16 - 销售预测 Agent¶

项目背景与目标¶

某快消品牌年销售额数十亿，但销售预测依赖区域经理经验上报，准确率仅 65%，导致库存积压与缺货并存：热销品缺货损失销售、滞销品过期损耗。企业希望构建销售预测 Agent，融合历史销售、促销计划、季节、外部因素（天气、节假日、竞品活动）做多维预测，并自动生成备货建议与异常预警，将预测准确率提升至 85% 以上，库存周转提升 20%。

核心目标： 1. 多维度销售预测（品类/SKU/区域/周月） 2. 预测准确率 ≥ 85% 3. 自动生成备货与调拨建议 4. 异常波动预警实时推送

预期价值：降低库存成本、减少缺货损失、优化生产计划、提升资金周转。

需求分析¶

用户角色与场景 - 区域经理：看本区域预测与备货建议 - 供应链：依据预测安排生产与调拨 - 高管：看整体预测与异常 - 营销：评估促销对预测的影响

功能需求列表 - 历史销售数据接入与清洗 - 多维度预测（品类/SKU/区域/周期） - 外部因素融合（促销、季节、天气、节假日、竞品） - 预测置信区间与准确率回溯 - 备货量与安全库存建议 - 异常波动检测与预警 - 预测可解释（影响因子归因） - 预测调整与人工修正

非功能需求 - 性能：全量预测 < 30 分钟，单 SKU 查询 < 2 秒 - 准确性：MAPE ≤ 15% - 可用性：99% - 可解释：预测依据可追溯

约束条件：新品无历史数据需冷启动；促销计划需人工录入。

技术选型说明¶

层次	技术选择	选型理由
Agent 框架	LangChain	编排预测+建议+预警
时序模型	Prophet + LightGBM	趋势+机器学习特征融合
LLM	Qwen2.5-72B	归因解读与建议生成
数据仓库	ClickHouse + dbt	OLAP 与特征工程
调度	Airflow	定时预测任务
部署	K8s	弹性

架构设计¶

flowchart TD
    DW[(数据仓库)] --> FEAT[特征工程]
    FEAT --> TS[时序预测 Prophet]
    FEAT --> ML[机器学习 LightGBM]
    TS --> FUS[融合预测]
    ML --> FUS
    FUS --> ACC[准确率回溯]
    FUS --> AGENT[预测 Agent]
    AGENT --> EXPL[归因解释 LLM]
    AGENT --> ADV[备货建议]
    AGENT --> ANO[异常检测]
    ANO --> ALERT[预警推送]
    ADV --> USER[供应链/区域经理]

核心是「双模型融合预测 + Agent 解读建议」。时序模型（Prophet）捕捉趋势与季节性，机器学习模型（LightGBM）融合促销与外部因素，融合后输出预测与置信区间；Agent 负责归因解读、备货建议与异常预警。

关键模块实现思路¶

模块1：特征工程¶

思路：构建特征库：历史销量（滑动窗口均值/同比/环比）、促销特征（折扣力度、活动类型）、季节（周/月/节假日）、外部（天气温度、竞品活动指数）；用 dbt 管理特征口径。
关键点：特征对齐时间维度，避免未来数据泄漏。

模块2：双模型融合预测¶

思路：Prophet 预测基线趋势与季节；LightGBM 预测促销与外部因素偏差；加权融合（权重按品类历史准确率学习）；输出点预测 + 置信区间。

示意：

def forecast(sku, horizon):
    base = prophet.predict(sku, horizon)      # 趋势+季节
    delta = lgbm.predict(sku, horizon, feats) # 促销偏差
    return fuse(base, delta, weights=learn_w(sku))

模块3：归因解释与建议¶

思路：LLM 基于预测结果与特征贡献度（SHAP）生成自然语言解读，如「下周华东销量预计 +15%，主因促销 + 天气降温」；结合安全库存模型输出备货量建议。

模块4：异常检测与预警¶

思路：实时监控实际销量与预测偏差，超阈值触发预警；区分「超预期增长」（补货机会）与「不及预期」（滞销风险），推送对应建议。

核心流程详解¶

流程1：周度预测与备货¶

每周一凌晨 Airflow 触发全量预测
双模型融合生成各 SKU 各区域下周预测
Agent 生成备货建议（含安全库存）
供应链确认调整后下达生产调拨计划

流程2：异常预警¶

某 SKU 实际销量连续 3 天低于预测 40%
触发滞销预警，Agent 分析可能原因（竞品降价、天气）
推送区域经理，建议促销或调拨

部署与优化建议¶

部署架构：预测任务 Airflow 调度跑批；查询服务实时读结果；特征计算增量更新。
性能优化：SKU 分组并行预测；特征预计算物化。
成本控制：长尾 SKU 用简化模型；高频关注 SKU 用精细模型。

常见问题与解决方案¶

新品冷启动 → 用同类目 SKU 历史做迁移预测，积累数据后切换。
促销效果难量化 → 建立促销特征库，历史促销效果学习权重。
预测偏差大 → 准确率回溯 + 模型再训练；人工修正反馈。

扩展方向¶

实时预测：接入实时销售流做日内修正。
多级预测：从终端门店反推区域与总盘。
what-if 分析：模拟不同促销方案对销量的影响。