鞋服品牌做需求预测时，经常会遇到一个看似简单、实际很复杂的问题：预测到底准不准？

如果只看某几个畅销款，可能觉得预测还不错；如果下钻到门店、尺码和周维度，又会发现误差很大。总部看总盘预测偏差不高，门店却仍然断码；品类销售接近计划，具体款色却一边缺货、一边积压。

这也是为什么越来越多商品团队开始关注 WMAPE。

WMAPE（Weighted Mean Absolute Percentage Error）在零售预测实践中常用于表示总体绝对误差与总体实际销量的比值。相同或近似口径在部分企业和系统中也称为 WAPE。企业应用时，应先确认系统对指标名称、分母和汇总层级的具体定义。

对商品来说，WMAPE 的价值不只是衡量预测误差，更重要的是帮助团队判断：误差发生在哪里，是否影响了配货、补货和库存结果，下一轮商品计划应该如何修正。

公式只需要一张表就能算出来，难点在于如何解释误差为什么发生，以及下一轮计划应该改变什么。

 

一、WMAPE是什么

WMAPE 常见计算公式是：

WMAPE = Σ｜实际值 – 预测值｜ ÷ Σ实际值 × 100%

其中：

实际值，通常指在同一统计周期、同一商品层级和同一组织层级下的实际销售量或实际销售额。

预测值，指同一口径下的预测销售量或预测销售额。

Σ｜实际值 – 预测值｜，表示所有统计对象的绝对误差合计。

Σ实际值，表示所有统计对象的实际销售合计。

当各统计对象的实际值均大于0时，WMAPE也可以理解为：按照实际销售规模进行加权的绝对百分比误差。销量规模越大的商品，对总体WMAPE的影响通常越大。与MAPE相比，WMAPE能够降低大量低销量商品对总体指标的过度影响。

这也是WMAPE和普通MAPE的重要区别。MAPE会把每个商品的百分比误差等权平均，而 WMAPE 更关注总体销售规模下的误差影响。

举个简单例子：

某品牌预测三个款色的销售量。

A款实际销售1000件，预测900件，误差100件。

B款实际销售500件，预测650件，误差150件。

C款实际销售100件，预测50件，误差50件。

总实际销售量为1600件，总绝对误差为300件。

那么：

WMAPE = 300 ÷ 1600 × 100% = 18.75%

这表示在这个统计组合内，预测与实际销售之间的总体绝对误差约为18.75%。

需要注意，当统计组合的实际销售总量为0时，WMAPE无法计算；当部分SKU实际销售为0、但组合总实际销售大于0时，可以计算组合WMAPE，但这些SKU仍需要单独观察预测和库存风险。

 

二、WMAPE和预测准确率不能简单画等号

很多企业内部会把 WMAPE 转换成一个便于沟通的“准确率参考值”。

例如：

WMAPE 为20%，内部可能会说预测准确率参考值约为80%。

这种说法便于管理沟通，但不能把它当成适用于所有场景的统一统计定义。

原因很简单：WMAPE可能超过100%。这时如果继续用“1-WMAPE”去表达准确率，就会得到负数，失去直观意义。

所以，更稳妥的表达是：

WMAPE越低，说明总体绝对误差越小；但它本身衡量的是误差水平，不是严格意义上的预测准确率。

对商品来说，真正要看的不是“有没有一个好看的准确率数字”，而是这个误差是否影响了经营动作：

主力款是否因为低估而断货？

高货值品类是否因为高估而积压？

核心尺码是否预测不足？

门店和渠道结构是否出现错配？

这些问题，比单纯追求一个更低的 WMAPE 更重要。

 

三、WMAPE、MAPE、MAE和预测偏差率有什么区别

在需求预测管理中，WMAPE通常不会单独使用。它需要和其他误差指标一起看，才能更完整地判断预测质量。

指标	主要特点	典型局限
MAE	直接衡量平均绝对误差量	不便于跨规模比较
MAPE	以百分比表达单项误差	实际值为0时无法计算，低销量商品影响可能被放大
WMAPE/WAPE	按总体实际规模衡量总误差	不反映高估或低估方向
预测偏差率	观察整体高估或低估	正负误差可能相互抵消

预测偏差率通常用于判断预测方向。一个可参考的组合口径是：

预测偏差率 = Σ（预测值 – 实际值） ÷ Σ实际值 × 100%

在这个定义下：

正数表示整体预测高于实际，也就是高估。

负数表示整体预测低于实际，也就是低估。

不同企业也可能采用相反的符号定义。关键不是哪一种一定正确，而是企业内部必须统一分母、符号方向和汇总层级，避免商品、运营、供应链和财务在复盘时使用不同口径。

WMAPE看误差大小，预测偏差率看误差方向。两者结合，才能判断预测问题到底是“波动大”，还是“长期高估或长期低估”。

 

四、WMAPE一定要先明确计算层级

WMAPE必须在预先确定的时间层级、商品层级和组织层级上计算。

同样一组数据，按全国月度品类计算，和按门店周度SKU计算，结果可能完全不同。

全国月度品类 WMAPE 较低，不代表门店周度SKU预测准确。颗粒度越细，误差通常越容易暴露；颗粒度越粗，正负偏差和结构错配越容易被汇总结果掩盖。

鞋服品牌在使用 WMAPE 时，至少要先明确三个口径：

时间层级：按日、周、月、波段还是季节计算。

商品层级：按品类、系列、款色、SKU还是尺码计算。

组织层级：按全国、区域、渠道、店群、门店还是仓库计算。

对商品来说，最容易误判的是“总盘准，但结构不准”。

例如，某品类全国月度预测接近实际销售，但华东低估、华南高估；女装总量接近计划，但核心尺码缺货；线上销售达成不错，但退货后净销售低于预期。这里的净销售，指成交销售扣除退货后的销售结果。

这些问题不会都反映在一个总盘 WMAPE 里，必须继续下钻到经营位置。

 

五、断货会让WMAPE失真

WMAPE衡量的是预测与实际销售之间的差异，而不是预测与真实潜在需求之间的差异。

当商品断货、缺码或未正常铺货时，实际销售属于受约束销售，不能被直接当作完整需求。

比如某款鞋计划销售1000双，预测900双，实际只卖了700双。表面看预测高估了，但如果上市两周后核心尺码断码，真实需求可能并不低。此时实际销售被库存上限截断，直接用它计算预测误差，就可能误导下一季计划。

在鞋服行业，断货、缺码、铺货不完整和销售窗口错位，都会影响 WMAPE 的解释。

更合理的做法是：

严重缺货周期需要单独标记，必要时从预测评估中剔除。

对受约束销售进行需求校正，避免把“没货卖”误判成“没人买”。

同时观察断货率、齐码率、可售天数和门店覆盖。

区分预测需求与实际成交销售，避免用受限制的销售结果反推真实需求。

这一步非常关键。否则企业可能会把需求强但配货不足的商品，误判成预测偏高；也可能把销售一般但铺货充分的商品，误判成预测稳定。

 

六、如何改善WMAPE

降低 WMAPE 不能只靠调整算法，也不能只盯总盘指标。鞋服商品预测的误差，往往来自商品结构、渠道节奏、尺码曲线、门店分层和库存条件共同作用。

比较有效的改善路径，可以从五个方向展开。

先统一预测口径。实际值和预测值必须在同一时间、同一商品层级和同一组织层级下比较。口径不统一，指标再低也没有管理意义。

再做分层评估。主力款、形象款、引流款、长尾款、新品和清仓款，不适合放在同一个评价规则里。稳定商品可以更重视历史规律，新品和趋势款则需要结合商品企划、上市测试和门店反馈。

第三，优先处理高权重误差。在标准WMAPE中，实际销售规模越大的商品，对总体指标影响越大，因此团队可以优先识别大体量商品的预测偏差。但从经营角度看，仅按销量权重还不够。部分销量不高但货值高、毛利贡献高或承担核心商品角色的SKU，同样可能带来较大的经营损失。因此，预测复盘还需要在WMAPE之外增加货值、毛利和商品角色等经营维度。

第四，解释断货和齐码影响。预测误差不能脱离库存条件分析。高售罄、低库存覆盖、核心尺码断码，可能说明需求被低估，或首配、补货没有跟上；库存覆盖持续上升、折扣加深、动销放缓，则可能意味着需求高估、采购过深或商品结构出现偏差。

第五，把预测结果带入季中滚动调整。预测不是季前算完就结束。上市后，商品团队要持续根据销售、库存、断码、退货、折扣和补货效果修正短期需求判断。

降低总盘 WMAPE 不应成为唯一目标。部分低销量商品虽然对总体指标权重不高，但可能承担品牌形象、关键尺码覆盖或高毛利任务，仍然需要结合商品角色设置独立评价规则。

 

七、商品如何解读WMAPE

商品看 WMAPE，重点不是判断预测团队“准不准”，而是判断预测误差有没有影响经营质量。

可以从三个层面看。

预测层面，关注 WMAPE、预测偏差率、不同层级的稳定性，以及误差是否集中在某些品类、渠道、店群或尺码。

执行层面，关注首配偏差、补货有效率、断货率、齐码率、调拨频次和上市节奏偏差。

经营层面，关注正价售罄率、综合折扣率、库存周转天数、库销比和库存资金占用。其中，库销比通常按“期末库存 ÷ 同期销售”理解，更偏存量视角；库存周转天数通常按“平均库存 ÷ 日均销售”理解，更偏流量视角。企业应用时，要统一金额、数量或成本口径，避免不同部门拿不同口径讨论同一个问题。

这些指标并不完全由预测单独决定，也会受到供应能力、配货策略、门店执行、渠道活动和价格策略影响。但它们能反映预测结果是否真正改善了后续决策和执行

如果 WMAPE 降低了，但库存周转没有改善、断货没有减少、折扣没有变好，说明预测指标还没有真正进入商品经营闭环。

 

八、第七在线实践视角：从预测误差走向经营诊断

对鞋服品牌来说，WMAPE 的管理价值不在于多算一个指标，而在于把预测误差转化为可行动的经营诊断。

第七在线支持从品牌和品类总盘持续下钻到渠道、店群、门店及款色码，定位预测误差真正发生的经营位置。

当某款商品 WMAPE 偏高，同时出现断码、高正价售罄和低库存覆盖，商品团队需要关注是否存在需求低估、首配不足或补货响应不及时。

当某类商品 WMAPE 偏高，同时库存覆盖上升、折扣加深、动销放缓，则要进一步判断是否存在需求高估、采购过深或上市节奏错位。

第七在线的价值，是把 WMAPE 与商品计划、配货、补货、调拨和季末复盘放在同一套经营语境中看。预测误差不再只是一个报表数字，而是可以继续追问到商品角色、门店分层、尺码曲线、销售窗口和库存投入。

例如，多品牌时装集团在复盘某一季女装品类时，可以先查看品类总盘 WMAPE，再下钻到区域、渠道、店群和款色码层级。系统帮助商品团队识别：误差来自总量判断，还是结构分配；来自新品判断，还是补货节奏；来自真实需求变化，还是断货造成的受约束销售。

这样，预测复盘才会真正回到下一季的商品计划参数中，包括品类结构、店群规则、尺码曲线、首配深度和补货节奏。

 

核心结论

WMAPE（部分系统也称WAPE）常用于衡量总体绝对预测误差与总体实际销售规模之间的关系，常见公式是：WMAPE = Σ｜实际值 – 预测值｜ ÷ Σ实际值 × 100%。

WMAPE越低，通常说明总体绝对误差越小，但它不能简单等同于统一意义上的预测准确率。

WMAPE必须结合计算层级解读。总盘指标较好，不代表渠道、门店、款色和尺码层级都准确。

断货、缺码和铺货不完整会让实际销售偏离真实潜在需求，因此预测评估必须同时观察库存约束。

商品管理 WMAPE 的重点，是把预测误差转化为配货、补货、调拨和下一季计划参数的调整依据。

 

常见问题

1.WMAPE和WAPE是同一个指标吗？

在很多企业和系统中，两者会使用相同或近似公式，都用于衡量总体绝对误差与总体实际值的关系。但不同系统的命名、分母和汇总层级可能不同，实际应用前要先确认口径。

 

2.WMAPE为20%，能说预测准确率是80%吗？

部分企业内部会这样简化表达，称为“准确率参考值约80%”。但这不是统一统计定义，尤其当 WMAPE 超过100%时，这种表达会失去直观意义。

 

3.WMAPE越低，预测就一定越好吗？

不一定。WMAPE低说明总体绝对误差较小，但它可能掩盖渠道、门店、尺码和新品层级的结构问题。商品需要结合预测偏差率、断货率、齐码率、正价售罄率和库存周转一起判断。

 

4.断货商品应该纳入WMAPE计算吗？

需要谨慎。断货商品的实际销售受到库存限制，不能直接代表完整需求。严重断货周期建议单独标记，必要时进行需求校正或分组评估。