SKU与销售预测：拉链需求预测的颗粒度选择

销售预测的常见误区，是追求"每个SKU都预测准"。拉链SKU多、长尾长，逐SKU预测不仅成本高，而且误差大。预测的价值不在于精确到每一条，而在于让备货与排产有合理依据。

问题现象

• 要求销售对上千个SKU逐一报预测，最后变成拍数字；
• 长尾SKU预测误差巨大，反而干扰了A类的判断；
• 预测只做年度不做滚动，市场变化后无人调整；
• 预测与备货、排产脱节，做完就锁进抽屉。

分析框架

按颗粒度分层：A类SKU逐项预测，B类按系列预测，C类按品类或客户预测。不同层级匹配不同方法，A类可用历史趋势与客户订单结合，长尾更适合用系列总量加比例分摊。

框架的核心是"预测颗粒度与决策颗粒度匹配"：备货决策细到SKU，预测就细到SKU；按单生产的C类，只需预测总量与产能占用。

预测的责任不应只压在销售身上。销售掌握客户动向，计划掌握产能与库存，市场掌握趋势，三方各有一半信息。建立联合预测机制，由销售提客户需求、计划提产能约束、市场提趋势判断，才能形成可执行的共识数字，而不是各部门各报一套。

治理方法

1. 先做ABC分类，再决定每类SKU的预测颗粒度；
2. 建立月度滚动预测机制，允许修订而非一次定全年；
3. 把预测误差纳入复盘，区分系统性偏差与偶发波动；
4. 预测结果直接驱动备货与排产，形成闭环。

预测要区分需求与订单。客户口头需求往往大于实际下单，直接把需求当订单预测，会推高库存。应设置需求转化率，用历史数据校准口头需求与实际成交的比例，减少系统性高估，也让备货计划更贴近真实现金流。

预测要结合客户滚动计划与在手订单，而不是只依赖历史数据。拉链需求受客户排产、季节与流行趋势影响，历史模型往往滞后。更实用的做法是用短期订单与客户计划形成近期预测，再用长期趋势校正，让数字贴近真实需求，而不是漂亮但失真的曲线。

落地步骤

1. 第1步：梳理现有预测流程，统计各层级的误差水平；
2. 第2步：按ABC确定预测颗粒度与方法；
3. 第3步：搭建滚动预测表，明确责任人与提交节奏；
4. 第4步：将预测接入备货与排产，设定偏差容忍区间；
5. 第5步：月度复盘MAPE与缺货，持续校准方法。

长尾预测可以用总量加比例。先预测品类总量，再按历史结构比例分摊到系列，最后按订单触发具体SKU。这样既避免逐项预测的高误差，又能为产能与原料准备提供参考，让预测资源集中在真正影响决策的层级上。

预测结果要进入备货与排产，而不是停在表格里。若预测与决策脱节，做得再精细也没有意义。应明确预测如何影响安全库存、采购计划与产能预留，并设定偏差容忍区间。预测不是算命，而是让不确定性被提前讨论、被共同承担。

预测频率要与决策频率匹配。备货按月、排产按周，预测就不应一年只做一次。把滚动机制嵌入月度经营节奏，预测才会被持续使用和修正，而不是做完即封存。

指标与复盘

• 预测准确率（MAPE）：分层级统计；
• 预测偏差方向：系统性高估或低估的比例；
• 缺货率：因预测不足导致的断货比例；
• 预测覆盖率：纳入预测的SKU销售占比。

东龙拉链采用分层预测后，长尾SKU不再强求逐项精准，A类反而因为资源集中而预测更稳。预测不是算命，而是把不确定性放在合适的颗粒度上管理，让备货与产能决策有据可依。