01 · 场景
下周备多少，判断错了要付出什么？
把历史曲线拟合得很漂亮，不代表下周预测得准。周末的高需求若被平均数抹平，备货会在最忙时不足。反过来，预测正确也可能因产能不足而缺货。先分开模型误差和执行约束，才能知道该改模型还是补供给。
构造场景，用于解释方法。
02 · 原理
一张图看懂它怎么运转
本页把需求预测和供给约束分开。交互只给定每日供给上限，未预测供应商交期或产能波动。真实补货还需核对库存结转与提前期。
03 · 实验
改变条件，观察结果
预测误差，与供给不足分开算
交互实验 · 构造示例
全部为构造数据。第 1–14 天训练，第 15–21 天留出检验；两条基线都只读取前 14 天。需求完整可见，无缺货截断。每天按预测向上取整备货，再受供给上限约束；剩余不结转。缺口和剩余单价为条件代价，未计其他收入成本，不求最优备货量。供给上限不是供给预测，未模拟交期与波动。
横向滚动查看完整明细
MAE = 平均绝对预测误差；日备货 = min（供给上限，预测向上取整）；损失 = 缺口 × 缺口单价 + 剩余 × 剩余单价
04 · 分析交付
先给主判断，再展示依据
- 主判断：先回答当前问题，给出有证据的首选解释、方案或行动。确实并列时写明比较结果及下一项区分证据，不用罗列可能性代替判断。
- 判断依据：把关键原始记录、计算和推断连到结论。说明方法实际改变了哪项判断；来源不足时缩小结论范围，仍交付已能成立的部分。
- 量化口径：按方法原有公式、单位和分母计算。材料编码须去重并单列未知；没有量化依据则给理由明确的定性比较，不编统一分数或未经校准的概率。
- 反证与改判：指出最强的相反证据、替代解释或敏感变量。写清什么新事实或阈值变化会使首选改变；未经对照的相关性不写成因果。
- 实际用途：把主判断转成当前可执行的动作、停止条件或下一项验证。负责人、预算和期限按已知材料填写；不为完成模板发明业务事实。
- 适用范围：保留各方法自己的产出与失效条件。表达教程不承担业务结论；未核定资料不自动推荐；临床条目按其专项范围交付知识、行为应对或就诊准备。
05 · 准备
开始前，准备什么
最小输入
- 预测对象、时间颗粒度与未来跨度
- 截至预测起点的可比历史及可用特征
- 缺货、促销、节假日与口径变更记录
- 供给上限、交期、现有库存及决策损失
应留下的产出
- 带起点与跨度的基线预测、回测误差与偏差、供给约束下的资源情景；如报告区间，另附估计方法与覆盖检验。
06 · 用法
按顺序完成 5 步
- 先固定预测对象、颗粒度、未来跨度与补货提前期。核对缺货、促销、节假日和口径变更；销量受供给限制时不能直接当需求。
- 保留时间顺序，用季节性朴素等简单基线起步。每个预测起点只能使用当时已知的信息，验证跨度须匹配实际决策。
- 分别报告平均绝对误差、带符号偏差及逐期误差。用多个历史起点复查；零销量时不要直接用百分比误差。
- 将需求预测与供给容量、交期、现有库存及缺货/剩余代价结合。预测准确度与补货决策损失分别计算。
- 锁定模型后评估未参与选择的测试期，再按固定节奏滚动更新。对结构变化保留情景，不把单点当保证。
07 · 案例
M5：在真实零售数据上比较预测方法
真实公开案例 · 竞赛组织者研究
任务
M5 使用 Walmart 的实际销量，涉及 3,049 个产品、12 个聚合层级，共 42,840 条序列。预测跨度为 28 天。
检验
比赛区分验证期与最终测试期，并用 WRMSSE 评分。其分层加权尺度与本页教学 MAE 不同，不能直接比较数值。
可借鉴
把未来留出来；使用与业务跨度一致的检验任务；在不同产品和聚合层级检查误差。
证据边界
公开论文报告预测竞赛结果，没有据此证明 Walmart 上线后降低了缺货、库存或提高了利润。本页小样本也不能替代正式回测。
案例来源：Makridakis、Spiliotis、Assimakopoulos：M5 accuracy competition（2022）
08 · 示例
把它放进一个具体场景
构造示例，非真实业务记录。
问题
构造 21 天需求。第 1–14 天用于预测，第 15–21 天留作检验；预测时不能读取后 7 天。
已有材料
上周同日基线预测 12、13、12、14、18、27、25 件。留出期需求为 13、15、14、15、20、30、28 件。
目前能判断
七天平均绝对误差为 2 件/天，平均偏差为 −2 件/天，表示低估。供给充足且按预测备货时，累计缺口 14 件。
下一步核对
把每日供给上限改成 20 件后，缺口增至 26 件。MAE 仍是 2 件/天；产能约束改变的是执行损失，不应改写预测误差。
09 · 边界
什么情况下，不宜直接套用
- 缺货销量不等于完整需求；把截断销量直接用于拟合会系统性低估。
- 训练拟合或已参与选型的验证误差不能冒充独立测试效果；特征不得含当时未知的信息。
- 结构变化会使历史失效。情景是条件假设，不是概率预测；短测试期不证明长期稳定。
- 平均误差相近时，缺货和剩余代价仍可能不同。零需求上的百分比误差可能无定义。
- 本页实验未模拟库存结转、供应提前期及供给波动；真实补货不能只照抄每日预测。
10 · 计算
计算关系
MAE = 平均 |预测量 − 实际量|
偏差 = 平均（预测量 − 实际量）；负值表示平均低估
构造日损失 = 缺口件数 × 缺口单价 + 剩余件数 × 剩余单价
11 · 练习
用一道题检查理解
用下周真实销量选出“最佳模型”，再报告该周误差，能说明未来预测效果吗？
12 · 实作
把判断写成可复查的记录
选一个有完整记录的品类，为未来一周备货建立可复核的简单基线。先决定哪种错误更贵，再看模型。
- 固定每天/每周颗粒度与补货提前期，标出缺货、促销和不可比日期。
- 选择多个历史起点；每次只用起点前数据，统一预测未来 7 天。
- 比较季节性朴素与均值基线，列 MAE、偏差和逐日缺口；用另一个未参与选择的时间段作最终检验。
- 把容量、交期和剩余处理条件另列，交付补货建议及最容易使建议失效的条件。
记录字段：预测对象与跨度｜可用历史｜数据缺口｜基线｜预测起点｜留出结果｜误差与偏差｜供给上限｜缺口/剩余代价｜下次复查日。
完成后，核对参考要点
本页上周同日预测误差为 −1、−2、−2、−1、−2、−3、−3 件，MAE = 14/7 = 2 件/天。供给上限 20 件时，缺口为 1、2、2、1、2、10、8 件，合计 26 件。按 4 元/缺口件演算为 104 元。这是条件损失，不是已发生亏损或最优备货解。
13 · 应用
把这个方法交给 Agent
15 · 出处
出处与证据范围
教材约束时间验证与基线。M5 是真实数据上的公开预测竞赛，不是经营收益试验。实验用自造的 21 天完整需求，只演示 7 天留出回测及供给上限；没有估计概率区间。
- Hyndman & Athanasopoulos：Forecasting — The forecaster’s toolbox
基准模型、误差评估与预测区间；不能从预测图得出确定未来。
本轮查阅公开正文／原始文件
- Makridakis、Spiliotis、Assimakopoulos：M5 accuracy competition（2022）
支持 Walmart 销量数据、分层序列、28 天预测与独立测试。比赛成绩不等于上线后的库存或利润改善。
2026-10-24 查阅公开原始正文
本地材料定位
ice-main-s102
材料中可定位；具体方法步骤是本轮操作化整理，非原文逐字复述
名称与整理说明
使用可追溯参考中的通行术语；不主张存在唯一提出者或唯一中文译法。
操作化整理；原始来源用于约束，不声称逐字复述或已验证效果
登记版本 2026-10-25.3。来源状态沿用登记表，不表示所有来源均在本次重新核验。