LLMForecaster Seasonal Event — LLM 增强的季节性事件需求预测

Skill-LLMForecaster-Seasonal-Event · 04-供应链

causalexperimentforecastingrecommendationmulti_agent广告与投放供应链与补货推荐与搜索MAS与智能体工程WF-A 智能补货WF-B 广告优化WF-F 动态定价WF-G Listing内容优化WF-I 智能体工程WF-L 内容营销增长

收录于大促备货决策手册 FBA 运营手册

年化 ROI30-80 万元

实现难度⭐⭐☆☆☆

业务优先级⭐⭐⭐⭐⭐

业务视角

适用角色供应链负责人 · 采购负责人 · CEO / 运营 VP

适用平台Amazon FBA · 海外仓 · 多国仓位（美/欧/日）

什么情况下用库存周转率低，资金压在海外仓出不来；SKU 断货紧急空运，物流成本吃掉毛利；多仓库存分布不均

成功是什么样的库存周转天数从 90 天降到 60 天，断货率 <3%，海外仓综合成本降低 15-25%

业务痛点

库存周转天数太长资金压死了断货了只能空运救急成本爆了多市场库存分配不均

1. 解决的问题

Prime Day 促销力度/KOL 合作/竞品断货等信息在传统预测模型里完全缺失，导致备货严重错误——LLM 读取促销文案生成需求修正系数，备货准确率提升 15-23%、年化减少断货积压损失 30-80 万元

2. 核心算法逻辑

核心思想：传统时序预测模型（ARIMA/Prophet/LightGBM）只能看到历史销量数字，对"明天有双十一大促且同时发了网红推广"这类信息完全盲目。LLMForecaster 将 LLM 作为后处理器：先用传统时序模型预测基线，再让 LLM 读取促销文案、活动描述等非结构化文本，输出一个修正系数（Δ），最终预测 = 基线 + Δ。

3. 业务应用场景

- 业务问题：Prime Day 是全年最大出货节点，但"促销力度 40% off + 头部 KOL 合作推广 + 竞品主要型号断货"这些信息在传统预测模型里全部缺失，导致备货要么严重不足要么大量积压。 - 数据要求：近 2 年周度销量历史 + 当次活动描述文本（折扣力度、广告预算、KOL 名单、竞品动态）。 - 预期产出： - 活动期日均销量预测（P10/P50/P90 三个场景） - 修正系数说明（"本次相比去年 Prime Day 力度提升 15%，预测上调 18%"） - 建议备货量（含安全库存缓冲） - 业务价值：备货准确率提升 15-23%，减少因断货导致的 BSR 排名下滑，年化

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：备货准确率 +15-23%，减少断货/积压损失 30-80 万元/年
实施难度：⭐⭐☆☆☆（低，无需训练模型，接入 LLM API 即可）
优先级：⭐⭐⭐⭐⭐（大促备货是母婴跨境最高频、最高风险的决策场景）
评估依据：论文在大型零售商数据上验证 MAPE 降低 15-23%

7. 代码模板

代码块数量：2 · 路径：未检测到

from dataclasses import dataclass
from typing import Optional
import statistics

@dataclass
class SalesHistory:
    weekly_sales: list
    event_weeks: dict

@dataclass
class EventContext:
    name: str
    discount_pct: float
    kol_count: int
    budget_multiplier: float
    competitor_oos: bool
    description: str

def baseline_forecast(history: SalesHistory, horizon_weeks: int = 2) -> float:
    recent = history.weekly_sales[-12:]
    return round(statistics.mean(recent), 1)

def compute_event_multiplier(ctx: EventContext, historical_multipliers: dict) -> float:
    base_mult = historical_multipliers.get(ctx.name, 2.5)
    discount_adj = 1 + (ctx.discount_pct - 30) / 100
    kol_adj = 1 + ctx.kol_count * 0.05
    budget_adj = ctx.budget_multiplier
    oos_adj = 1.15 if ctx.competitor_oos else 1.0
    multiplier = base_mult * discount_adj * kol_adj * budget_adj * oos_adj
    return round(multiplier, 2)

def llm_forecaster(history: SalesHistory, event: EventContext,
                   historical_multipliers: dict) -> dict:
    baseline = baseline_forecast(history)
    multiplier = compute_event_multiplier(event, historical_multipliers)
    p50 = round(baseline * multiplier)
    p10 = round(p50 * 0.75)
    p90 = round(p50 * 1.35)
    safety_stock = round(p90 * 0.15)
    return {
        "baseline_weekly": baseline,
        "event_multiplier": multiplier,
        "forecast_p10": p10,
        "forecast_p50": p50,
        "forecast_p90": p90,
        "recommended_stock": p90 + safety_stock,
        "explanation": (f"基线周均 {baseline} 件，活动乘数 {multiplier}x "
                        f"（折扣{event.discount_pct}% + {event.kol_count}个KOL + "
                        f"预算{event.budget_multiplier}x{' + 竞品断货' if event.competitor_oos else ''}）")
    }

history = SalesHistory(
    weekly_sales=[820, 850, 790, 900, 860, 880, 910, 870, 840, 920, 890, 950],
    event_weeks={"prime_day_2024": 3200, "black_friday_2024": 2800}
)
event = EventContext(
    name="prime_day", discount_pct=40, kol_count=3,
    budget_multiplier=1.2, competitor_oos=True,
    description="Prime Day 2026: 40% off + 3位头部KOL + 主要竞品断货"
)

8. 论文来源

2412.02525