Cross-Border Cold-Start Forecast（跨境冷启动需求预测）
Skill-Cross-Border-Cold-Start-Forecast · 06-增长模型
1. 解决的问题
跨境电商的致命问题：70-80% 商品在目标市场无历史数据，15-25% 上架后零销量，但传统预测模型会给出"看起来合理"的正数预测→导致库存积压。ZODIAC 用双域 LSTM + 双头架构同时解决"零销量预测"和"过预测"两个核心痛点。
2. 核心算法逻辑
跨境电商的致命问题：7080% 商品在目标市场无历史数据，1525% 上架后零销量，但传统预测模型会给出"看起来合理"的正数预测→导致库存积压。ZODIAC 用双域 LSTM + 双头架构同时解决"零销量预测"和"过预测"两个核心痛点。
3. 业务应用场景
业务问题： S1 吸奶器在美国 Amazon 月销 800 台（$99.99），现在考虑上架德国站（€89.99）。传统做法：按美国销量×0.7（经验折扣）= 预计 560 台，备货 800 台。ZODIAC 分析显示：德国站同品类竞品密度高 40%，且德国消费者对"Medela 兼容性"偏好强→零销量概率 22%，预计销量 350-480 台（90% CI），建议备货 500 台（而非 800）。
数据要求： - Source domain：Amazon US 该 SKU 12 个月日销量 - Target domain：Amazon DE 同品类竞品数据（BSR/价格/评论） - 产品特征：价格、品类、品牌知名度（在目标市场的搜索量）
预期产出： - 零销量概率：22% - 预测销量（若非零）：350-480 台/月（90% CI） - 过预测风险：原经验法 800 台 → 过剩 300-450 台 × €60 成本 = €18,000-27,000 损失 - ZODIAC 建议：首月备货 500 台（覆盖 90% CI 上界），3 个月后根据实际数据迭代
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 首单避免过度备货：每市场 $18,000-27,000 × 6 市场 = $100K-160K
- 避免零销量 SKU 上架：每次节省 $3,000-8,000（listing 费用+FBA 仓储+广告）
- 年化 ROI：60-120 万元
- 实施难度：⭐⭐⭐☆☆（3 星）— ZODIAC 需跨市场销售数据，初始可用简化版启发式规则
- 优先级评分：⭐⭐⭐⭐⭐（5 星）— 直接解决跨境选品最痛的"首单备货量"问题
7. 代码模板
代码块数量：1 · 路径：未检测到
"""
ZODIAC — Cross-Border Cold-Start Demand Forecasting
基于 ZODIAC (OpenReview 2024) 的简化实现
核心: 双域LSTM + 双头(分类+回归) + 非对称损失
"""
import numpy as np
from typing import Dict, List, Tuple
from dataclasses import dataclass
@dataclass
class ColdStartForecast:
"""冷启动预测结果"""
sku: str
source_market: str
target_market: str
zero_sales_prob: float # 零销量概率
predicted_sales: float # 预测月销量（若非零）
ci_lower: float # 90% CI 下界
ci_upper: float # 90% CI 上界
overshoot_risk: float # 过预测风险 (0-1)
recommended_inventory: int # 建议备货量
decision: str # GO / CAUTIOUS / NOGO
class ZODIACColdStartPredictor:
"""
跨境冷启动需求预测器
生产环境使用完整 ZODIAC 模型（双域LSTM + Zero-Inflated + Asymmetric Loss）
当前为简化实现，用启发式规则 + source domain statistics
"""
def __init__(self):
pass
def predict_cold_start(
self,
sku: str,
source_market: str,
source_monthly_sales: float,
source_sales_std: float,
source_days_active: int,
target_market: str,
target_competition_density: float, # 0-1, 竞品密度
target_price_competitiveness: float, # 0-1, 价格竞争力
category_cultural_fit: float = 0.8, # 0-1, 文化适配性
lead_time_weeks: int = 8,
) -> ColdStartForecast:
"""
预测冷启动首月销量
Args:
sku: 产品 SKU
source_market: 源市场
source_monthly_sales: 源市场月销量
source_sales_std: 源市场销量标准差
source_days_active: 源市场已上架天数8. 论文来源
未自动抽取；请查看原始 Skill 卡片。