需求预测
给出产品清单和历史销量数据,产出对应的预测方法、代码与准确度评估口径
功能与用途
需求预测不是套一个公式就完事,平稳商品、季节性商品和零碎的备件需求要用完全不同的方法。这个 Skill 会先问清业务背景、数据情况和需求形态,再据此推荐移动平均、Holt-Winters、ARIMA、Prophet、Croston 或机器学习模型,并配上能直接跑的 Python 代码和 MAPE、RMSE 这类评估指标。适合要拿预测结果去定库存和生产计划的人。
适用场景
- 节庆类商品每年有明显旺季,想搞清楚该用季节性分解还是 Hol:节庆类商品每年有明显旺季,想搞清楚该用季节性分解还是 Holt-Winters,并知道怎么衡量预测偏差
- 五金备件类的销售数据里大量是零,用普通平滑方法完全不准,需要:五金备件类的销售数据里大量是零,用普通平滑方法完全不准,需要换成适合间歇性需求的方法
- 新品上市没有历史销量,想知道在缺数据的情况下能先做什么样的预:新品上市没有历史销量,想知道在缺数据的情况下能先做什么样的预测假设
- 现有 Excel 预测经常系统性高估或低估,想定位偏差来源并:现有 Excel 预测经常系统性高估或低估,想定位偏差来源并建立一套评估口径
适用人群
- 供应链计划员
- 零售企业的需求计划分析岗
- 做补货与备货决策的电商运营负责人
使用步骤
- 先说清楚要预测哪些产品、预测结果会影响什么决策、按什么周期预测。
- 把可用的历史数据情况告诉我:时间跨度、粒度、是否记录了促销和外部因素。
- 我判断需求形态(平稳/趋势/季节/间歇/促销),给出匹配的方法和可直接运行的代码。
- 用 MAD、MAPE、RMSE、偏差等指标评估效果,定位是系统性高估还是低估。
- 根据评估结果调整参数或换方法,并把改进后的预测口径固化下来。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 商业运营
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 专业
- 版本
- main
- 最近更新
- 2026-09-11
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
使用前准备
- 需要两年以上的历史需求数据,以及能跑 Python 统计与机器学习库的环境
依赖与权限
- 读取用户主动提供的内容