零售补货与需求预测：先做单品级偏差复盘，不先上大模型
先算清缺 1 件与多备 1 件的成本差，再定预测往哪边偏。
本页不声称任何提升幅度，只给可验收的口径；价格与货源以书面确认为准。
一、先定“错哪边更贵”
需求预测的问题很少是精度不够，而是没人定偏差该往哪边。缺货丢的是一个客户加一次口碑，压货是现金加仓租，两者在财务上不等价。先把这两项成本写成一个数，再决定预测往高还是往低修——这比换模型更能改变结果。
| 错误方向 | 代价构成 | 典型应对 | 对预测的要求 |
|---|---|---|---|
| 缺货 | 丢单、客户流转、促销失效 | 上调安全库存 | 偏高的预测更好 |
| 压货 | 现量占用、仓租、折价清理 | 下调订货点 | 偏低的预测更好 |
| 结构性偏差 | 新品与季节交替期 | 分品类分开建模 | 不能全市一个参数 |
| 促销污染 | 活动前后的虚高与塌落 | 单独建模促销期 | 促销与日常别混在一起 |
二、颗粒度比模型重要
数据要到单品×门店×天。汇总到品类，只能看到行业趋势，看不到你真正要下的那张订单。颗粒度不够时，再好的模型也只能给出“感觉”。另外，促销与断货必须单独标记：一段期间缺过货的销量，不能当成真实需求去训练。
三、大模型应该用在哪
零售的核心数据是表格，传统时序与树模型往往已经够用，而且好解释。大模型更适合做特征：把促销方案、天气预警、节日活动、商品描述变成可入模的特征；它的输出是特征，不是销量。把两件事分清，预算就不会浪费在错的地方。
四、三种部署形态的算力差异
传统预测在 CPU 上跑；如果引入文本特征抽取或图像识别（门店陈列），则需要 GPU，且是分批推理而非持续满载。这种“每天跑一批”的形态适合按卡时或短租，不适合买整机。计费方式见 卡时 vs 台月，起租门槛见 最小承诺。
当期站内已登记：H100 一年期 9.3 万元/台/月（32 台，2026-09-28）。价格随时点变动，正式报价以书面确认为准。
五、反例：这些情况不要上预测
①单品生命周期不超过三个月（快时尚上新）：样本不够，先做好上新节奏。②没有历史缺货标记：模型会把断货当成需求消失。③采购、销售、仓存三套数据不一致：先对账，再预测。④采购流程本身靠人情：预测再准也会被改回去。
六、三问验收
看哪个指标能对上财务？
看缺货率与库存周转天数的组合，而不是 MAPE。两个指标一起动才算改对了；只动一个，往往是拉高库存换来的好看。
新品怎么处理？
新品不要套用老品参数，先按相似品类给一个保守起步值，前两周用实际销量快速修正。把新品单独监控，比强行归入老模型可靠。
什么时候需要 GPU？
只有当你要处理大量文本（活动方案、评价、搜索词）或图像（陈列、货架）时。纯表格预测上 GPU，通常是把钱花在了不需要的地方。