销售预测库存管理Sweet 1.3
Horizon：Sweet 1.3 的逐产品库存预测
Horizon 让统计模型与逐日预测竞争，按最近 28 天的表现为每个产品选出更准的一个。在 8 家门店、4 个时间点的测试中误差三者最低，难预测的产品误差缩小一半以上，并可按门店调整。童装由 4.14 降到 1.77，户外由 3.57 降到 1.64。
阅读 2 分钟
Horizon 是 Sweet 1.3 的库存预测 AI：对每个产品，它让统计模型与逐日预测相互竞争，回放最近四周的表现，并保留预测得最准的那一个。 它还会考虑日历上已经确定的因素：法定假日、季节性促销、季节。
两个模型，一个裁判
每个产品都有自己的节奏。稳定的畅销品用统计模型就能预测得很好；季节性产品或潮流产品，则更适合逐日来看。Horizon 不会一次定终身：
- 它计算两种预测；
- 它在该产品最近 28 天上回放这两种预测；
- 它按精度给两者加权，以统计模型为基准；
- 当两者出现真正的分歧时，由 Sweet Instinct 裁决。
补货、断货日期和预购，随后都基于最终采用的预测来计算。
测试结果
在我们的基准测试中，八家门店、四个日期，每家门店最多 250 个 SKU：
| 统计模型 | 仅逐日预测 | Horizon（Sweet 1.3） | |
|---|---|---|---|
| 预测区间误差（越低越好） | 0.0906 | 0.0914 | 0.0905 |
| 平均误差（MASE） | 1.439 | 2.047 | 1.424 |
三者之中，Horizon 的精度最高，而在难预测的产品上，它能把误差降低到原来的一半以下：
| 门店 | 仅逐日预测 | Horizon |
|---|---|---|
| 童装品牌 | 4.14 | 1.77 |
| 户外 | 3.57 | 1.64 |
| 男装 | 2.77 | 1.43 |
逐店调校
每家商家都在自己的配置中拥有独立的 Horizon 设置。在网球和板式网球门店上，用 7 月和 8 月选定的设置去回放 5 月和 6 月，与单独使用统计模型相比，库存成本下降了 2.4%。
常见问题
为什么要组合两个模型，而不是只选一个？
因为没有哪个模型能在所有地方获胜。让它们在每个产品上相互竞争，Horizon 就能兼取两者之长；当逐日预测没有带来价值时，它就继续使用统计模型。
Horizon 会考虑促销季和法定假日吗？
会：法定假日、星期几、促销季，以及产品自身的季节性，都在考虑之内。
如果逐日预测不可用会怎样？
Horizon 会继续使用统计模型。您的建议照常送达。