将所有需求、销售点和库存数据集中到一个存储库中，并设定可衡量的目标：在六个月内将预测准确率提高到 95%，并将缺货率降低 40%。利用这一目标来调整计划节奏、模型再训练频率和运输服务水平协议 (SLA)，从而使计划与执行完美匹配。
汇总 ERP、运输日志、促销、天气和供应商交货期记录，然后每周计算 MAPE 和偏差；目标是 MAPE <10%，偏差在 ±3% 以内。使用服务水平方法计算安全库存（SS = z * sigma_LT * sqrt(LT)），其中 z ≈ 2.05，服务水平为 98%。记录整个数据沿袭，以便分析师能够重现结果并追溯任何预测漂移到原始信息源。
指派艾玛担任供应链预测负责人，负责运行月度情景研讨会、确定优先机会和记录行动项。艾玛应在每次研讨会后发布一份简短的、数字发行的报告，其中包含预期的需求变化、所需的运输能力以及按排名顺序排列的 SKU 级别调整列表。当高价值 SKU 的预测偏差超过 15% 时，使用自动化警报将潜在客户转交审批。
使用清晰的 KPI 衡量结果：MAPE <10%，预测偏差 ±3%，订单满足率 98%，库存天数下降 25%，以及九个月内运输成本降低 8–12%。在月度销售与运营计划 (S&OP) 会议中审阅这些 KPI，运行季度能力研讨会以重新训练模型并更新已记录的假设，并将已识别的机会转化为有时限的实验，以保持改进的高效率和可衡量性。
SKU 级别需求预测，用于每周补货
通过使用滚动 13 周的需求窗口，为每个 SKU 设置每周再订购点，目标是 A 类 SKU 的服务水平为 95%，C 类 SKU 为 85%，并根据观察到的预测误差和交货期变异性计算安全库存；这将在四个补货周期内实现缺货和过剩库存的可衡量降低。
应用此公式：ROP = (平均每周需求 × 以周计的交货期) + z × σ_weekly × sqrt(以周计的交货期)，其中 z 是服务水平的正态偏差。例如：平均需求 = 200 件/周，σ_weekly = 40，交货期 = 2 周，z(95%)≈1.645 → 安全库存 ≈ 1.645×40×1.414 ≈ 93 件；ROP ≈ 200×2 + 93 = 493 件。使用分位数预测来生成 σ_weekly 项，而不是依赖单点预测。
使用高级模型集成（梯度提升树、Prophet 或 TBATS 用于季节性，以及 LSTM，当存在足够历史数据时）加上简单的基线（移动平均、EWMA）。通过加权集成组合多个模型输出，该集成倾向于对每个 SKU 细分具有最佳近期 FVA（预测价值增加）的模型；许多零售商每周的预测精度已经提高了 5–15%。对于间歇性 SKU，应用 Croston 或其变体，而不是标准的 ARIMA。
按需求 CV 和生命周期阶段对 SKU 进行细分，然后定制节奏：高周转率的 A 类 SKU 每周补货，安全库存更紧张；B 类 SKU 每两周审查一次；C 类 SKU 每月审查一次或使用最少/最多规则。使用品牌和类别级别层级结构来借用强度以预测新产品；在预测同一品牌的新产品时，汇集类似推出的促销提升系数以设定预期的需求曲线。
在 DC 级别进行运营：使预测与配送中心容量、库存位限制和供应商最低要求保持一致，以便补货订单与实际配送相匹配。当偏差超过 ±10% 或覆盖天数与计划偏差超过 20% 时，实施自动警报。将补货周期与包装和运输时间表挂钩，以捕获实际交货期变异性，而不是理论上的交货期。
每周监控这些 KPI：偏差、RMSE、MAPE、已实现的服务水平、库存周转率以及按交货期计算的预测误差。使用 A/B 测试来验证任何模型更改的优势；接受调查的团队进行了受控 FVA 测试，报告了比临时调整更清晰的投资回报率。Kapadia 风格的实施后审查，记录储存天数和浪费的变化，有助于通过减少库存积压和过时来量化长期收益和可持续性效益。
明确局限性：糟糕的促销标记、缺失的销售点时间戳和产品替代效应会夸大预测误差并扭曲安全库存；大多数误差来自数据差距和短促销窗口。保持短反馈循环以每周重新训练模型，记录模型漂移，并在数据质量下降时轮换更简单的备用规则。
识别高价值 SKU 和每个渠道的主要需求驱动因素
按 90 天收入和销量对每个渠道的 SKU 进行排名，然后优先处理前 15% 的 SKU 进行每日补货和每周预测；同时为它们设定 95% 的服务水平目标，并分配相当于 7–14 天预期需求的先进先出 (FIFO) 安全库存。
使用 ABC（收入份额）和 XYZ（需求变异性）矩阵对 SKU 进行分类：A = 占渠道收入 ≥70% 的前 20% SKU；B = 下一个 30%（20–70%）；C = 剩余 50%；X = CV ≤0.30（稳定）；Y = 0.31–0.70（变异）；Z = >0.70（波动）。将每个 AX 项目映射到每日补货和完整的门店级别监控；BY 映射到每周两次审查；CZ 映射到基于异常的订购和更严格的促销控制。
在两个级别上衡量分布：数字分布（在门店中的存在）和加权分布（渠道销售覆盖率）。在饮料类别中，加权分布 10 个百分点的提升通常会带来 6–12% 的销售增长；Thomas 在最近的一份内部报告中的一份实地笔记显示，在便利渠道中，流行 SKU 的幅度相似。跟踪分销变化、促销深度、价格弹性、商品配置相邻性和当地事件作为每个渠道的主要影响因素。
每个渠道需要以下最低信息流：每日销售点数据、门店在库量、入库预计到达时间 (ETA)、促销标志、价格历史和当地日历事件；保持可见性，以便基线预测在 A/X SKU 的 MAPE 维持在 5–8% 以内。如果数据延迟超过 48 小时或数据流的完整性低于 90%，预测将变得困难，并且误差会在分销层级之间累积。
应用以下运营策略：实施将促销和分销作为回归变量的因果模型，当某个驱动因素的周环比变化超过 15% 时创建自动化警报，并为促销 SKU 运行 14 天的战术预测，同时有一个单独的 52 周基线。对于季节性饮料系列，将安全库存保持在交货期需求的 20–30%；管理一个包含 10,000 个 SKU 的组合而不进行这种细分是疯狂的。生成每月渠道报告，比较收入、分销变化和预测准确性，以便团队根据可操作的见解而不是假设采取行动。
清理和转换销售点、ERP 和促销日历以进行建模
在任何模型训练之前，对销售点、ERP 和促销日历中的时间戳、SKU 标识符和促销标志进行标准化：将所有时间戳转换为 UTC，将 SKU 映射到单个主代码，并使用求和（用于数量）和最后已知值（用于价格）将交易折叠到目标粒度（每日或每周）。
遵循基本原则：创建一个规范的 SKU 表，其中包含销售点 SKU、ERP 项目编号和制造商代码。使用一个能够完美匹配类别、包装尺寸和 GTIN 的连接键；跟踪映射置信度，并要求对 >1% 的未映射 SKU 进行人工审查。一位消费品企业联合创始人强制执行此规则后，将核对时间缩短了 40%。
使用确定性规则清理交易数据：删除重复收据（相同 SKU、时间戳在 60 秒内），将退货/取消作为负销售处理，并删除零价行，除非它们代表优惠券（对其进行标记）。标记每周销量变化 >200% 或 z 分数 >3 的异常情况；这些记录将进入手动审查队列。
通过将每个事件分解为结构化字段来协调促销日历：start_date, end_date, promo_type (price, display, bundle), discount_pct, 和 channel。使用留存基线计算提升：基线 = 开始前 28–56 天的日均销量中位数；promo_uplift = (promo_sales / baseline) - 1。将提升率 >300% 视为异常值，并检查源数据。
集成 ERP 模块（销售、采购、库存）以添加供应信号：shipment_quantity, receipt_date, open_purchase_orders, 和 safety_stock。每周将销售点销售情况与 ERP 发货情况进行核对；如果连续两周 POS / ERP_shipment > 1.15，则表明存在分销泄漏或延迟收货。
构建模型所需的派生特征：滚动平均值（7、28、91 天）、需求季节性因子、促销交互标志、每个供应商的 lead_time_median 和 lead_time_95pct