阿里跨境电商平台背后，运行着一套先进的预测模型，能够同时预测多个国家下周的销量。在系统视角中，输入或许只是历史销量、价格、促销、星期、库存和地区等几条时间序列。然而，真实商业世界远比数据复杂。
不同市场面临的情境千差万别：有的国家正值斋月后期，消费者会在开斋前集中采购；有的即将迎来宗教节日，需求先冲高后因家庭活动和物流暂停快速回落；有的市场叠加了平台大促、免运费和卖家激励；还有的虽是节假日，但消费行为更偏向旅行休闲。
当环境已变，模型却浑然不知。
时序模型的局限：无法预见“未进入数据的未来”
长期以来，销售预测被视为纯粹的数学问题：利用历史销量寻找趋势，依据季节波动建立模型，或通过价格与促销数据分析弹性。从指数平滑、ARIMA 到随机森林、XGBoost，再到深度神经网络和时序大模型，技术路线日益复杂，但核心逻辑未变——即“过去发生的规律可推导未来”。
在需求稳定时，该逻辑行之有效。趋势、季节性、自相关及重复出现的活动模式均可从历史数据中学习，时序基础模型也能提供强有力的数值预测底座。然而，真正的挑战在于另一类信息：未来的促销活动、节假日安排、价格调整及平台干预。这些因素能直接改变需求，却无法从过去的销量中显性提取。
这意味着销售预测需同时解决两个问题：一是在类似历史条件下销量通常是多少，这已由统计模型和机器学习较好解决；二是本次未来有何不同，这部分长期依赖专家经验补充。
这也是许多企业召开预测会议的根本原因。在需求计划员给出基准预测后，市场部会提示促销力度加大，运营部会补充特定国家消费者行为变化，产品部会说明新老款重叠期的清仓策略。人工调整旨在弥补系统的信息盲区。但在不确定性激增的跨境电商场景中，这一盲区正在扩大。各国节日体系、文化习惯差异巨大，同一促销机制在不同市场效果迥异。对算法而言，难点不再是有无特征变量，而是同一变量在不同时空背景下可能代表完全不同的需求机制。
大模型的价值：重构业务情境理解
无论是传统预测模型还是机器学习，前提都是信息必须以结构化形式进入模型。模型可以学习“促销影响需求”，却无法凭空知晓“下周某国新平台活动恰逢宗教节日”。这正是大模型填补的空白。
大模型在销售预测中的核心价值，在于让机器先理解业务世界。诸如“买二赠一（高端品牌除外）”、“满 15 美元免运费”、“可与免运费券叠加”、“开斋前购物高峰”等业务表达，对人类而言司空见惯，对传统模型而言却是难以解析的文本。其中包含的缩写、拼写错误、内部规则、活动叠加及文化背景，若用传统规则系统处理需不断维护解析逻辑，而大语言模型可直接利用语言理解和世界知识，将非结构化记录转化为业务语义。
在跨境场景中，预测条件往往带有强语境。同样是免运费，不同市场门槛各异；同样是节日，有的带来购物高峰，有的导致物流停摆。大语言模型利用预训练获得的世界知识，能理解文化差异、区域节日和新的事件组合，无需为每种情况重写规则。
因此，应用大模型做预测，并非指望其直接生成更精准的数值。在数值精度、时间依赖和多步误差方面，大模型并非最优工具。更合理的架构是：由大语言模型负责业务情境推理，再由专用预测模块完成数值计算。传统机器学习学习“变量如何影响销量”，而大语言模型打开了新空间——将尚未结构化的现实变化转化为可进入预测的有效变量。
智能的核心：判断何时不该调整预测
做过需求计划的人熟知预测增值（Forecast Value Added，FVA）概念。FVA 的核心思想是复盘：在基准预测经过计划员调整、销售修正达成共识后，每个环节的介入究竟让预测变准了还是变差了？
研究显示，专家判断并不天然创造价值。2025 年发表于《International Journal of Forecasting》的一项研究汇总约 14.7 万条记录发现，人工调整仅在略高于一半的 SKU 上改善了预测，其中向上调整风险尤甚，仅约 46% 提高了准确率。尽管鲜有公司能将 FVA 机制常态化落地，但阿里巴巴的 AI 智能体已将这一逻辑前置：在事前发问——这次是否值得调整？
面对待预测场景，智能体会先评估再决策：若当前数值预测已足够可靠，则跳过干预；若事件明确且相关，进入基础推理；若情况复杂、不确定性高，才调用工具检索证据、回溯历史同期并计算统计指标。这遵循了一条成熟的管理原则：任何干预都必须先证明其增量价值。
传统专家判断常是一句模糊的“我觉得会涨 20%"，其中混杂了原因、时间、峰值和幅度等未拆解的判断，难以验证。智能体则将这一团模糊认知层层剥开：不仅断言“涨”，还需阐明为何相关、何时开始、持续多久、峰值在哪、幅度多大。判断被拆解为相关性、主导事件、方向、时间形态、影响幅度、峰值等可量化字段，方可被检验、复盘和改进。
更重要的是，预测效用被直接引入智能体的训练闭环。若某次语义判断降低了误差，即为创造价值；若误差扩大，则被视为“负迁移”，智能体会予以惩罚。就连调用工具本身也计入成本，追求的是性价比而非盲目勤快。
结语
销售预测正从单纯的“模型问题”演变为“决策架构问题”。基准预测仅是起点，真正的预测智能体需经历感知市场变化、判断相关性、选型建模、输出预测、等待结果及复盘学习的完整闭环。
预测逻辑的演进路径清晰可见：
这已超越了一台预测引擎的范畴，正在进化为一个真正的决策智能系统。
