家电行业供应链算法业务基础与项目架构 —— 深度实战讲义作者定位一位从事供应链算法8年的工程师写给1-3年算法同行的系统性分享项目背景某头部家电集团 · 覆盖空调/冰箱/洗衣机/厨电/小家电 · 3000 SKU · 6大区200仓一、核心业务逻辑计划、采购、生产、仓储的协同关系我2019年加入某头部家电集团做供应链算法第一个月就被业务方教育了“你的模型WAPE 12%很好看但我上个月多采了2000台空调压在仓库资金占用400万你怎么解释”那次经历让我意识到在家电这种高货值、长周期、强季节性的行业算法工程师如果不理解业务全貌就只能沦为调参工具人。1.1.1 SCOR模型在家电行业的映射供应链运营参考模型SCOR定义了五大核心流程┌──────────────────────────────────────────────────────────────────────┐ │ PLAN计划—— 需求预测 → SOP → 主生产计划MPS → 物料需求MRP │ └──────────────────────────────────────────────────────────────────────┘ │ │ │ │ │ ▼ ▼ ▼ ▼ ▼ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ SOURCE │→│ MAKE │→│ DELIVER │→│ RETURN │ │ ENABLE │ │ 采购 │ │ 生产 │ │ 配送 │ │ 退货 │ │ IT/数据 │ │压缩机 │ │组装测试 │ │干线安装 │ │退换维修 │ │规则引擎 │ │面板/芯片│ │老化包装 │ │末端配送 │ │逆向物流 │ │数据平台 │ └─────────┘ └─────────┘ └─────────┘ └─────────┘ └─────────┘⚡家电特点采购LT 30-90天 | 产线切换4-8h | 配送含安装 | 大件物流贵 | 季节性极强 | 渠道库存深1.1.2 家电行业四大独特挑战挑战具体表现对预测的要求超长采购周期空调压缩机45-60天芯片60-90天全球仅3-4家核心供应商必须提供未来2-3个月的准确预测一次错误数千万采购损失极端季节性空调旺/淡季比8-12倍取暖器15-20倍准确捕捉季节拐点提前3-4个月备货高货值库存成本1000台空调滞销3个月总成本≈51万元资金仓储贬值Bias控制比绝对精度更重要——宁可略欠不要大超生产排产刚性型号切换停线4-8hMOQ 500-2000台排产提前2-4周锁定稳定性比精度更重要频繁大幅修正让工厂崩溃1.1.3 协同场景深度剖析空调旺季备货全链路以SKU-AC15011.5匹变频挂机2024年旺季备货为例时间环节关键动作如果预测错了…T-90天(3月初) 预测算法输出6-8月预测6月12K/7月18K/8月15K台—T-85天 SOP叠加618活动调整为6月15K台预测偏低20%共识计划跟着偏T-80天 采购向供应商下单48K台份含10%安全余量多采资金占用1440万少采断供停线T-60天 排产锁定4-5月排产60%空调/20%冰箱/20%洗衣机分配错误旺季空调不够T-30天 分仓按区域前置华东40%/华南30%/华中20%/其他10%分错区域A区缺货B区积压T-7天 配送各前置仓满仓安装队伍从200扩到500人人力不足安装排期延后7天T0 大促618爆发日均出货从500台跳到3000台补货不及时第2天就断货真实案例已脱敏2023年我们3月预测7月空调销量18,000台实际由于当年极端高温连续15天40°C实际需求达28,000台。供应商产能已满无法追加最终缺货10,000台。直接损失10,000台 × 3500元 × 25%毛利 875万毛利损失间接损失经销商转向竞品、品牌口碑受损、客诉量翻3倍复盘结论模型没有接入未来30天极端高温概率特征。事后接入中期气象预报次年同场景预测误差从35%降到12%。1.1.4 牛鞭效应在家电行业的放大机制终端消费者 → 经销商下单 → 工厂排产 → 原材料采购 → 供应商备料 10% 25% 40% 60% 80% (小波动) (逐级放大) (供应端剧烈波动)家电行业牛鞭效应的四大诱因批量订购经销商月度集中下单工厂看到的需求是脉冲式的价格波动大促前经销商疯狂囤货促后需求断崖配给博弈旺季产能不足时经销商多报需求争配额预测不稳定算法预测频繁大幅修正 → 供应商产能忽上忽下实战经验有时让预测更准反而加剧牛鞭效应。比如模型捕捉到短期尖峰并如实输出全链路跟着调整结果只是数据噪声。我的原则短期预测追求响应性跟上真实变化中长期预测追求稳定性过滤噪声。加入平滑约束两周间预测变动不超过±15%除非有明确的促销/天气事件。二、需求预测在整条链路中的定位需求预测之于供应链 GPS导航之于长途驾驶。GPS不需要100%精确——偏50米不影响驾驶但导到另一个城市就是灾难。1.2.1 信息流全景┌─ 输入信号源 ─┐ ┌─ 下游消费方 ─┐ │ │ │ │ │ 历史sell-out │ │ SOP共识计划 │ │ 促销日历 │ │ 原材料采购 │ │ 气象数据 │ ┌──────────────┐ │ 主生产计划 │ │ 房地产竣工 │───→│ 需求预测引擎 │───→ │ 安全库存计算 │ │ 电商搜索指数 │ │ 多模型|分层输出│ │ 分仓补货 │ │ 渠道库存水位 │ └──────────────┘ │ 物流/安装资源 │ │ 以旧换新政策 │ │ 财务营收预算 │ │ 竞品价格 │ │ │ └──────────────┘ └──────────────┘1.2.2 家电行业特有的信号源算法工程师的金矿信号源关联品类具体用法实测效果️气象数据空调/取暖器短期(7天预报)上调15-25%中期(15-30天集合预报)计算高温概率×uplift长期(厄尔尼诺指数)空调周WAPE降低4.2pp房地产竣工厨电/热水器城市月度竣工面积精装房比例二手房成交量厨电月WAPE降低2.8pp以旧换新政策全品类政策发布→标注事件特征补贴力度→等效折扣深度区域执行进度差异政策期间预测偏差从30%降到15%渠道库存水位全品类修正sell-in公式Sell-in Sell-out (目标库存 - 当前库存)sell-in WAPE从22%降到14%1.2.3 分层输出架构层级粒度时间窗更新频率消费方WAPE基准L1 战略层品类×全国6-12个月月度CFO / VP8%L2 战术层SKU×大区1-3个月周度采购/计划经理15%L3 执行层SKU×仓库1-4周日度仓储补货系统22%L4 实时层SKU×门店1-3天实时促销调配30%深入解析层级调和Hierarchical Reconciliation所有L3仓库预测加总必须等于L2大区预测。我们采用Middle-Out MinT调和以L2SKU×大区为锚点向上简单加和向下用历史占比×短期修正系数分配。⚠️踩过的坑最初用Top-Down全国总量按比例拆分到各仓结果华南空调全年热销被全国淡季数据拉低了。切换到Middle-Out后各仓预测合理性显著提升。三、常用供应链业务术语家电行业版 必须深入理解每天用到术语解释家电场景对算法的影响SOP销售与运营协同计划会议每月15日评审预测追踪三个版本算法原始 vs 共识 vs 实际MPS主生产计划A线本周产AC1501共2000台预测波动→MPS频繁调整→工厂投诉Safety Stock安全库存SSZ×σ(误差)×√LT≈800台模型越准→σ越小→SS越低→直接省钱Sell-in vs Sell-out工厂出货 vs 终端零售4月sell-in 10万台≠终端卖10万台先预测sell-out再推导sell-in渠道库存经销商未售库存全国积压12万台(≈2月sell-out量)库存高→经销商减少下单(去库存)ABC-XYZ销量分级×波动分级AX畅销稳定CZ长尾间歇不同类用不同模型策略Forecast Bias预测方向性偏差连续3月偏高5%→系统性问题硬性红线|Bias|3% 了解即可术语解释家电场景BOM物料清单1台空调1压缩机2铜管1控制板…OTD准时交付率承诺3天送装达成率92%ITO库存周转率空调6-8次/年小家电10-12次/年Demand Sensing短期需求感知气温突升→实时上调空调预测15%MOQ最小起订/生产量空调MOQ500台低于不开线⚠️踩坑提醒Sell-in vs Sell-out项目初期用工厂出货量(sell-in)建模WAPE看起来14%还行。上线后发现季末经销商集中压货sell-in暴增季初去库存sell-in暴跌模型被虚假波动带偏。正确做法Sell-in Sell-out (目标渠道库存 - 当前渠道库存)先预测终端真实需求(sell-out)再叠加渠道库存补差。这个转变让WAPE从22%降到14%。四、需求预测项目的标准落地流程六阶段标准流程阶段一 阶段二 阶段三 阶段四 阶段五 阶段六 业务调研 → 数据治理 → 基线模型 → 模型迭代 → 部署上线 → 持续运营 (2-3周) (3-5周⚠️) (2-3周) (3-5周) (2-3周) (长期)阶段一业务调研与需求对齐2-3周核心任务搞清楚预测给谁用、用在哪、怎么用明确预测粒度/周期/时间窗/更新频率了解现有baseline人工经验WAPE≈25-30%识别关键约束MOQ、LT、产能上限阶段二数据采集与质量治理3-5周 ⚠️最容易延期家电行业数据六大典型问题#问题说明1缺货期销量0 ≠ 需求0空调旺季断货2周真实需求可能日均200台2促销执行数据缺失线下门店有计划无执行记录3渠道sell-out数据延迟经销商POS数据T3~T7回传4SKU编码跨渠道不统一京东/天猫/线下各一套编码5新老品切换期断层历史数据断裂无法延续时序6退换货重复计数退货后重发产生虚增销量经验法则“你以为2周实际要5周”。家电集团数据分散在ERP(SAP)、DMS、电商后台、POS四个源头。我们最终建了统一的demand_fact_table作为Single Source of Truth。阶段三基线模型与特征工程2-3周特征工程体系特征类别具体特征家电场景说明时间特征week_of_year, days_to_618, is_holiday618/双11是两大超级峰值滞后特征lag_1w, lag_4w, lag_52w空调年度季节性强lag_52w权重高促销特征is_promo, promo_depth, promo_type大促uplift通常是平日3-8倍气象特征avg_temp, high_temp_days空调核心驱动因子宏观特征housing_index, policy_flag以旧换新政策可带20-40%增量商品属性category, price_band, lifecycle_stage不同生命周期趋势不同竞争特征competitor_price_index竞品降价时本品需求受影响阶段四模型迭代与深度调优3-5周分层建模策略层占比模型理由A类(Top15%)贡献75%销售额LightGBM精调 / TFT每提1%数百万收益B类(30%)适中LightGBM通用性价比最优C类(55%)长尾稀疏Croston / 聚合分解ML在稀疏数据上失效新品零历史相似品映射生命周期曲线用类比品做proxy促销预测是家电行业终极boss618/双11 uplift通常是平日5-10倍。我们的方案分离Base Forecast Promo Uplift Total促销增量模型单独训练。阶段五部署上线2-3周 阶段六持续运营长期每周精度监控标记WAPE劣化5pp的SKU每月分析原因重训模型每季度全面review每年大版本升级五、效果评估体系1.5.1 三大核心指标指标公式业务翻译最佳使用场景WAPE⭐SUM|actual-pred| / SUM(actual)“每卖100台预测偏X台”向上汇报、KPI设定、跨品类对比MAE(1/n)×SUM|actual-pred|“平均每个点偏X台”模型调优、讨论具体偏差RMSESQRT[(1/n)×SUM(a-p)²]“极端偏差重罚”高货值SKU监控、安全库存σ家电项目典型WAPE水平品类月度全国周度区域空调8-12%15-22%冰箱10-14%18-25%洗衣机10-15%18-26%小家电15-22%25-35%实战原则“汇报用WAPE调模型看MAE重点SKU盯RMSE”给VP看只看WAPE趋势给计划经理看WAPE MAE给自己看MAE RMSE Bias另外关注Forecast Bias方向性偏差|Bias|3% 是硬性红线。1.5.2 分维度评估矩阵维度分层WAPE目标意义SKU层级AX8% / AY12% / BX20% / CZ35%见左A类贡献80%营收空间层级全国6% / 大区11% / 省16% / 仓20% / 门店32%见左每下一级4-6pp时间周期日22-35% / 周14-22% / 月8-15% / 季6-10%见左粒度越细噪声越大品类空调10% / 冰箱13% / 厨电16% / 小家电22%见左难度差异大场景常规期12% / 促销期25% / 新品期30%见左促销下降正常⚠️“平均数陷阱”总体WAPE从25%优化到14%看似优秀但拆开看空调A类9%优秀小家电C类42%灾难。总WAPE被A类大销量拉低了。必须分维度看1.5.3 业务对齐如何说服业务方Step 1把WAPE翻译成钱算法指标业务翻译量化WAPE 25%→14%偏差减少44%月均5万台减少5500台误差5500台误差↓库存资金↓5500×3000×3%月利率 月省50万Bias 8%→2%不再系统性多采月减3000台过量 减900万积压缺货预警提升该备的提前备了缺货率4.5%→2.8% 年减600万损失Step 2AB测试用事实说话指标人工(对照)算法(实验)提升库存周转率5.8次/年7.2次/年24%缺货率4.5%2.8%-38%库存金额1.2亿0.98亿-18%人工调整工时5人天/周1.5人天/周-70%Step 3定位为助手而非替代❌ “我的模型比你准” → ✅ “算法帮你搞定80%常规你聚焦20%难题”❌ “WAPE已经12%了” → ✅ “上月帮您减少3000台过量采购下月继续优化新品”建立信任账户的节奏第1-2月每周出精度报告主动暴露问题 → “你在认真做事”第3-4月AB测试数据呈现 → “算法确实有用”第5-6月上线人机协同平台 → 业务方有掌控感长期每月主动分享成果 → 从供应商变成合作伙伴写在最后8年老兵的心里话理解业务比调参重要10倍。花一周跟采购经理喝茶聊天胜过闷头调一个月模型。数据质量决定模型上限。再好的模型喂脏数据也出不了好结果。WAPE不是唯一真理。Bias、稳定性、可解释性同样关键。学会翻译。把WAPE降了5个点翻译成每年帮公司省500万。预测是手段不是目的。目的是降库存、减缺货、省成本。永远保持谦逊。供应链是经验驱动的领域做好辅助者角色。如果觉得有帮助欢迎点赞收藏有问题评论区交流