食品卖得越快就应该进货越多吗？为什么短保食品的库存模型不能只看历史销量？

库存报废往往不是发生在报废那一天，而是发生在订货量被抬高的那几天。下面用一组模拟数字倒着复盘：一款冷藏鲜奶到店后可以卖 3 天，第 3 天关店时没卖完的就报废。前三天恰逢周末和促销，日销 105、118、112 瓶，系统只看到销量在涨，便把每天补货量固定在 130 瓶；第 4 天起促销结束、天气转冷，需求落回 80 瓶上下。

反例复盘：第 4 天多订的货，第 8 天才变成报废

表 1：每天固定进货 130 瓶的逐日账本（示例推演数字，先卖最早到期的批次；覆盖天数 = 期末库存 ÷ 当日需求）
天	需求	到货	期末库存	覆盖天数	报废
1	105	130	25	0.2	0
2	118	130	37	0.3	0
3	112	130	55	0.5	0
4	84	130	101	1.2	0
5	80	130	151	1.9	0
6	78	130	203	2.6	0
7	80	130	253	3.2	0
8	82	130	260	3.2	41
9	80	130	260	3.3	50

前七天没有一瓶报废，也没有缺货，130 瓶看上去一直是对的。信号藏在期末库存里：它从 25 瓶涨到 253 瓶，覆盖天数在第 7 天升到 3.2，已经超过这款鲜奶的可售天数。需求稳定在 80 瓶以后，每天多进 50 瓶，就每天报废约 50 瓶，占到货量的 38%。

第 4 天期末 101 瓶，全部来自当天到货，覆盖 1.2 天，账面看不出问题；但需求已从 112 瓶掉到 84 瓶，订货量本该压下来。
第 6 天在库 203 瓶：第 5 天到的 73 瓶只剩一天可卖，第 6 天到的 130 瓶还剩两天。两天只能卖掉约 160 瓶，约 43 瓶已注定卖不完，比账面早两天。
第 8 天第 6 天到的那批只剩 41 瓶，到期报废，第一笔损耗出现。
第 9 天第 7 天到的那批剩 50 瓶到期，之后每天重复一次。

系统当时的判断

把周末与促销的 3 天当成趋势，补货量锁在高点
每天单独算订货量，在库已有 101 瓶仍照进 130 瓶
目标只有销量，不问多进一瓶的代价

应有的判断

先用促销与天气日历解释增长，预期回落，区分方法见销量暴涨时的判断流程
订货量 = 预计需求 − 在库 − 在途，并逐批检查寿命内卖不卖得完
目标是缺货与报废的总成本

卖得最快的那几天，先要解释，再谈补货。

模型要交出去的三个数

预测销量不是库存模型的产出，产出是订货量、订货时点和目标库存三个数。提前期决定预测要看多远：提前期 1 天、每天盘点一次，今天下的单要覆盖未来 2 天，所以预测的是 2 天需求的分布，不是明天的一个平均值。

短保库存预测闭环示意：左侧七个输入方块分成两组，销量历史、天气、促销、到店客流通向需求预测，保质期、供货周期、报废成本通向补货量优化；预测环节输出的是一条分布而非单个数字，优化器用缺货与报废的成本天平确定目标分位，最后给出订货量与补货时点，实际销量与损耗再写回输入端形成闭环。 — 图 1：Perishable Inventory Forecast Loop——预测输出的是分布，优化器再按 Cu ÷ (Cu + Co) 取分位；实际销量与损耗写回输入端，闭环才算完成。

示例推演 · 三个决策变量

保护期 = 提前期 L + 盘点周期 R = 1 + 1 = 2 天
目标库存 S = 保护期内需求分布的第 q 分位
订货量   Q = S − 在库 − 在途
封顶     在库 + Q ≤ 可售窗口内需求的第 q 分位
第 6 天  在库 151 瓶，窗口 3 天 × 80 = 240 瓶，最多再订 89 瓶，而不是 130 瓶

表 2：七项输入影响哪个决策变量，以及最常见的失真
输入	决定什么	最常见的失真
Sales History	需求基线与波动	断货日偏低，促销日偏高
Shelf Life	可售窗口与报废概率	没有批次到期日
Lead Time	预测要看多远	用合同天数，不用实际到货天数
Weather	提前期内的需求偏离	用实况而不是采购时的预报，见天气预报进入库存模型
Promotion	提升量与回落坑	日历晚于订货，事后才登记
Store Traffic	需求的领先信号	与销量的时间没有对齐
Waste Cost	临界比 q	只算进价，漏了处理费

训练与评估：把 MAPE 换成成本

必赢亚洲智能库存的思路，是把目标从“预测销量”改成“最小化缺货加报废的总成本”，订货量由此成为需求分布上的一个分位，而不是平均销量再加 30%。

示例推演 · 两侧损失与订货分位

缺货损失 Cu = 毛利 3 元 + 顺手买走的其他商品毛利 2 元 = 5 元
报废损失 Co = 进价 6 元 × 最终卖不掉的概率 0.4 = 2.4 元
临界比 q = Cu ÷ (Cu + Co) = 5 ÷ 7.4 ≈ 0.68，订货量取第 68 百分位
只剩最后一天时 Co 接近进价 6 元：q = 5 ÷ 11 ≈ 0.45

剩余保质期越长，多出的一瓶越可能在到期前卖掉，Co 越小，所以保质期必须作为输入。训练时对应的损失函数是分位数损失（Pinball Loss）：偏低每瓶罚 0.68，偏高每瓶罚 0.32，罚分之比约 2.1 : 1，与 5 : 2.4 的成本之比一致，模型直接输出第 68 百分位，不必事后乘安全系数。

评估口径也要跟着换。假设某天真实需求是 80 瓶：

只看预测误差与满足率

预测 72 瓶与 88 瓶的 MAPE 都是 10%，被评成一样好
固定 130 瓶满足率 100%，看不见 91 瓶报废

回放成本

偏低 8 × 5 = 40 元，偏高 8 × 2.4 = 19.2 元
把订货建议放进逐日账本，同时看总成本、报废率与满足率
按各 SKU 的 Cu 与 Co 加权

同样 9 天需求，按可售需求订货的回放见表 3：到货 = 预测 + 缓冲 − 期初库存，缓冲取 7 瓶；示例按到货日记账，订货在前一天下达。

表 3：按可售需求订货的逐日账本（示例推演数字，缓冲 7 瓶）
天	需求	预测	到货	期末库存
1	105	108	115	10
2	118	114	111	3
3	112	114	118	9
4	84	82	80	5
5	80	81	83	8
6	78	75	74	4
7	80	84	87	11
8	82	81	77	6
9	80	86	87	13
合计	819	—	832	13

1170 → 8329 天累计订货（瓶）

91 → 0累计报废（瓶）

260 → 13第 9 天期末库存（瓶）

以上为示例推演数字。表 3 假设预测误差不超过 6 瓶（小于缓冲 7 瓶），并提前知道促销结束与降温；真实门店误差更大，报废不会是 0。

上线前的检查清单

先把销量还原成需求：断货日按小时曲线还原，促销日按日历剥离。
到期日按批次记录：否则做不了逐批的“寿命内卖得完”检验。
提前期用实测值：取近 8 周的实际到货天数，晚到一天，窗口就少一天。
Cu 与 Co 逐 SKU 修正：引流品的 Cu 含整篮损失，长保品的 Co 按预计滞留天数折算。
设置护栏：订货量不超过窗口内需求的第 q 分位与陈列容量；预测缺失时退回规则法。
先并行、后放开：前四周只给建议，每周按表 3 的口径回放，总成本连续四周不差于人工订货，再放开自动下单。

在必赢亚洲 App 里，系统设计为按批次显示在库数量、剩余保质期和覆盖天数，超过时提示，让门店提前两天看到风险，见怎样识别即将进入高损耗区间的食品。

三个常见的反驳

卖得快说明需求是真的，多进一点有什么问题？: 需求是真的，但只对过去成立，前三天的周末和促销会回落。卖得越快，同样比例的偏差换算成的瓶数越多：预测偏高 10%，日销 800 瓶的商品每天就多 80 瓶，每一瓶只有 3 天寿命。
报废这么贵，干脆少进一点，宁可缺货？: 示例里缺货一瓶损失 5 元，多订一瓶的期望损失只有 2.4 元，最优订货量因此高于平均需求。长期偏少还有隐蔽代价：断货日销量低于真实需求，被压低的数字进入下一轮预测，基线一路下滑，见七天窗口里混进断货日的情形。毛利薄、进价高的品类，Cu 小于 Co，结论则相反。
让大语言模型直接回答“明天订多少”，不是更省事吗？: 订货量需要数值预测和带成本的优化，语言模型不擅长稳定地给出带分位的数。必赢亚洲 AI 的分工是：时序与梯度提升模型预测，优化器取分位，大模型负责解释与调用工具，见为什么食品库存预测不能只靠大语言模型。

这套方法的边界

保质期长达数月的常温商品，Co 很小，逐批检验收益有限；起订量大于窗口需求时，先改批量，见安全库存为什么不能照搬普通公式；新品没有历史，用相似商品曲线冷启动，见上万个 SKU 为什么不能共用一个预测模型；已经订多了的批次，看临期食品第一次干预的时点。