Demand Forecasting for Supply Chain

1. 解决的问题

供应链的需求预测不同于通用时序预测——它必须考虑促销日历、竞品行动、渠道库存、季节性生命周期等商业因素。

2. 核心算法逻辑

核心问题：供应链的需求预测不同于通用时序预测——它必须考虑促销日历、竞品行动、渠道库存、季节性生命周期等商业因素。预测不准的代价是：过高→库存积压，过低→断货丢单。

3. 业务应用场景

业务问题：Momcozy 代理某品牌奶粉在欧洲销售，涉及5个段位×3个规格×4个仓库=60个SKU-仓库组合。需要预测未来4周的周需求量，用于向供应商下采购单（ lead time 6周）。

预测流程： 1. 数据准备： - 历史销量：过去104周（2年）的周销量 - 促销日历：黑五、圣诞、复活节、Prime Day - 价格数据：自身价格 + 竞品价格 - 外部数据：Google Trends（"baby formula"搜索指数）

2. 特征工程： - 滞后销量：上周、上月同期、去年同期的销量 - 促销特征：是否促销周、促销深度、促销类型 - 生命周期：SKU上市周数（新品效应） - 季节特征：周数、是否节假日

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：缺货率降低50%，库存周转提升50%，年节省库存成本30万+
• 难度：⭐⭐⭐☆☆（3/5）
• 优先级：⭐⭐⭐⭐⭐（5/5）— 供应链决策的起点，没有预测就没有优化

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Demand Forecasting for Supply Chain — 供应链需求预测
支持：分层预测、促销效应建模、多SKU批量预测
"""

import numpy as np
import pandas as pd
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_absolute_error


class SupplyChainDemandForecaster:
    """供应链需求预测器"""

    def __init__(self, model=None):
        self.model = model or GradientBoostingRegressor(n_estimators=100, max_depth=4)
        self.is_fitted = False

    def build_features(self, df):
        """构建供应链需求预测特征"""
        df = df.copy()
        df = df.sort_values(['sku', 'date'])

        # 滞后特征
        for lag in [1, 2, 4, 12]:
            df[f'sales_lag_{lag}'] = df.groupby('sku')['sales'].shift(lag)

        # 滚动统计
        for window in [4, 12]:
            df[f'sales_ma_{window}'] = df.groupby('sku')['sales'].transform(
                lambda x: x.rolling(window=window, min_periods=1).mean()
            )

        # 促销特征
        if 'is_promo' in df.columns:
            df['promo_depth'] = df.get('discount_rate', 0)
            df['promo_lag_1'] = df.groupby('sku')['is_promo'].shift(1)

        # 季节特征
        df['week_of_year'] = pd.to_datetime(df['date']).dt.isocalendar().week
        df['month'] = pd.to_datetime(df['date']).dt.month
        df['is_holiday'] = df['week_of_year'].isin([47, 48, 49, 50, 51]).astype(int)

        # 价格特征
        if 'price' in df.columns:
            df['price_lag_1'] = df.groupby('sku')['price'].shift(1)
            df['price_change'] = (df['price'] - df['price_lag_1']) / df['price_lag_1']

        return df.dropna()

    def fit(self, df, feature_cols, target_col='sales'):
        """训练模型"""
        df_train = df.dropna(subset=feature_cols + [target_col])
        X = df_train[feature_cols]
        y = df_train[target_col]
        self.model.fit(X, y)
        self.feature_cols = feature_cols
        self.is_fitted = True
        return self

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。