销量预测方法对比:移动平均、指数平滑与机器学习怎么选

没有"最好的算法",只有"最合适的场景"

销量预测是补货模型的输入端,预测质量直接决定安全库存与补货量的质量。但实践中最大的误区是追求单一"先进算法"——在 SKU 成千上万、数据质量参差的现实里,按 SKU 特征分层选型远比全局上一个复杂模型有效。

四类主流方法对比

方法	适用数据特征	优点	局限	数据要求
简单/加权移动平均	平稳、无趋势无季节	透明、可解释、几乎零维护	对趋势和突变反应迟钝	数周日销数据
指数平滑(SES/Holt/Holt-Winters)	有趋势或季节性的连续销售	兼顾近期与历史,参数少,可自动化	对促销等外生事件不敏感	至少 1–2 个完整季节周期
Croston 及其变体	间歇性需求(大量零销量日)	拆分"发生概率"与"需求量",避免低估	参数估计对异常值敏感	较长的历史窗口
机器学习(梯度提升树等)	多因素影响、数据量大	可融合价格、促销、天气等特征	需要特征工程与运维,可解释性弱	大量干净历史 + 特征数据

移动平均:被低估的基线

多窗口加权移动平均是补货场景最实用的基线:近 7 天、近 30 天、昨日、近 3 月日均按权重加权,既响应近期变化又不被单日波动绑架。它的真正价值在于透明——业务人员看得懂每一个数字的来源,才敢把补货决策交给它。

指数平滑:三档递进

SES(简单指数平滑):只适合无趋势无季节的平稳序列。
Holt(双指数平滑):加入趋势项,适合稳定增长的品类。
Holt-Winters(三指数平滑):再加入季节项,适合有明显季节周期的商品(如取暖、防晒、节庆品)。

陷阱在于:电商销量里混着大量促销脉冲,直接用原始序列拟合,模型会把大促当成"常态需求"外推。促销日必须先剔除或单独建模。

Croston:长尾 SKU 的救星

长尾 SKU 的典型序列是"0, 0, 3, 0, 0, 0, 1, 0 ..."。对这类序列直接算均值会得到"日均 0.5 件"这种误导性数字。Croston 法把问题拆成两个:需求发生的间隔、发生时的量,分别用指数平滑估计后再合成。对动销率低的办公用品、工业品备件类 SKU,这比硬套常规方法靠谱得多。

机器学习:什么时候才值得上

梯度提升树(如 LightGBM 一类的模型)在头部电商的实践证明有效,但前提是:有足够长的干净历史、有促销/价格/流量等特征数据、有团队能维护特征管道与模型重训。如果这三条缺两条,机器学习带来的不是精度提升,而是不可解释的黑盒与运维负担。

按 SKU 分层的选型建议

A 类(头部动销品):指数平滑(Holt-Winters)起步;有特征数据与团队时再评估机器学习。
B 类(腰部常规品):多窗口加权移动平均 + 人工系数调整,性价比最高。
C 类(长尾间歇品):Croston 或直接按"周转天数上限 + 最小起订量"的规则补货,不强行预测。
新品/促销品:不进统计模型,用"类比品曲线 + 人工计划"单独处理。

预测不是终点:把误差接回补货

预测值进入补货公式的同时,预测误差(MAPE、偏差方向)应该落库并定期复盘。一个持续偏高估的模型比一个粗糙但无偏的模型更危险——它会系统性地制造滞销。这也是我们强调"每条补货建议可追溯回数据与公式"的原因:只有看得清误差从哪来,才能持续修正它。