推演2周+，约1.8万个格子手工推演，目标一变推倒重来
现在：录入总目标 → 一键智能拆解 → 重点款微调，支持规划会当天定案
Smart Split：按渠道/品类/历史结构权重拆到「SKU×月度」，Top-down 与 Bottom-up 一张表对齐
会上定案：规划会投屏推演表，参数一改实时重算，用数据讨论而不是用音量讨论
版本快照留底：Draft→Active 自动归档，谁的数据是准的说得清，可回滚可比对

录入目标年度预算

智能拆解SKU×月度

重点微调人工判断

快照定案版本留底

价值：年度规划从「周级」压缩到「日级」（视企业数据基础而定），让预算与执行更对齐。

落地方案 ›

场景二 · 新品上市与大促

更易「买错」的两个时刻

Parent Code：新品替代老款效应自动量化，减少新老两款重复备货
新品无历史数据：挂靠同系列相似款基线做首单预估，随动销积累逐步收敛
大促倍率手工干预：改多少、谁改的、为什么改全部留痕，干预经验可沉淀
今年双11峰值自动标记剔除，不污染明年基线
促后自动复盘：预测与实际偏差对比，倍率经验留作下次参考

新品归属Parent Code

基线预估相似款挂靠

倍率干预全程留痕

剔除复盘经验沉淀

价值：新品与大促减少「拍脑袋」式备货，每一次判断都可解释、可复盘。

落地方案 ›

场景三 · 日常库存与补货

「这批货，还要不要再买？」

热力图：红区=覆盖不足1个月缺货风险，蓝区=过剩占现金，绿区=健康
效期透视：分清正常消耗 vs 过期报损；Expiry Drop 对高危批次保守预估报损，提前暴露风险
DRP：净需求公式自动算好补货建议，输出对总部净采购建议
安全库存配置：跌破安全底线自动提示补货量，人确认后下单
周会带大盘：缺货/过剩/报损一屏掌握，补不补、补多少用数据说话

热力图诊断红蓝绿区

效期透视报损预警

DRP运算净需求

补货建议人确认

价值：帮助同时减少缺货与积压，让库存从「黑箱」变成「仪表盘」。

基线准清洗噪声

拆解快一键分摊

买得对DRP建议

决策清大盘可视

业务逻辑全解：一条链路七个环节

BUSINESS LOGIC

系统的每一步，力求对应现有业务流程中的真实动作。

阶段一 · 数据底座阶段二 · 计划推演阶段三 · 执行闭环

1主数据治理渠道/品类/SKU 建档与校验，承载 Parent Code

2智能基线清洗 + 季节指数建模，生成425天平滑基准

3预算拆解Top-down 拆到 SKU×月度，版本快照留底

4滚动推演Rolling 15~18M，改一个数全盘实时重算

5多渠道汇总需求聚合 + 新品/大促/效期异常识别管控

6DRP 净需求APICS 规范补货量自动运算，输出净采购建议

7执行与反馈采购落地、实绩回流，偏差回灌下轮推演

← 左右滑动查看完整链路 →

人做什么

维护主数据、确认新品归属

审核季节系数、锁定基线

录入目标、微调重点款

大促/新品干预并说明理由

确认采购建议、向总部下单

系统做什么

校验映射、承载 Parent Code

自动清洗、生成425天基准

按权重一键拆解、快照留底

实时重算全量结果

APICS 运算净需求与建议补货量

大白话：台账只记「物理增减」，可用库存由引擎统一计算——职责清晰，关键数字追得到来源。

技术篇 · 基线引擎流水线

TECHNOLOGY

①原始历史约425天日别销售数据导入

②断货识别Stockout 期间零/低销量修复为潜在需求

③大促剔除Promo 异常峰值标记并剥离

④真实基线平滑基准沉淀，供全链路引用

预测值 = 真实基线 × 季节指数 × 人工干预倍率

浅灰区历史同期与系统基线，客观参考

青色区自动引入季节指数

黄色区手调倍率干预，痕迹留存

浅绿区实时反馈推演结果

大白话：推演表 = 一张「会自己算的Excel」：灰的看历史、青的用模型、黄的留人判断、绿的即时看结果。

技术篇 · 离散台账 × DRP 引擎

DRP ENGINE

离散事件台账

只记「物理增减」：快照导入 / 入库增加 / 计划入库 / 效期折损
不含销售扣减逻辑，可用库存由引擎统一计算
Expiry Drop：高危批次保守预估报损，提前暴露风险

净需求 = MAX(0, 销售计划汇总 + 安全库存 − 可用库存)

DRP 补货引擎（APICS 规范）

期末库存跌破安全底线 → 红色预警
结合保底配置自动建议补货量，输出净采购建议
效期透视行：分清正常消耗 vs 过期报损

技术篇 · 全局闭环与快照溯源

CLOSED LOOP

单渠道计划SKU×月度

多渠道汇总需求聚合

预算对比偏差分析

闭环修正回灌推演

存储分工与审计

MySQL 业务主库：主数据与需求明细，事务可靠
MongoDB 快照库：Draft→Active 提交自动生成 JSON 快照
Audit Trail：谁、何时、改了什么、为什么，长期可溯

IT 视角：架构 · 安全 · 落地

IT & SECURITY

技术架构

前端 React：类 Excel 流畅表格体验，低学习成本
后端 Python FastAPI：大规模 SKU 实时推演
MySQL 业务主库 + MongoDB 快照库
参数化面板：平滑系数/清洗阈值配置即生效

私有化部署

数据不出企业边界，自主可控

权限分级

RBAC 角色权限，按角色可见

审计留痕

快照+干预记录，支持内审合规

加密备份

TLS 传输、加密存储、定期演练

①数据先行主数据治理验收合格后启动建模

②单通道试点1个核心渠道并行运行1-2个计划周期

③全渠道推广达标后切换，旧流程归档、知识沉淀

扩展性：通用适配器，不做围墙花园

EXTENSIBILITY

与客户既有系统对接

RESTful API：ERP/WMS 实时调用，订单库存自动流入
定时任务：电商平台销量 T+1 自动抓取
Excel 模板导入导出：低门槛过渡，初期不改流程
结果回流：采购建议推回总部，计划同步 BI 与财务

今现在 · 规则基线数据清洗+季节指数，随系统交付

进进阶 · 机器学习预测引入天气/流量/广告投放等外部因子，精度有望逐步提升

远远期 · 智能归因与预警未达标自动归因，异常主动推送建议

销售支持场景

SKU×月度预测转化为渠道/门店目标与绩效基准
大促备货锁定库存，减少销售「有单无货」
未达标快速归因：预测偏差、缺货、还是执行问题
销售随时查看库存健康与缺货风险

辩证审视：价值、边界与成功路径

DIALECTICS

任何系统都不是万能钥匙。我们同样诚实地说明它「不能做什么」。

正 · 系统能创造的价值

把重复算术接管，把经验沉淀为数据资产

▪ 规划效率：年度规划从周级缩短到日级（视企业数据基础而定）
▪ 基准质量：清洗后的基线减少大促/断货噪声干扰
▪ 可追溯：每次干预留痕，计划成为可审计资产

反 · 能力边界与前提

系统效果的三个「取决于」

▪ 取决于主数据质量：编码不统一，算法就难以算准
▪ 取决于人机协同：系统给建议，不能替代业务判断与管理决策
▪ 取决于企业差异：行业经验值不等于个体承诺，效果因企业而异

合 · 成功路径

小步快跑：数据先行 → 单通道试点 → 全渠道推广

并行验证、稳步切换，是供应链系统上线的成熟路径；人的角色从「计算器」升级为「决策者」。

演示系统对照：客户需求 × 功能模块

SFIPS DEMO

以 SFIPS 演示环境（sls-inv-plan.natec.cn）真实功能模块为准，把典型客户需求逐条对应到解决模块。

解法详情 ›

需求年度预算拆不下去、版本混乱说不清

解决

计划制定 · 预算管理 + 目标推导预算列表｜版本历史｜版本对比｜AI 重新推导 / 批量确认

解法详情 ›

需求预测不准，大促/断货噪声污染基线

解决

智能优化 · 预测引擎 + 趋势建模ARIMA/Prophet/LightGBM/Ensemble 任务｜趋势类型｜模型列表｜周别日构成比

解法详情 ›

需求渠道计划各自为政，汇总对齐难

解决

计划制定 · 销售计划 + 流程管理多渠道汇总（数量 / 金额vs预算）｜版本历史｜审批流程

解法详情 ›

需求新品首单与大促倍率靠拍脑袋

解决

智能优化 · 周度推演中心 + 主数据 SKUWhat-if 场景模拟｜置信度｜PARENT 代码 / CARRY OVER｜促销配置

解法详情 ›

需求库存黑箱，缺货与积压并存

解决

计划制定 · 库存计划 + 首页概览日别推演（571天）｜库存快照｜覆盖热力图｜批次到期预警

解法详情 ›

需求补货算不清、采购联动难

解决

智能优化 · 买货计算引擎 + 买货计划安全库存/净需求/MOQ 公式｜AI 自动生成｜Rolling 版本｜采购入库汇总

解法详情 ›

需求末期品积压损耗，发现太晚

解决

智能优化 · 末期优化助手AI 识别衰退 SKU｜暂停补货 / 促销折扣建议｜损失与可挽回预估

解法详情 ›

需求数据孤岛，手工搬报表

解决

数据平台 · 数据集成 + 维度建模ERP/WMS/PLM/电商通道｜PSI/FORECAST/BUDGET/ACTUAL 模型｜数据巡检

解法详情 ›

需求干预责任不清、内审合规压力

解决

系统管理 · 操作审计 + 平台端审计日志谁/何时/改了什么/为什么｜审批流程｜租户与权限分级管理

说明：以上模块名称取自 SFIPS 演示环境实际菜单；具体功能范围以合同约定与交付版本为准。

销售预测与买货管理系统

认知先行：为什么销售预测这么难？

算不过来

基准被污染

目标落不了地

库存两头亏

预测方法的三代进化

AI 到底能为预测做什么？

数据清洗

节律建模

新老关联

人机协同

一句话说清这个产品

智能基线

一键预算拆解

滚动推演

库存热力图

DRP 买货引擎

决策大盘

零售业务三大场景

场景一 · 年度买货规划会

场景二 · 新品上市与大促

场景三 · 日常库存与补货

业务逻辑全解：一条链路七个环节

人做什么

系统做什么

技术篇 · 基线引擎流水线

技术篇 · 离散台账 × DRP 引擎

离散事件台账

DRP 补货引擎（APICS 规范）

技术篇 · 全局闭环与快照溯源

存储分工与审计

IT 视角：架构 · 安全 · 落地

技术架构

私有化部署

权限分级

审计留痕

加密备份

扩展性：通用适配器，不做围墙花园

与客户既有系统对接

销售支持场景

辩证审视：价值、边界与成功路径

把重复算术接管，把经验沉淀为数据资产

系统效果的三个「取决于」

小步快跑：数据先行 → 单通道试点 → 全渠道推广

演示系统对照：客户需求 × 功能模块

产品

解决方案

资源

公司