Pre-launch new product demand forecasting using Bass model with ML

1. 解决的问题

核心思想：新品上市前无历史销量，但不是无信息——相似 SKU 的历史数据、产品属性特征、Bass 扩散参数估计三条路径可以构建新品的需求先验分布。上市后用贝叶斯更新快速收敛，并通过「探索加成」（首批量刻意多订一点以加速学习）避免因首批订少而永久缺乏数据的陷阱。

2. 核心算法逻辑

核心思想：新品上市前无历史销量，但不是无信息——相似 SKU 的历史数据、产品属性特征、Bass 扩散参数估计三条路径可以构建新品的需求先验分布。上市后用贝叶斯更新快速收敛，并通过「探索加成」（首批量刻意多订一点以加速学习）避免因首批订少而永久缺乏数据的陷阱。

3. 业务应用场景

场景 A：新款 UV-C 密闭消毒器上市首批备货（强相似 SKU 存在）

- 业务问题：全新 SKU「UV-C Pro X200」即将上市，lead time 6 周（需提前 6 周锁定首批量）。类比品：已有 UV-C Pro X100（上市 8 个月，月均销量 320 件，系数变异 CV=35%）。 - 预期产出： - 业务价值：相比"按均值订320件"的短视策略，贝叶斯策略在高不确定性场景下减少缺货损失约 $8,000-$15,000（前 6 周）

场景 B：全新品类（无历史类比SKU）—— Bass 参数估计

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：
• Ban et al. 实证：忽略协变量 → 成本上升 6-15%，换算 $50K 首批采购 = 节省 $3,000-$7,500
• Keskin 探索加成：避免短视策略在高不确定性场景的"任意大损失"，实践估算避免缺货损失 $8,000-$15,000
• 年均 3-4 个新品上市：年化价值 $33,000-$90,000
• 实施难度：⭐⭐⭐☆☆（3/5）— 需要历史 SKU 数据整理和相似度建模
• 优先级评分：⭐⭐⭐⭐☆（4/5）— 高风险决策，但频率低于日常补货

7. 代码模板

代码块数量：7 · 路径：paper2skills-code/supply_chain/new_product_inventory_coldstart

"""
Skill-New-Product-Inventory-Coldstart
基于 Ban, Gallien & Mersereau M&SOM 2019 (类比SKU残差树) +
    Keskin, Li & Song OR 2023 (Bayesian探索加成) +
    Lee et al. TF&SC 2014 (Bass参数ML估计)
母婴跨境 DTC 新品冷启动库存策略
"""

import numpy as np
from dataclasses import dataclass
from scipy import stats
from scipy.optimize import minimize_scalar


@dataclass
class AnalogSKU:
    sku_id: str
    monthly_sales: list[float]
    unit_price: float
    category: str
    launch_month: int
    price_tier: str

    @property
    def demand_mean(self) -> float:
        return float(np.mean(self.monthly_sales))

    @property
    def demand_std(self) -> float:
        return float(np.std(self.monthly_sales))

    @property
    def cv(self) -> float:
        return self.demand_std / max(self.demand_mean, 1)


@dataclass
class NewProductSpec:
    sku_id: str
    unit_price: float
    category: str
    price_tier: str
    launch_month: int
    lead_time_months: float = 1.5
    holding_cost_rate: float = 0.20
    stockout_cost_multiplier: float = 2.0


def find_analog_skus(
    new_product: NewProductSpec,
    catalog: list[AnalogSKU],
    n_analogs: int = 3,
) -> list[tuple[AnalogSKU, float]]:
    """
    按相似度匹配类比 SKU（Ban et al. 协变量回归的简化版）。
    相似度 = 类别匹配 × 价格段距离 × 上市季节对齐
    """
    scored = []
    for sku in catalog:
        sim = 0.0

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。