我做了一套预测系统，但它还没上线——聊聊数据工作的第一性原理

李家麒 / 2026年7月

我做了一套销售预测与库存计划系统，取名叫“天枢”。它目前还没有上线，代码躺在我的 SQL Server 里，存储过程跑得通，模型竞赛的结果也不错，但离真正接入企业的 ERP、让计划员每周用它来下需求单据（预测单及采购申请单），还有一段路要走。

一、为什么做它？

一个优秀的计划员很难培养出来。计划工作不是简单的“看看上个月卖了多少，这个月大概也卖这么多”，更不是来单了再安排。它需要理解产品的生命周期、季节波动、促销节奏、供应商的交货能力、以及缺货和积压之间的微妙平衡。这种能力需要多年经验积累，而且很难用语言传授给新人。很多企业里，真正懂计划的可能就那么一两个人，他们一旦离职，整个供应链的运转就会受到严重影响。
一般的 ERP 系统不支持计算预测。ERP 擅长的是“记录”——记录订单、记录库存、记录出入库流水。但它不擅长“预判”——它不会告诉你明天该备多少货，更不会自动判断哪个预测模型最适合这个产品。很多计划员只能把 ERP 里的数据导出到 Excel，凭经验手动调整，再把结果导回去。这个过程不仅低效，而且极度依赖个人经验。

这两个问题，本质上是一个问题：企业缺少一套标准化的、不依赖个人的计划工具。AI Agent 看起来能解决这个问题，但实际上，它常常是“把数据扔进去，等一个答案出来”，中间的逻辑是黑的，错了也不知道怎么改。一个无法被理解的黑箱，是无法被调教的——你没法告诉它“下次遇到这种情况应该那样处理”，因为它连自己为什么这么做都解释不了。只有能被理解的，才能被调教。

而我一直相信一件事：

数据的处理始于清洗，终于洞察；而洞察的终点，一定是讲好一个让干系人听得懂且用得上的故事。不被理解的洞察带不来支持。

这是我的数据工作第一性原理。

天枢系统的设计，就是从这个原理倒推出来的：每一步都要透明、可解释、可追溯。它不是一个黑箱，而是一本摊开的账本——你可以追到任何一个预测数字的来源，也可以在任何一个环节说“这里我不信，我改”。

二、为什么不用 AI Agent？

现在 AI 很火，特别是 AI Agent。它们能直接连数据库，自动写 SQL，自动画图表，甚至自动给建议。听起来很强大，但它们有三个致命问题：

消耗 token。每次查询都要消耗 token，量大了成本不低。
机器幻觉。AI 可能会编造一个看起来合理但实际上不存在的数据，你还很难发现。
逻辑不可控。AI 的推理过程是隐式的，你不知道它为什么选这个模型而不是那个，为什么给出这个数而不是那个数。

天枢系统选择了一条“反方向”的路：纯 SQL 实现核心算法。数据清洗、物料分层、九大模型竞赛、批量预测、库存计划，全部封装在存储过程中。每一步都是确定的、可复现的。你可以把存储过程打开，一行一行看它做了什么。

相对于 AI Agent，这套系统的优势在于：清晰易懂、逻辑可控、不消耗 token、不会出现机器幻觉。

三、天枢做了什么？

天枢的核心逻辑很简单：用历史数据加数学模型，代替人工经验猜测，输出未来 7 天的销量预测和补货建议。

它分六步走：

第一步：数据清洗。 清洗的第一步不是处理数据，而是确认数据的来源。需求的真实记录，是客户下达的销售订单，而不是仓库最终发出的销售出库单。如果一个订单因为缺货没有发出去，在出库单里它就是零，但在订单里它依然是真实的需求。如果预测模型看到的永远是“被库存能力过滤过的需求”，它就会误以为需求在减少，进而建议更低的库存，最终陷入恶性循环。所以，天枢的清洗流程始于一个基本原则：从订单取数，还原客户真正想要什么。

确定了源头之后，系统会自动识别那些干扰判断的异常值——比如促销囤货造成的销量暴增、退货冲销造成的销量暴跌、以及录入错误产生的离谱数字。这些异常值会被标记出来，但不自动删除。所有标记都交给人工审核，由计划员决定剔除还是保留。

清洗的目的不是把数据弄干净，而是还原可重复的需求历史。

第二步：物料分类。 根据零值占比、数据天数、变异系数，把产品分成四类：A 级（爆款）、B 级（腰部）、C 级（稀疏）、I 级（长尾）。不同类的产品，后面用不同的预测方法和库存策略。这是天枢的“分而治之”原则：没有一种方法能通吃所有产品。

第三步：模型竞赛。 系统内置了九种预测模型，覆盖五大模型族——移动平均、指数平滑、季节模型、间歇性需求、朴素基线。每次预测时，用最近 30 天数据作为“考场”，让所有模型在上个月的数据上比赛，选出 MAPE 最小且没有系统性偏差的那个，作为这个产品本周的“冠军模型”。

第四步：批量预测。 冠军模型上岗，预测未来 7 天的销量，同时给出 80% 预测区间（即未来实际销量有 80% 的概率落在这个范围内）。区间窄 → 直接采用；区间宽 → 建议人工介入。

第五步：库存计划。 预测回答的是“卖多少”，库存计划回答的是“备多少、何时补、补多少”。天枢用安全库存公式自动计算两个关键数字：安全库存（为需求和供应的意外波动准备的缓冲垫）和订货点（库存降到多少就该下单）。安全库存 = Z × σ × √(L+R)，其中 Z 是服务水平系数，σ 是预测误差的标准差，L 是采购提前期，R 是补货周期。这个公式的核心思想很简单：需求越不稳定、供应商越慢、补货间隔越长，安全库存就要越高。对于长尾产品，标准公式会失效，系统会自动切换到泊松分布法或历史最大单次需求法，甚至直接建议“按单采购、不备库存”。

第六步：导出到 ERP。 一键生成金蝶预测单和采购申请单模板，计划员检查后直接导入金蝶，完成闭环。

四、一个最重要的设计铁律

天枢系统在选模型的时候，有一个铁律：

一个好预测最重要的两点是——准确度高、没有系统性偏差。两者缺一不可。

如果只看 MAPE（平均绝对百分比误差），很容易选出一个“总是高估 5%”的模型——它看起来很准，但长期下来会让你多备 5% 的库存。这种模型不能用。

所以天枢在模型竞赛中，除了 MAPE 还要看 ME（平均误差）。如果一个模型总是偏在一边，MAPE 再低也会被淘汰。

这是天枢系统最核心的设计原则，也是它与“把数据扔进去自动选模型”的最大区别。

五、天枢系统说明书

5.1 系统概述

天枢系统是一套基于 SQL Server 的销售预测与库存计划引擎。它从 ERP 系统（金蝶云星空）获取历史销售订单数据，自动清洗异常值，对物料进行分层，然后用九种预测模型同时竞赛，为每个产品选出当月最优的预测方法，输出未来 7 天的销量预测和安全库存建议，最终将预测单和采购申请单导出至金蝶，完成从数据到决策的闭环。

5.2 系统定位

本系统是一个标准化、数据驱动、可追溯、可复盘的计划工作平台。

5.3 整体架构

金蝶ERP（销售订单）
        │
        ▼ 只读视图
天枢数据库（SalesForecast）
        │
        ├── 数据清洗 → 异常值检测与人工审批
        ├── 物料分层 → A/B/C/I 四级标签
        ├── 模型竞赛 → 9种模型验证，自动择优
        ├── 批量预测 → 冠军模型预测未来7天
        ├── 库存计划 → 安全库存、订货点、补货建议
        └── 导出模板 → 金蝶预测单 + 采购申请单

5.4 核心数据表

表名	用途
`SalesClean`	清洗后的历史销售数据
`MaterialTier`	物料分层标签（A/B/C/I）
`MaterialInventoryParams`	库存参数配置
`ModelErrorLog`	模型验证误差记录与冠军模型标记
`ForecastResult`	未来7天销量预测结果
`InventoryPlan`	安全库存、订货点、补货建议
`DataCleansing_Log`	异常值检测日志与处理状态
`SystemConfig`	系统全局参数配置表

5.5 核心存储过程

存储过程	功能
`sp_DataCleansing`	数据清洗与异常值标记
`sp_BatchValidateAllMaterials`	九大模型批量验证与择优
`sp_BatchForecastAllMaterials`	用冠军模型批量预测
`sp_GenerateInventoryPlan`	生成库存计划（含长尾特殊处理）

5.6 九大预测模型

模型族	模型	适用场景
移动平均系	简单移动平均 (SMA)	平稳需求
	加权移动平均 (WMA)	需求有惯性
指数平滑系	一次指数平滑 (EMA)	无趋势平稳需求
	双参数指数平滑 (Holt)	有趋势的产品
季节模型系	温特斯法 (Holt-Winters)	有明显季节性
间歇需求系	Croston 方法	长尾冷门产品
	SBA 修正法	同上，去偏修正
朴素基线系	保底-上周同天法	强周规律产品
	保底-月均法	数据极稀疏时兜底

5.7 长尾产品的特殊处理

对于零值占比超过 40% 的长尾产品，标准安全库存公式不再适用。系统会根据严重程度自动选择：

零值占比	策略
40%～60%	泊松分布法
60%～90%	历史最大单次需求法
90%以上	不备库存，按单采购

5.8 配置驱动

所有系统参数统一存储在 SystemConfig 表中：IQR 系数、Z-Score 阈值、MAPE 阈值、默认服务水平、默认提前期和补货周期……一切皆可配置，不硬编码。

5.9 系统边界

数据要求：最少 30 天历史数据；新产品通过产品继承关系冷启动
计算限制：Holt-Winters 需借助外部工具（Python / PostgreSQL PL/Python）
ERP 对接：导出模板匹配金蝶数据引入平台标准，也可通过 Node-RED + API 全自动同步
解耦原则：天枢与金蝶生产库物理隔离，只读视图取数

六、写在最后

我一直相信一件事：商业问题的本质是寻求更好，而不是最好的方案。

天枢系统目前还处于“设计蓝图”阶段，代码写了，逻辑通了，但还有很多事情要做——前端控制台、企业级部署、真实数据验证。但它的核心已经证明了：用最基础的 SQL，配合清晰的逻辑和可解释的设计原则，完全可以做出一套不输 AI Agent 的智能预测系统。

天枢系统不是替代计划员的经验，它能做到的是让企业的计划工作拥有一个标准化的平台。对于很多从未建立过正式计划流程的企业来说，天枢的意义在于：快速搭建一套可运转的预测与库存管理体系，让计划工作先达到一条及格的基准线。在此基础上，每一个库存决策，都有数据驱动的、可追溯的、经得起复盘的计算依据。

如果你对这套系统感兴趣，或者你的企业正在寻找一个透明可控的预测工具，欢迎找我聊聊。

文章目录