Demand Forecasting During Grand Promotion for Online Retailing (JD.com)

1. 解决的问题

核心思想：把任意一个 SKU 的历史销量分解为两个互相独立的信号——「基线需求」（正常销售节奏）和「促销 lift」（大促拉动的额外需求）——分别建模、分别备货，并专门处理大促结束后需求虚高的「Post-Promotion Elevation（PPE）」问题，避免系统在大促后 3 个月内持续过量备货。

2. 核心算法逻辑

核心思想：把任意一个 SKU 的历史销量分解为两个互相独立的信号——「基线需求」（正常销售节奏）和「促销 lift」（大促拉动的额外需求）——分别建模、分别备货，并专门处理大促结束后需求虚高的「PostPromotion Elevation（PPE）」问题，避免系统在大促后 3 个月内持续过量备货。

3. 业务应用场景

场景 A：Momcozy 618 大促备货拆解（5 月初下单，lead time 6 周）

- 业务问题：吸奶器 SKU 日常基线销量 80 件/天，历史 618 大促期间销量 350 件/天（lift = 4.4x）。但大促后 3 周销量仅 45 件/天（post-dip）。传统方法按大促均值备货导致大促后积压 6 周。 - 数据要求：过去 2 年日销量（含促销标志位）、大促日历（618 日期区间） - 预期产出： - 业务价值：避免过量备货 5,345 件，按 $35/件 × 20% 持有成本 = 节省约 $37,415 仓储资金占用

场景 B：黑五/Prime Day 四次大促的 lift 系数标定

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：
• Momcozy 四次大促（618/双11/黑五/Prime Day），以 S12 Pro 主力 SKU 估算：
• 传统"3倍均值备货"年均过量备货约 8,000-12,000 件
• 促销分解法节省过量备货约 60%，按 $35 × 20% 持有成本 = 年节省约 $33,600-$50,400
• 同时降低大促后 3 个月的 FBA 长期仓储费约 $2,000-$4,000
• 实施难度：⭐⭐☆☆☆（2/5）— pandas + scipy，无需 GPU

7. 代码模板

代码块数量：6 · 路径：paper2skills-code/supply_chain/promotion_demand_decomposition

"""
Skill-Promotion-Demand-Decomposition
基于 SPADE (arXiv:2411.05852, NeurIPS 2024) +
    Hewage et al. (Journal of Forecasting 2025) +
    Chi et al. JD.com (SSRN:4777632, 2024)
母婴跨境电商大促需求分解与备货量计算
"""

import numpy as np
import pandas as pd
from dataclasses import dataclass
from typing import Optional


@dataclass
class PromoPlan:
    sku_id: str
    promo_name: str
    baseline_daily: float
    lift_multiplier: float
    promo_days: int
    post_dip_ratio: float
    post_dip_days: int
    pre_dip_ratio: float
    pre_dip_days: int

    @property
    def baseline_stock(self) -> float:
        return self.baseline_daily * (self.pre_dip_days + self.promo_days + self.post_dip_days)

    @property
    def lift_stock(self) -> float:
        return (self.lift_multiplier - 1) * self.baseline_daily * self.promo_days

    @property
    def post_dip_reduction(self) -> float:
        return self.post_dip_ratio * self.baseline_daily * self.post_dip_days

    @property
    def optimal_stock(self) -> float:
        return self.baseline_stock + self.lift_stock - self.post_dip_reduction

    @property
    def naive_stock(self) -> float:
        return self.lift_multiplier * self.baseline_daily * (self.pre_dip_days + self.promo_days + self.post_dip_days)

    @property
    def saving_vs_naive(self) -> float:
        return self.naive_stock - self.optimal_stock


# ── Base-Lift 分解（Hewage 2025 方法）──────────────────────
def decompose_baseline_lift(
    sales: pd.Series,
    promo_flags: pd.Series,
    method: str = "rolling_median",
) -> tuple[pd.Series, pd.Series, pd.Series]:
    """
    Base-Lift 分解：total = baseline + lift + post_dip

8. 论文来源

• 2411.05852