场景与边界
据 EuroShop、ByteLedger 等 2026 年零售技术报道,H&M 用 AI 做门店与单品级需求预测,Otto Group 用 AI 做销售与退货预测,ROSSMANN 用 AI 做动态路线规划。对中小商家,最稳妥的切入点是需求预测与智能补货:用历史销售、季节、促销信号驱动补单,减少缺货与积压。
Step 1:数据准备与特征工程
至少需要 12 个月、按 SKU 与门店维度的日销售数据;补充促销、节假日、本地事件等信号:
import pandas as pd
df = pd.read_csv('sales.csv')
df['date'] = pd.to_datetime(df['date'])
df = df.sort_values('date')
df['qty_lag7'] = df.groupby(['sku','store'])['qty'].shift(7)
df['qty_roll30'] = df.groupby(['sku','store'])['qty'].rolling(30).mean().reset_index(0, drop=True)
df = df.dropna()
print(df.tail())Step 2:多 horizon 需求预测
用 Prophet 做可解释的基线预测,再用 LightGBM 融合多特征做更准的集成:
from prophet import Prophet
# 单 SKU 基线预测
ts = df[df['sku']=='A001'][['date','qty']].rename(columns={'date':'ds','qty':'y'})
m = Prophet(yearly_seasonality=True, weekly_seasonality=True)
m.fit(ts)
future = m.make_future_dataframe(periods=14)
fc = m.predict(future)
print(fc[['ds','yhat']].tail())
# 集成:LightGBM 融合多特征(示意)
# import lightgbm as lgb
# train = lgb.Dataset(df.drop(columns=['qty']), df['qty'])
# model = lgb.train({'objective':'regression'}, train, num_boost_round=200)Step 3:约束优化生成补单建议
在需求预测基础上,结合提前期、安全库存、仓库容量生成补单量,避免拍脑袋:
def reorder_qty(forecast_next, on_hand, in_transit, lead_time, safety_stock):
need = forecast_next * lead_time + safety_stock
net = need - on_hand - in_transit
return max(0, int(round(net)))
# 未来两周预测 140 件,库存 30,在途 20,提前期 1 周,安全库存 20
qty = reorder_qty(forecast_next=140, on_hand=30, in_transit=20, lead_time=1, safety_stock=20)
print('建议补单:', qty)Step 4:评测与合规
① 用历史数据做回测,关注缺货率与积压率,而非只看预测误差;
② 价格、库存以实时接口为准,模型输出仅作补单建议,保留人工确认;
③ 涉及用户隐私的,留存与脱敏符合相关规定;
④ 先单品类试点,验证 ROI 后再全量推广。
说明:本文为技术方案梳理,行业数据与政策以官方发布为准。
参考来源
本文引用的公开资料:AI steers the supply chain: Data becomes the basis for decisions - EuroShop;AI for Retail 2026: Inventory, Personalization, and Service - ByteLedger;AI in Retail: Inventory Optimisation Patterns That Work in 2026 - PADISO。