销量预测“准确率 90%”，为什么门店还是又断货又报废

几乎每个做过销量预测的团队都报过一个漂亮的准确率。但门店那边的感受往往没变：该断的还在断，该扔的还在扔。问题通常不在模型，在于用错了衡量标准。

问题一：平均准确率掩盖了要命的那几天

整体误差 10% 听起来不错，但如果误差集中在周末和节假日——恰恰是销量最高、缺货损失最大的那几天——那么这个模型在最需要它的时候最不准。我们更看重的是分位数表现：高峰日的预测偏差有多大，尾部风险有多高。

实践上的做法是分场景评估：工作日/周末、平日/节假日、新店/成熟店分开看误差，而不是报一个总数。经常会发现总体误差 10% 的模型，在节假日的误差是 35%。

问题二：缺货和报废的代价根本不对称

大多数模型默认高估和低估一样糟，因为它们优化的是平方误差。但现实里：少备一份生鲜，损失是一单毛利加上顾客体验；多备一份，损失是成本价。这两个数字往往差好几倍，而且方向相反。

正确的做法是把成本结构直接写进目标——报童模型那套逻辑：最优备货量对应的分位数，由缺货成本与报废成本的比值决定。缺货成本是报废成本的 3 倍，你就该按 75% 分位数备货，而不是按预测的期望值。换句话说，好的备货量本来就应该系统性地高于预测销量，这不是模型不准，是它在正确地承担风险。

问题三：给了一个数，没给不确定性

单点预测扔给门店，店长只能凭经验决定要不要在这个数上加一点。而模型其实知道自己什么时候没把握——新品上市、天气突变、周边有大型活动，这些时候预测区间会明显变宽。把区间交出去，下游才能做出“这几天不确定性大，多留点缓冲”的判断。

我们交付的结果表里一定有三列：预测值、区间下界、区间上界，外加一列“本次预测的置信程度”。门店不需要理解统计学，只需要知道今天这个数靠不靠谱。

问题四：模型上线后没人回头看

预测模型会随时间衰减——门店结构变了、菜单改版了、外卖占比变了，模型还在用老的规律。我们的做法是把误差回顾直接做进交付的看板：每周自动对账，把上周的预测和实际摆在一起，误差超过阈值就标红。这样谁都能看见模型什么时候开始不行了，而不是等到损耗率异常才想起来。

怎么判断一个预测项目做得好不好

• 它报的是分场景误差，还是一个总的准确率？
• 它优化的是预测误差，还是缺货与报废的总成本？
• 它给的是一个数，还是一个区间？
• 它有没有把回测和持续监控做进交付物？

这四个问题问下来，基本能分辨对方是在做模型，还是在做汇报材料。