预测能力取决于企业经营数据完备性
传统预测常将需求视为类似天气的外部变量，认为企业只能被动应对。实际上，零售需求由企业经营动作与客户需求共同生成：
价格、促销、搜索排序、会员券及商品可得性等因素，均会改变顾客的购买决策。为何部分需求在数据中消失？这取决于经营系统记录了哪些信息。
若仅有日销量而缺失小时级库存状态，上午正常销售与下午缺货将被混同为单一数字，模型无法识别商品何时失去销售机会。当缺货管理细化至小时级并具备可追溯标签时：
有货时段保留实际销量；
缺货时段基于历史周期、促销、天气等维度恢复潜在需求；
构建接近真实需求的历史序列后，再进行未来预测。
促销数据同样关键，需在系统中明确标注具体折扣区间，而非仅标记“是否促销”。这一细节决定了促销信息是成为有效变量，还是混入销量的噪音。只有完整记录决策时的业务状态，需求才能从神秘波动的曲线转化为可解释的结果。
需求不仅需被预测，更需被管理和塑造
许多企业感叹需求难测，实则是自身经营动作缺乏稳定规则。以促销为例，无控制的折扣虽能短期提升销量，但会放大缺货风险并提前释放需求，干扰后续预测。
亚马逊自营采销的实践具有代表性：
促销需提前四周录入；
严格控制促销数量；
禁止采销人员随意手工改价。
提前录入促销可将未知冲击转化为已知计划，使模型能预估销量变化，让采购、库存及履约网络有时间调整策略。减少促销频率则是为了降低人为制造的需求噪声。活动过于频繁会导致模型难以识别基础需求，无法判断销量增长源于自然消费还是折扣刺激，亦无法区分增量与存量转移。
限制手工改价旨在确保需求干预的可重复性。若价格随人员判断随意波动，需求生成机制将不断改变，模型难以从中习得稳定规律。只有当经营动作实现提前规划、受控执行且完整记录时，企业才能真正从单纯预测需求转向管理与塑造需求。
顾客真实需求：超越单 SKU 的时间序列
现有预测系统习惯将“门店×SKU"作为最小计算单元，为每个商品独立建模。然而，这并不符合顾客的购物逻辑。顾客进店时往往带着模糊意图（如“准备晚餐”），具体购买哪款蔬菜、肉类或水果，取决于货架陈列、规格匹配度及即时折扣。
更贴近真实的预测路径应遵循：门店需求 → 品类需求 → 可售商品选择 → 具体 SKU 销量。尽管目前尚缺成熟解决方案，但从顾客真实购物场景出发重构预测逻辑，是极具价值的探索方向。
需求预测：从供应链决策倒推思考
提升预测准确度，企业应从决策端逆向推导：
预测支持何种决策？是门店补货、多级库存优化还是供应商订货？
决策发生在什么时间尺度？
需求应按 SKU、品类还是整盘商品理解？
如何基于需求数据对 SKU 进行分类？
决策前掌握了哪些数据？缺失了哪些关键信息？
厘清上述问题，模型选型将从技术偏好转变为边界明确的工程问题。预测项目不应始于模型选择，而应回归核心命题：
需求究竟是什么？
模型决定了企业如何利用既有信息，而对需求的定义、经营系统的可见性、需求的可管理性以及供应链决策逻辑，才真正决定了预测能力的上限。
