需求预测评估：补货主管用一本工作簿，比较八个品类新旧预测方法的误差

同一周，乳制品断货，冷冻品报废

管文斌（化名）负责一家区域连锁商超的计划补货。今年国庆前后的那一周，让他印象很深：华东仓的乳制品促销卖得比预期快，门店连续几天断货；同一个仓的冷冻生鲜却因为天气转凉、销量回落，临近保质期的货只能打折处理，最后还是有一批报废了。

问题出在预测上。现在的做法是用近几周均值乘一个经验系数，促销、节假日和天气的影响全靠计划员凭感觉调整。数据团队这个季度试点了一套新的预测方法，加入了促销计划和节假日因子。试点结束后，管文斌要回答一个问题：新方法到底比原来的方法好多少？好在哪些品类？

他没有把这个问题写成一份报告，而是先用境核AI做了一本评估工作簿。

AI 理解的"误差率"，和他想的一样吗

他上传的是脱敏后的品类级周度汇总：品类、仓区、周均销量，以及两种方法各自的预测误差率。然后先问口径：

我是零售企业的计划补货主管。附件是八个品类在两种预测方法下的周度误差汇总。请先说明你理解的误差率口径，以及准备怎样设计评估工作簿，不要生成文件。

AI 给出的口径是"按周计算的平均绝对百分比误差（MAPE）"，并提出在工作簿里对比两种方法的误差率差值和下降幅度。管文斌补充了一点：附件里的误差率已经由数据团队按 MAPE 算好，工作簿只负责对比和判定，不要从销量重新推算，否则会和数据团队的口径不一致。AI 复述后，按这个理解设计了结构。

工作簿是怎么搭起来的

AI 按"参数与输入—分析计算—校验—图表"的结构，生成了五张工作表：

• 「说明」：适用场景、三步使用方法和颜色约定；
• 「参数与输入」：改善率达标阈值、重点关注名额、年化换算期数三项示例参数，以及乳制品、休闲食品、纸品清洁、冷冻生鲜、酒水饮料、粮油调味、日化个护、糖果冲调八个品类的示例数据，覆盖华东、华南、华北三个仓区；
• 「分析计算」：每个品类的改善量（传统误差率减新方法误差率）、误差下降幅度、达标/关注判定和排名，汇总区包括改善量合计、平均改善率、达标品类数、最高和最低改善率、年化改善量；
• 「校验」：记录条数、数值完整性、优化方向、勾稽差异、取值范围五项检查，全部通过才算可以引用；
• 「图表」：两种方法误差率的对比柱状图，以及预测准确率、缺货率、库存周转天数、报废损耗率四项指标的现状与目标图（示例值）。

卡住的地方：总监把"年化改善量"当成了省下的钱

工作簿发给运营总监预览后，总监回复："一年能改善这么多？"他把"年化改善量"理解成了能直接换算成金额的收益。

管文斌意识到，这个指标如果没有说明，很容易被误读。他让 AI 修改："其他不动，在汇总指标下面加一行说明，写清年化改善量只是'单期改善量合计 × 年化期数'的粗略折算，实际收益要按业务口径复核。"加上这一行后，再有人看到这个数字，都能知道它的含义和局限。

再配一份说明，走会签

评估结论会影响下一季度要不要推广新方法，因此需要几方签字。AI 按工作簿写了一份 Word 使用说明，共七章：用途与适用范围、工作簿结构（标明每张表是否可以编辑）、五步填写流程、字段字典（仓区为枚举字段，新增仓区须经数据管理岗确认）、六项"□通过 □退回"数据审核清单、会签表（品类负责人、运营主管、客服经理、数据分析师、零售总监），以及三个常见问题，例如品类超过八个时如何扩行。

说明中保留了一句提示：AI 生成的决策建议须经运营负责人审核后执行。工作簿只负责比较两种方法的误差，要不要推广、补货参数怎么调整，仍由计划团队和品类负责人决定。

做计划补货的可以参考

1. 口径以数据来源方为准：误差率由谁计算，就沿用谁的算法，工作簿只做对比。
2. 汇总指标要写说明：年化、折算这类数字，旁边加一句含义和局限，能避免误读。
3. 按品类和仓区拆开看：同一个仓里有的品类缺货、有的品类报废，只看总体平均会掩盖问题。
4. 评估结论走会签：推广与否由业务负责人签字确认，不由表格直接得出。