电商经营工作台经营决策中枢
经营路径

情报 → 判断 → 选品 → 上架

经营主流程

AI 情报
每日 AI 情报开源项目与 Skills
今日工作台方法库经营 Agent任务记录PDD 采价记录候选商品上架商品价格换算物流价格浏览器任务订单管理
智能客服
在线客服入口客户入口管理客服会话售后确认客服知识

治理与复盘

规则库规则建议运行日报任务控制台策略配置
登录

经营与 AI 决策视角

电商经营工作台
AI情报工作台选品池上架
返回方法库

方法详情

异常日历标注—滚动需求预测—误差护栏备货法

将趋势、季节性、节假日、促销和异常事件显式拆分,并用滚动窗口验证误差,比凭近期销量均值备货更能控制缺货与积压。
领域:数据分析供应链方法、数据分析方法可创建经营任务候选可创建经营任务
可执行性
92
CEO:可创建经营任务候选

决策路径

系统审核结论

可创建经营任务候选

决定是否展示创建经营任务入口。

我的处理状态

可创建经营任务

只代表人工跟进意图,不会单独解锁创建入口。

下一步

可以创建经营任务

下面可以直接创建选品或经营任务。

来源

平台:GitHub开源工作流

作者/项目:Prophet

去重使用的来源链接:

https://github.com/facebook/prophet

适用范围

市场:US

平台:淘宝、拼多多(参考Prophet开源预测方法迁移)

类目:母婴, 家居日用, 食品, 非电子消费品

审核分解

来源可信度:18/20

步骤清晰度:23/25

结构化程度:19/20

边界清晰度:13/15

执行可行性:19/20

我的处理状态

当前:可创建经营任务。处理状态用于记录人工判断;是否能创建经营任务,仍以页面上方“系统审核结论”为准。

创建数据分析助手

这个入口会创建经营任务配置,绑定当前方法和领域;不会写入商品候选池,也不会立即运行。

异常日历标注—滚动需求预测—误差护栏备货法

领域:数据分析。后续会按当前输入对象、检查频率和输出格式执行。

已创建任务

当前方法还没有创建数据分析助手。

CEO 审核结论

数据输入、回测标准和输出护栏均可结构化,能够直接支持库存决策,但采购动作必须人工批准。

建立数据质量检查、事件日历生成、层级选择、滚动回测、基线比较和订货区间计算模块;设置模型误差或数据完整性不达标时自动转人工。

执行步骤

  1. 1.抽取SKU日级有效销量、成交价、促销、库存和缺货标记,统一时区并去除取消订单。
  2. 2.区分真实零销量与缺货截断;将大促、断货、改版、达人曝光和美国节假日登记为事件变量。
  3. 3.仅对历史长度和非零销售天数达标的SKU建模,稀疏SKU上卷到款式或类目层级。
  4. 4.采用滚动时间窗回测,并与7日均值、季节性朴素预测比较MAE、WAPE和偏差。
  5. 5.将预测中位数、上下界、供应周期和安全系数组合成建议订货区间。
  6. 6.只有在误差优于基线且库存资金护栏通过时,才允许生成采购建议;采购下单保留人工审批。

判断指标

  1. 1.WAPE
  2. 2.MAE
  3. 3.预测偏差
  4. 4.预测区间覆盖率
  5. 5.缺货率
  6. 6.滞销库存金额
  7. 7.库存周转天数

输入数据要求

  1. 1.至少90至180天的日级销量历史
  2. 2.库存与缺货日志
  3. 3.成交价及促销日历
  4. 4.美国节假日和站内活动日历
  5. 5.采购提前期、最小起订量和现有在途库存

排除规则

  1. 1.排除Electronics和High-return fashion。
  2. 2.历史少于90天且无法获得同类代理序列的新品不自动下采购结论。
  3. 3.缺货天数无法识别或数据缺失严重的SKU不进入自动预测。
  4. 4.一次性爆款、清仓品和已经停产的SKU不使用常规趋势外推。
  5. 5.预测模型不得绕过现金流、仓容、起订量和保质期约束。

风险与适用边界

  1. 1.预测依赖历史规律,平台流量机制变化或突发内容曝光会造成结构性失效。
  2. 2.缺货导致的销量截断若未修正,会系统性低估需求。
  3. 3.美国节假日效应可参考,但淘宝、拼多多站内活动效应必须用本店数据重新估计。
  4. 4.Prophet输出不是采购承诺,长交期和易过期母婴用品需要更严格的人工审查。

来源摘要与执行说明

Prophet仓库提供可执行的时间序列建模接口,支持趋势、周期、节假日、额外回归量、不确定区间和异常值处理。可迁移步骤是按SKU或类目构造日销量序列、加入美国节假日及淘宝/拼多多促销事件、滚动回测并输出预测区间;平台订单字段需要另行映射。

输出格式:按SKU输出未来需求中位数、预测上下界、回测误差、偏差、建议订货区间、风险标签和人工复核原因。

执行示例:对一组婴儿喂养耗材建立日销量模型,标注春节、618、双11、美国返校季及断货日;滚动回测优于7日均值后,以预测上界覆盖供应周期,同时把保质期和仓容作为订货上限。