一个食品企业同时有上万个 SKU 时，为什么不能给每个商品都使用完全相同的预测模型？

假设一个食品企业有一万个 SKU：其中约 3000 个几乎每天都有销量，约 5000 个一周只卖出几件，还有几百个只在春节、中秋和端午前后出现。把这三种销量形态放进同一个预测模型（Forecasting Model），结果通常是快销品被平均得不够精细，慢销品被拟合成一串没有意义的零，节令商品在非季节里被强行预测出销量。必赢亚洲模型的做法是先看清每个商品属于哪一类，再决定用哪种预测方法，这一步叫模型路由（Model Routing）。

先给每个 SKU 画像

路由的依据是 SKU 画像，由五个字段组成：销售频次（近 90 天有销售的天数占比）、需求变异系数（销量标准差除以均值）、季节强度（时序分解后季节分量的方差占比）、保质期天数、有效历史长度。画像每周重算一次，数据来自销量、天气、库存、保质期，以及冷链上的 IoT 温度记录。

路由规则：需求形态选预测器，保质期选目标

路由分两步，两步互相独立，所以同一个 SKU 可以既是快销品，又是短保品。

第 1 步  选预测器（看需求形态）
有效销售日 < 28              → 冷启动：相似商品迁移
有销售日占比 < 40%          → 慢销：间歇需求方法或分位数
季节强度 ≥ 0.4 且历史 ≥ 2 年  → 季节：年度周期加节点事件
其余                         → 快销：全局梯度提升

第 2 步  选目标与约束（看保质期）
保质期 ≤ 7 天               → 短保：不对称成本加库存寿命
保质期 ≥ 90 天              → 长保：服务水平加批量与资金占用
其余                         → 常规：服务水平加保质期上限

短保品与新品的特殊处理

短保品的训练目标不是“尽量准”，而是让缺货与报废的总损失最小：缺货一件损失毛利，多订一件在保质期结束时变成成本，两者不对称，所以模型要预测分位数，并把库存寿命写进约束。今天到货的批次只有三个销售日，预测窗口就是三天，而不是七天。新品没有历史，就按品类、价格带、规格和渠道找相似商品，借用它们上架前四周的销速曲线，真实销量累积起来以后，逐周降低相似商品的权重。

为什么既不是一万个模型，也不是一个模型

为每个 SKU 单独训练库存预测模型，训练、监控、发版和回滚都要乘以一万；慢销品数据稀疏，独立训练几乎不稳定。用一个模型通吃则相反：快销品关心相对误差，慢销品的大量零让 MAPE 没有定义，短保品需要缺货与报废不对称的损失，同一个损失函数无法兼顾这三种误差结构。折中办法是少数几个模型族，每一族在一群相似的 SKU 上共享参数。

以上为示例推演数字，说明维护对象的数量级差别，不代表真实企业数据。

监控与回退：运维清单

• 保留朴素基线：每个分群都并行跑季节朴素或去年同期，作为对照，也作为回退目标。
• 分开看误差：快销品看加权绝对误差（WAPE）与偏差，慢销品看提前期内分位数的覆盖率，短保品还要看报废量。
• 三级回退：先换同族备用模型，再退到朴素基线，最后给采购员偏保守的建议并标为低置信度。示例规则：连续 7 天 WAPE 高于基线 1.2 倍就降级。
• 路由要有迟滞：阈值上下 10% 内保持原路由，避免一个 SKU 在两个模型之间来回跳。
• 数据健康：监控缺货截尾比例、门店主数据变更和 SKU 编码合并，这些比模型本身更容易让误差突然变坏。
• 温度与数字孪生：2026 年的综述指出，混合数字孪生（Digital Twin）可以把每批货的温湿度历史转成剩余保质期的个体化预测，短保品接入 IoT 数据后，保质期约束就从固定天数变成逐批估计。
• 版本与审计：每条建议记录路由结果、模型版本和数据切片，采购员改动建议时记录原因，下一轮回测使用。