需求感知Demand Sensing：如何用近实时信号修正销售预测

需求感知（Demand Sensing）是用近期销售、库存、价格、活动、天气和渠道行为等信号，对既有短期需求预测进行高频修正的方法。它不是用最近几天销量替代完整预测，也不是数据越实时、结果就一定越准确。

对鞋服品牌而言，需求感知最有价值的场景是：新品上市后缺少历史数据、大促产生脉冲需求、区域天气快速变化，或断码与退货让表面销量偏离真实需求。它服务的是未来数天到数周的滚动判断，不宜替代中长期商品结构和采购预算。

基线预测和短期修正必须分开

基线预测承载季节性、生命周期、渠道结构、商品属性和长期趋势；需求感知则回答“最近出现的新证据，是否足以改变短期判断”。如果直接用三天销量重做整季预测，一次直播、临时折扣或大面积断货都可能被误认为持续需求变化。

更稳健的表达是：

可以用下面的框架表达两者关系；它不是各企业都能直接套用的统一计算公式：

短期修正预测＝基线预测＋经质量检查、业务归因与历史验证后的近期信号调整。

调整幅度应设置上限、有效期和回退规则。信号消失后，预测应逐步回到基线，而不是永久保留一次异常波动。

哪些近实时信号值得进入模型

第一类是交易信号，包括净销售、订单取消、退货回流、成交折数和正价销售占比。电商支付订单存在退货滞后，应根据可比品类、价格带和活动的历史退货表现估计尚未回流部分，并明确它只是预计值。

第二类是销售机会信号，包括有效铺货门店、可售天数、关键尺码满足率和断码天数。销量下降可能来自没有货可卖，而不是需求转弱；销量快速增长也可能只是从少数门店扩到更多门店。

第三类是消费者与渠道信号，例如搜索、加购、收藏、预约、到货提醒和门店试穿反馈。这些是领先信号，但不等于成交，应通过历史转化关系和当前渠道条件校准。

第四类是外部与执行信号，包括天气、节假日、活动排期、内容投放、竞品价格、到货延迟和门店营业变化。外部数据只有能解释具体需求变化并具有稳定时效时，才值得使用。

四步修正机制：先验真，再加权

识别偏差

比较实际净销售与基线预测，判断偏差发生在品牌、品类、款色码、渠道还是店群层级。总量符合不代表结构正确，局部断货可能被其他商品的超卖抵消。

解释信号

检查价格、促销、铺货、断码、退货和到货。若偏差主要由销售机会变化造成，应先修正观察口径，而不是直接修改需求。

更新预测

根据近期信号的稳定性、相关性和历史表现确定权重。连续多个期间、多个可比店群出现的同方向信号，通常比单场直播或单店异常更可靠。新品可提高近端信号权重，但也应保留相似款和属性基线，避免早期噪声主导整季计划。

转成动作并设复核点

预测修正后，要校验库存位置、有效在途、供应提前期、MOQ、OTB和剩余销售窗口，再形成补货、调拨、追单或停止追加建议。每次修正应记录原因、有效期和下一次复核日期。

鞋服场景中最容易误判的四种信号

一是“销量突然上升”。如果来自大幅折扣或一次达人直播，不应直接上调日常需求基线。二是“售罄率很高”。首配不足也会造成高售罄，要同时看单店效率、有效门店范围和断码。三是“搜索和加购上升”。它可能提前反映需求，也可能因投放增加而短暂变化。四是“某区域销量下降”。先检查气温、到货、门店营业和尺码，不要把供给问题归因于消费者。

需求感知的目标不是追逐每个信号，而是缩短可靠信息进入计划的时间。频繁改预测会让采购和供应失去稳定性，因此企业需要设置最小变化幅度、冻结区间和审批边界。

如何验证需求感知是否有效

模型层可以比较加入近端信号前后的Bias与WMAPE，但不能只看误差。经营层还要观察缺货损失、窗口末库存、正价售罄和新增毛利；流程层则看信号出现到建议形成的时间、建议采纳率和执行结果。

测试时应选择需求变化较快、数据相对完整且动作周期可观察的品类，并保留基线方法或对照组。回测应按时间滚动划分训练期和验证期，只使用预测时点已经可获得的数据；不能把后续退货、最终活动结果或未来库存状态提前放入模型，否则会产生数据泄漏并虚高效果。若误差改善却导致频繁调拨、加急运输或晚到库存增加，整体经营结果未必更好。

第七在线可在接入数据与项目配置范围内，将基线预测与近期销售、库存、尺码、价格、促销和供应信号结合，辅助识别短期偏差并形成滚动建议。系统应显示使用的数据期间和主要约束，商品团队据此审核，而不是让大模型凭语言推断需求。

需求感知的使用底线

需求感知是在稳定基线之上吸收可靠的新证据。它先校正销售机会，再识别需求变化；先验证信号，再调整预测；预测改变后，还必须通过库存、供应和销售窗口校验才能成为行动。

常见问题

1. Demand Sensing和需求预测有什么区别？

需求预测建立中长期基线，Demand Sensing更强调用近端信号修正短期预测，两者应衔接而不是替代。

2. 数据必须实时到分钟吗？

不需要。频率应匹配决策周期；日补货可能需要日级数据，季度采购不因分钟级销量而频繁变化。

3. 天气数据怎样使用？

应按品类、区域和时间验证影响关系，并与去年同期条件比较，不能为所有商品套统一天气系数。

4. 新品没有历史数据还能做吗？

可以结合属性、相似款、试销和上市早期信号，但应输出区间并设置更高复核频率。

5. 需求感知会不会导致追涨杀跌？

会有这种风险，因此要设置信号持续期、最小变化幅度、调整上限和冻结规则。