深入理解新品需求预测

可视化演示

冷启动挑战：没有账本的新菜

“云顶小馆”的账本厚得像本诗集，记录着宫保鸡丁、水煮鱼、酸菜鱼每天的销量曲线。但明天要上市的椒麻鱼片，账本上只有一行字：未上架，无记录。进少了，客人点不到，扫兴而归；进多了，活鱼变死鱼，全是损耗。这就是新品需求预测的冷启动困境——数据空白期的备货决策，往往决定了新品是成为爆款还是烂在库存里。

在机器学习里，绝大多数需求预测模型是“以史为鉴”：把过去一年的销量喂给模型，学出规律。可新品根本没有“过去一年”，强行套用老模型只会得到空输入、瞎输出。冷启动因此成为零售AI的第一道坎：模型要在几乎没有样本的条件下，给出一个“不那么离谱”的初始估计。

从统计视角看，冷启动的本质是样本量n太小，导致估计量的标准误被拉大。标准误与样本量的平方根成反比：

回到主厨的处境：账本空白不要紧，他可以翻开老菜品的账本、端详新菜的配料单，再用十年经验打个底。这三件事，恰好对应相似商品迁移、属性特征学习与贝叶斯先验。冷启动不是“无米之炊”，而是“换一口锅做饭”。

相似商品迁移：向水煮鱼借账本

主厨翻开老账本时，不会随便找一道菜看。椒麻鱼片跟水煮鱼都是“麻辣口味的鱼片”，跟宫保鸡丁也有点像，但跟红烧肉就八竿子打不着。聪明的做法是：给每道老菜和新菜打一个“口味相似度”分数，相似度高的老菜销量多借一点，相似度低的老菜少借一点。

这就是相似商品迁移的核心思想——新品没有历史，但它不是孤岛。在任何零售体系中，新品总有一群“远房亲戚”：同品类、同价格带、同目标人群的老商品。把它们的需求模式作为参照，是冷启动最直接有效的手段。

具体做法分两步：先定义距离，再做加权集成。假设共有k个相似商品，第i个老商品与新品的“不相似距离”记为d_i，它的历史日均销量为y_i，则新品预测初值为：

实际操作中还要做生命周期匹配：新品与参照老品应处于各自销售生命周期的同一阶段，否则拿老品的衰退期数据预测新品的导入期，迁移就会失真。这就像主厨不仅看老菜平均每天卖多少，还要看它在刚推出那几天卖多少——拿“菜品刚出道”的销量来类比新菜，才是真正的对口借账。

属性特征学习：新菜的基因图谱

如果相似老品太少怎么办？比如椒麻鱼片是全新菜系，没有近亲。别急，主厨还可以看菜本身的“基因”：用鲈鱼还是草鱼，麻度几分，定价是28还是68，摆在菜单哪一页。这些属性本身就携带需求信息——爱吃辣的人看到“麻辣”就会点，商务宴请不会点太便宜的菜。

在机器学习中，这种“基因”就是商品属性特征。属性特征学习的思路是：不依赖“这个新品像哪个老品”，而是直接学习“具备这些属性的商品，通常有多少需求”。把大量老商品的属性与销量喂给模型，模型就能推断出一组隐含的“属性-需求”映射。

属性编码是第一步。类别型属性（品类、品牌、口味）通常做one-hot编码或嵌入；连续型属性（价格、净含量、上架月份）先归一化再进模型。编码之后，计算两个商品的距离可以用加权欧氏距离：

主厨靠经验给特征排序，模型靠数据自动排序。属性特征学习的本质，是把“老师傅的直觉”变成可在每件新品上线时重复调用的计算流程。

贝叶斯先验：经验的动态天平

主厨在开业前已经通过老菜、新菜属性，心里形成了一个初始估计：“椒麻鱼片头一周大概每天30份。” 这个数不是拍脑袋——它来自相似菜的销量和菜品特征的逻辑推理。但主厨心里也知道，这只是一个“先入为主”的念头。头三天，顾客实际点了26、29、24份，主厨会悄悄把估计改成“大概27份”。

从“初始估计”到“数据修正”，正是贝叶斯推断的精髓。我们把“平均日需求”看作一个未知参数θ。先验分布 P(θ) 编码了我们在看到任何销售数据之前对θ的信念；当少量真实销量D出现后，利用贝叶斯定理把先验与似然结合，得到后验分布P(θ|D)。

当先验与似然都是正态分布时，后验仍为正态，且均值是先验均值与样本均值按“精度”的加权平均；先验强度可以理解为“这个初始估计等价于看了多少天销售数据”。贝叶斯先验的动态天平让主厨既尊重经验又拥抱现实：数据越少时经验主导，数据越多时现实主导。

新品特征工程：菜单上的时令与定价

光有“这个属性像那个属性”还不够。主厨知道，同样的椒麻鱼片，夏天卖得比冬天好；搞“开业促销”时点单量会暴涨；放在外卖平台和堂食菜单上的需求量也完全不同。于是主厨在备货时会叠加一张“时令-促销-渠道”的加权清单。

这就是特征工程在起作用。基础属性编码解决的是“商品是什么”，而特征工程解决的是“商品在什么环境里卖”。对新品而言，由于没有历史销量可供模型自学习，这类环境特征的构造质量几乎决定了预测的上限。

常用的新品特征包括三类。第一类是季节性特征，把日期投影到周期函数上，让模型知道“现在是第几周、是否临近节假日”；第二类是价格促销特征，若新品有首销折扣，引入价格弹性项——价格变动1%时需求变动的百分比：

第三类是渠道交叉特征：同款商品在线上、线下、社区团购三条渠道的分配比例，以及是否位于首页曝光位。特征工程如同给新菜写“身世小传”：主厨把季节、价格、渠道写进小传里，模型就能读懂这道菜在特定时空下会遇到的真实需求热度。

置信区间：从“大概30份”到“25到35份”

当主厨告诉采购“明天大约准备30份鱼片”时，采购会追问一句：“那到底该买30还是35？” 如果只给一个数字，采购只能按直觉上下浮动。但若主厨说：“按我的估计，25到35份之间能覆盖95%的情况，你按35份备货吧。” 采购立刻有了行动的底气。

单点预测在冷启动场景中尤其危险：数据极少时，后验均值可能离真实值很远，100%相信它会让备货决策变得脆弱。因此新品需求预测不仅要输出期望值，还要输出置信区间——一个以一定概率覆盖真实需求的数值范围。

当后验分布近似为正态时，95%置信区间可由均值 μ 与标准误 σ/√n 构造：

在工程上，更稳妥的做法是直接预测分位数（如0.025与0.975分位数），因为真实需求分布常带偏态，分位数回归不需要假设对称。给采购一个区间，相当于给主厨的直觉加了一把“风险度量尺”——备货不足的风险由下界暴露，积压的风险由上界封印，决策成了一道有边界的算术题。

工程实践：后厨的流水线

新菜上市不是一天的事。主厨会规定：头三天手工记录每桌点单，第七天对比预估和实际，第二周根据复购率调整备货。这套“记录-对比-修正”的后厨规矩，就是工程实践里最朴素的模型迭代闭环。

AI新品预测上线后，同样需要一套可持续运转的流水线，而不只是一个离线模型文件。工程实践通常围绕三条主线：数据管道、模型监控、反馈闭环。数据管道要解决“相似商品从哪来、属性谁维护、销量多久同步一次”；模型监控要持续观察预测误差是否漂移，经典指标是MAPE：

当新品度过冷启动期、积累了足够销量后，系统应平滑切换到常规预测模型；同时把缺货、滞销、退货这些业务信号回传给特征工程，形成正反馈。后厨的规矩和老主顾的口碑，最终变成一桌好菜：数据是食材，模型是灶台，监控是试菜人。新品预测系统不是上线就完，而是像一道不断调味的招牌菜，越用越准。

AI 应用场景

Python 演示

import math  def gaussian_quantile(p):    """标准正态分布分位数近似(用于95%区间)"""    t = math.sqrt(-2.0 * math.log(1.0 - p))    c0 = 2.515517    c1 = 0.802853    c2 = 0.010328    d1 = 1.432788    d2 = 0.189269    d3 = 0.001308    return t - (c0 + c1 * t + c2 * t * t) / (1.0 + d1 * t + d2 * t * t + d3 * t * t * t)  class BayesianNewProductForecaster(object):    """先用相似商品迁移设定先验, 再用实际销量更新后验"""     def __init__(self, prior_mean, prior_strength, obs_variance):        self.prior_mean = prior_mean      # 先验均值: 由相似商品迁移得到        self.prior_strength = prior_strength  # 先验强度(等价样本数)        self.obs_variance = obs_variance  # 单日销量的观测方差        self.post_mean = prior_mean        self.post_strength = prior_strength     def update(self, sales_list):        """用真实销售数据更新后验分布"""        n = len(sales_list)        if n == 0:            return        sample_mean = sum(sales_list) / n        # 后验均值 = 先验均值与样本均值的加权算术平均        self.post_mean = (            self.prior_mean * self.prior_strength +            sample_mean * n        ) / (self.prior_strength + n)        # 后验强度 = 先验强度 + 样本数        self.post_strength = self.prior_strength + n     def predict(self, horizon=7, alpha=0.05):        """预测未来horizon天的日均需求及置信区间"""        mu = self.post_mean        sigma = math.sqrt(self.obs_variance / self.post_strength)        z = gaussian_quantile(1.0 - alpha / 2.0)        lower = mu - z * sigma        upper = mu + z * sigma        return mu * horizon, lower * horizon, upper * horizon  def main():    # 相似商品迁移: 参考同品类3个商品的日均销量    similar_sales = [28.0, 31.0, 26.0]    prior_mean = sum(similar_sales) / len(similar_sales)    prior_strength = 2.0  # 迁移得到的先验强度(样本量等价)     # 新品上市头3天的真实销量    observed = [24.0, 27.0, 29.0]     forecaster = BayesianNewProductForecaster(prior_mean, prior_strength, 9.0)    forecaster.update(observed)     mu_hat, lower, upper = forecaster.predict(horizon=7)    print("新品预期周销量: %.1f 件" % mu_hat)    print("95%% 置信区间: [%.1f, %.1f] 件" % (lower, upper))    print("建议备货量(按区间上界): %.1f 件" % upper)  if __name__ == "__main__":    main()

1. prior_mean = sum(similar_sales) / len(similar_sales)相似商品销量求平均，作为贝叶斯先验的均值初始值。
2. prior_strength = 2.0先验强度相当于“看了2天数据”，迁移越可靠这个值越大。
3. self.post_mean = (贝叶斯后验更新的核心公式：先验均值与样本均值按各自强度加权平均。
4. self.post_strength = self.prior_strength + n后验强度等于先验强度加样本数，数据越多，后验越自信。
5. sigma = math.sqrt(self.obs_variance / self.post_strength)计算后验标准差，是置信区间的宽度来源。
6. z = gaussian_quantile(1.0 - alpha / 2.0)查标准正态分布分位数，95%置信度对应约1.96。
7. return mu * horizon, lower * horizon, upper * horizon把日均需求外推到整周，并同步外推区间边界。
8. forecaster.update(observed)用新品头3天真实销量更新后验，完成从“经验”到“数据修正”的一跳。

常见误区

面试题