事故一时间线
先把那晚的事完整还原一遍，因为后面所有道理都从这张时间表里长出来：
| 时间 | 发生了什么 |
|---|---|
| 21:47 | 运营群截图：SKU-10086 库存 0、在途 0，客服话术改「补货中」 |
| 21:52 | 计划同事甩报表：模型未来 7 天日均预测 520 件，「我们就是按 520 备的」 |
| 22:10 | 拉出近 30 天销量：日均 512 件——模型没算错，它忠实地预测了它看到的东西 |
| 22:31 | 有人问了一句：「这 30 天里，有几天是断货的？」 |
| 22:34 | 答案：6 天。那 6 天销量分别是 0、0、0、210、0、0 |
| 22:40 | 会议室安静了。真实日均需求不是 512，是 512×30 ÷ 24 ≈ 640 |
| 次日 09:00 | 复盘结论：模型低估约 20%，备货跟着低估，断货是系统自己喂出来的 |
注意 22:10 到 22:34 之间的那四分钟：整个项目的认知被一句提问翻转了。问题不在模型，在数据的定义。
你看到的销量，是需求和库存里较小的那个
销量 = min(需求, 可供货量)。这句话值得抄在工位上。
-
缺货那几天，销量是 0——但需求不是 0，顾客想买，只是没买到；
-
大促限流那几个小时，销量被系统掐住，需求在排队；
-
陈列位被砍、页面下架、区域停售，销量都会「凭空消失」。
我画过一张对照图，把真实需求和系统里唯一能看到的销量放在一起：
红色阴影就是被库存吃掉的部分。这段 60 天数据：真实需求合计 14024.0 件，观测销量 10682.5 件，被截断 3341.5 件——系统性低估 23.83% 。三段缺货（完全断货、只满足 35%、再次断货）在销量表里看起来只是「那几天生意不好」。
缺货螺旋：两轮推演给你看
为什么说这是「自我实现」的？用一个极简推演，真需求恒为每天 100 件：
| 周 | 发生了什么 | 模型看到的周销量 | 下周备货 | 实际卖出 |
|---|---|---|---|---|
| 第 1 周 | 一切正常 | 700 | 700 | 700 |
| 第 2 周 | 一切正常 | 700 | 700 | 700 |
| 第 3 周 | 供应商迟到 3 天（外部事故） | 400 | — | 400 |
| 第 4 周 | 模型学会「现在一周卖 400」 | 400 | 400 | 400（需求 700，缺 300） |
| 第 5 周 | 模型确认「果然只卖 400」 | 400 | 400 | 400 |
| … | 永久锁定在 400/周 | 400 | 400 | 400 |
一次性的外部事故，经过「销量截断 → 模型学习 → 备货跟随 → 再次截断」的闭环，变成了永久性低估 43% 。没有任何人会察觉，因为报表上「预测准确率」一直很高——它准确地预测了自己造成的缺货。
这就是事故一的完整机理。模型不坏，坏的是闭环里没人校验「销量是否等于需求」。
销量还原：三种做法，各有适用场景
建模前的第一道工序，是把被截断的销量补回去。三种做法：
| 方法 | 做法 | 适用 | 坑 |
|---|---|---|---|
| 速率法 | 缺货前 k 天日均 × 缺货时长 | 缺货短、需求平稳 | k 取太大会把趋势抹平 |
| 同期法 | 上周同天销量 × 周环比系数 | 有强周季节 | 上周同天若也缺货，误差叠加 |
| 模型法 | 用未缺货时段拟合的模型反推缺货期 | 缺货长、有促销干扰 | 模型本身有偏时会放大偏 |
手算（速率法） ：缺货 3 天，缺货前 7 天日均 820 件 → 补 3 × 820 = 2460 件。
手算（同期法） ：缺货的三天对应上周同三天销量 790 / 810 / 830，近四周周环比均值 1.02 → 还原为 790×1.02 = 806、810×1.02 = 826、830×1.02 = 847，合计 2479 件。
两种方法差 19 件（0.8%），可以接受；如果差超过 10%，说明需求在这几天有结构性变化，得查促销和流量。还原值要落库并打标（哪几天是还原的、用的哪种方法），否则三个月后没人说得清哪些数字是观测、哪些是估计。
「帮我预测一下销量」是一句无法执行的话
接过需求的人都知道这句话有多坑。可执行的预测任务必须钉死四个维度，下面是我开会时逐条问的清单：
对象与粒度
-
预测到 SKU 还是 SPU？颜色尺码算不算独立对象？
-
空间到全国、分仓、还是分门店？跨仓调拨算不算需求？
-
线上线下分开吗？直播渠道单独建模吗？
时间窗与节奏
-
看多远：7 天补货、21 天采购、还是 13 周计划？预测窗口必须 ≥ 决策提前期（第 14 篇会算这笔账）。
-
日粒度还是周粒度？聚合会丢掉什么、换来什么？
口径
-
预测需求还是销量？（读完本篇，答案永远是需求）
-
含退货吗？含赠品发出吗？含内部领用和调拨吗？
-
缺货期用还原值还是观测值？（还原值，且打标）
责任与考核
-
这个预测给谁用？补货、排产、还是财务预算？三者容忍的误差方向完全不同。
-
考核用什么指标、按什么分层？（第 3、15 篇）
-
谁有权改预测？改了怎么留痕？（第 15 篇）
-
出错时归因的第一责任人是谁？
问完这 12 个问题，项目成功率至少翻倍——因为它们把「预测」从一个模糊愿望变成了一个可验收的合同。
这里还有个绕不开的张力：决策发生在最细的粒度，信息量在最粗的粒度最充足。单仓单 SKU 明天卖多少鬼才知道，但全国品类月销稳得很。工业界解法：粗粒度预测准，再层级调和拆回去（第 13 篇）。
预测的产出是三样东西，不是一个数
初学者交差：「明天卖 523 件。」成熟的系统交一张预测卡片：
| 字段 | 值 | 给谁用 |
|---|---|---|
| 点预测 P50 | 523 | 报表、例会沟通 |
| P10 / P25 | 452 / 486 | 清仓与停产判断 |
| P75 / P90 | 566 / 611 | 大促备货、长提前期采购 |
| 理由分解 | 基线 400 + 周末 60 + 促销 80 − 透支回补 17 | 归因、干预、信任 |
| 基线对照 | Seasonal Naive = 508（本模型 +2.9%） | 上线门槛、兜底切换 |
| 置信说明 | 近 28 天 P10~P90 覆盖率 81%（名义 80%） | 校准体检 |
第三行「理由」最容易被砍掉，也最致命：没有理由的预测，出错时无法归因，于是永远改不对；业务也不敢信一个说不出为什么的数字。
准不准，先看你亏得起哪种错
回到煎饼摊。老张的决策只取决于两个数字的比值：少摊一份亏 5 块（Cu），多摊一份亏 3 块（Co）。Cu > Co → 偏向多摊。换成当天必须销毁的鲜切花，结论立刻反转。
手算两个真实行业的对照，感受这个比值的力量：
| 行业 | 售价 | 成本 | 季末残值 | Cu = 售价−成本 | Co = 成本−残值 | 临界分位数 Cu÷(Cu+Co) | 该备到 |
|---|---|---|---|---|---|---|---|
| 生鲜叶菜 | 10 | 6 | 1 | 4 | 5 | 0.444 | 均值略低（z ≈ −0.14） |
| 3C 配件 | 100 | 40 | 30 | 60 | 10 | 0.857 | 均值 + 1.07σ |
同一套预测系统，在叶菜上应该「宁可少备」，在 3C 配件上应该「宁可多备」——差别不在预测精度，在代价结构。这就是第 14 篇报童模型的全部输入，也是事故二那 240 万亏损的真正原因：没人做这张表。
预测误差本身不花钱，花钱的是「误差 × 代价结构」。 所以下次有人问「预测做到多少准确率才算好」，正确回答是反问：你们少备一件亏多少、多备一件亏多少？
读者问答：三个最常见的反驳
Q1：「缺货期很少，还原不还原影响不大吧？」 算一笔账：若某 SKU 一年缺货 12 天、日均 800 件，不还原就低估约 9600 件/年，占年销（约 29 万）的 3.3%。听起来小？这 3.3% 是系统性、单方向的，它会直接变成安全库存该加却没加的部分（第 14 篇：σ 低估 → SS 低估 → 缺货概率上升）。方向性偏差比随机误差贵得多。
Q2：「还原值是我们估的，拿估的数据训练不会引入新偏差吗？」 会，但两害相权：观测销量的偏差是向下截断（必然低估），还原值的偏差是估计误差（可双向、可度量、可迭代）。前者是系统性的坑，后者是可控的噪声。而且还原值打标后，你可以随时对比两种口径下模型的差异。
Q3：「需求根本观测不到，谈『真实需求』是不是伪命题？」 需求确实不可直接观测，但「被截断的部分」可以估计——缺货前的需求速率、排队数据、加购未支付、客服询单，都是证据链。工程上我们不追求「真值」，追求偏差方向已知且可修正：这就够了。
实操清单：本周就能做的六件事
- 拉出近 90 天「库存 = 0 或售罄率 > 95%」的天数清单，按 SKU 排序——你会第一次看见截断的规模。
- 对 Top 20 缺货 SKU 用速率法做还原，对比还原前后的日均需求差，把差值换算成年化金额。
- 在事实表加三列：stockout_flag、stockout_hours、demand_qty（还原值），并写还原方法的单元测试。
- 把「预测需求还是销量」写进需求文档第一行，让业务签字。
- 为每个 SKU 建 Cu/Co 卡片（售价、成本、残值、缺货流失估计），算出临界分位数。
- 在周报里加一列「还原口径 vs 观测口径的预测差异」，让团队对截断保持痛感。
带走三句话：销量 = min(需求, 可供货量)，建模前先还原并打标；缺货螺旋会把一次性事故变成永久低估；Cu÷(Cu+Co) 决定你该备到哪个分位数，与精度无关。
下一篇：数据洗干净了，接下来看懂它的形状——把一条乱糟糟的曲线拆成四块积木，我会证明为什么「中心化移动平均」能恰好抹掉季节。
