聚水潭ERP模型上线：智能补货建议覆盖长尾SKU

2026年10月26日，聚水潭ERP上线智能补货模型V1.3，把预测能力从高频爆款扩展到销量稀疏的长尾SKU。模型采用分层预测与同类目借力，覆盖SKU占比从42%提升到96%，建议采纳率76.4%，缺货率下降1.8个百分点，平均库存金额下降11.6%。模型输出不是一个数字，而是一条建议链：建议补货量、建议下单时间、建议供应商与预计到货区间；商家可整体采纳，也可只改数量，修改记录会回流用于下一轮训练。建议生成前会剔除异常数据，例如刷单、批发大单与退货率极高的SKU，避免把一次性大单当作常态需求；剔除规则可按商家实际情况调整，调整后模型次日生效。

长尾SKU销量少，历史数据不足，传统预测模型容易给出离谱建议。聚水潭算法团队负责人罗建平说：“一个月卖三件的商品，不能硬套时间序列，得借同类目和相似商品的信息。”模型引入层次贝叶斯思路做冷启动。长尾预测的难点在样本：一个月卖三件的商品，历史序列几乎全是零；团队改用同类目相似商品的需求曲线做迁移，再用本商品的实际销量校正，冷启动误差明显下降。商家反馈最多的是建议太频繁：每天几百条，看不过来。团队改为按影响金额排序，只推前二十条，其余折叠；同时支持按仓库与类目订阅，只看自己负责的部分。

分层预测：长尾也能算出补货点

高频SKU用时间序列加促销因子预测；中频SKU用同类目均值修正；低频SKU按相似商品聚类借力，并引入供应商最小起订量约束。三类模型自动路由，覆盖率96%。

对上新不足30天的SKU，模型给出区间预测而非点值，并建议小批量试单。灰度期间长尾SKU预测误差中位数18.4%，比旧模型下降9.6个百分点。

分层预测按销量密度把SKU分成四层，高频层用时间序列加促销因子，中频层用同类目回归，低频层用相似商品迁移，新品类用类目均值起步；每层设置不同置信区间，置信度低的建议在清单里标注，提示人工确认。模型每周重训一次，促销与大促前的异常波动单独建模，避免把活动销量当作常态。

“补货建议要能落地，就意味着它不仅要算得准，还要考虑起订量、预算和仓库能不能放下。”

—— 严晓蕾，聚水潭数据产品经理

建议清单：可直接执行的补货单

系统按断货风险、库存金额、供应商交期生成补货建议清单，每条建议包含建议数量、预计到货日、占用资金与风险等级；确认后一键生成采购单，支持批量修改数量。

灰度商家建议采纳率76.4%，未采纳的主要原因是计划中的活动备货与手工预留。采纳后缺货率从4.2%降到2.4%，平均库存金额下降11.6%。

建议清单可直接转为补货单或采购单，支持按供应商合并、按到货时间排序；商家可设置安全库存下限与资金上限，系统在限额内给出建议，超出部分单独列出供选择。对多仓商家，建议按仓给出调拨与采购的组合方案，优先用调拨满足，减少重复采购。清单支持导出与批量确认，确认结果回写模型用于评估。

资金视角：补货也是资金安排

清单同时显示各建议占用的资金与预计周转天数，支持按预算上限筛选；系统会对高金额低周转的建议给出替代方案，例如先调拨后采购。

某家居商家按月设定120万元补货预算，模型在预算内优先满足高周转SKU，三个月内周转天数从62天降到51天，滞销库存减少约37万元。

从资金角度看，补货建议同时给出占用金额与预计周转天数，商家可在预算内选择优先级；系统会提示哪些建议推高库存金额，哪些降低缺货风险，两者用不同颜色标注。灰度商家平均库存金额下降11.6%，缺货率下降1.8个百分点，改善最明显的是家居与配件类目。 智能补货V1.3已向聚水潭ERP企业版与旗舰版商家开放，可在库存中心的补货建议页启用。后续将接入供应商产能与在途船期，进一步修正到货预估。需要降低缺货与压货，可下载聚水潭ERP客户端。智能补货V1.3向企业版与旗舰版商家开放，可在库存中心启用；后续接入供应商产能与在途船期，修正到货预估。模型效果按月回看，统计采纳率、缺货率与库存金额三项指标，并与未采纳的建议做对照；对照结果公开在报告里，商家可据此判断是否继续信任某类建议。