预测准确度回溯
MAPE 只看大小，偏差率看方向。回溯按品类与店群分层，配合漂移监控与离线滚动回测，并与行业参考区间对照，回答"这个预测能不能信"。
SKC-店-周 MAPE
18.6%
阈值 25%，行业参考 15–25%
加权 MAPE
16.2%
按行销量加权，比简单平均低 2.4pp
偏差率
+3.2%
正值 = 高估（补多了）
准确率（1−MAPE）
81.4%
落在领先时尚零售商 70–85% 区间
超阈值品类
2个
针织 27.4% / 羽绒 26.8%
漂移告警
2项
近 10 日 MAPE 均值上移 > 3pp
MAPE 与偏差率的区别（必须先说清）
两个指标回答两个不同问题
MAPE = 平均绝对百分比误差，回答"差多远"；偏差率 bias = 平均(预测 − 实际) ÷ 平均实际，回答"往哪偏"。MAPE 20% 可能是"一半高估一半低估互相抵消"，也可能是"系统性地全部高估 20%" —— 前者是噪声，后者是模型坏了，必须分开看。
- MAPE 公式
- mean(|预测 − 实际| ÷ 实际)，按 SKC-店-周 粒度
- 加权 MAPE
- Σ|预测−实际| ÷ Σ实际，销量大的行权重高
- 偏差率公式
- Σ(预测 − 实际) ÷ Σ实际，正 = 高估，负 = 低估
- 为什么用两个
- MAPE 对称、不指向；bias 有符号、直接指向该往哪调参数
- 当前读数
- MAPE 18.6% 尚可，但 bias +3.2% 说明存在轻微系统性高估
- 处置建议
- 优先下调安全库存基数 X，而不是先动模型
准确度与行业参考对比
行业无统一基准，仅作量级校验；跨口径比较需先对齐粒度与分母| 指标 | 本项目 | 行业参考 | 判定 |
|---|---|---|---|
| SKC-店-周 MAPE | 18.6% | 15–25% | 达标 |
| 预测准确率（1−MAPE） | 81.4% | 领先时尚零售商 70–85% | 区间内 |
| 方向性偏差率 | +3.2% | 5–10% 为可接受 | 更优 |
| 新品第 4 周 MAPE | 21.3% | 成熟款 +3–6pp | 达标 |
| 针织品类 MAPE | 27.4% | 15–25% | 超阈值 |
| 间歇需求 MAPE（Croston） | 31.5% | 无统一基准 | 需人工兜底 |
分品类 / 分店群回溯（F9）
店群按门店等级 + 渠道类型划分| 维度 | 分组 | MAPE | 加权 MAPE | 偏差率 | 样本量 | 漂移 | 处置建议 |
|---|---|---|---|---|---|---|---|
| 品类 | 外套 | 16.2% | 14.4% | +1.8% | 96 行 | 正常 | 维持现权重，季度复核 |
| 品类 | 针织 | 27.4% | 25.1% | +8.6% | 74 行 | 漂移 | 启用天气因子版本，重估近 7 天权重 |
| 品类 | 裙装 | 19.1% | 17.8% | -2.2% | 58 行 | 正常 | 轻微低估，可小幅上调满足周数 |
| 品类 | 羽绒 | 26.8% | 24.9% | -6.4% | 41 行 | 偏低 | 去年含大促导致倍率高估，重算节假日倍率 |
| 品类 | 裤装 | 14.6% | 13.2% | +0.9% | 37 行 | 正常 | 维持 |
| 品类 | 衬衫 | 17.3% | 15.9% | +2.1% | 24 行 | 正常 | 维持 |
| 店群 | A 级百货店 | 15.4% | 14.1% | +2% | 5,286 行 | 正常 | 样本充足，可承载更复杂模型（N-BEATS 试点） |
| 店群 | B 级购物中心店 | 19.8% | 18.2% | +3.4% | 6,142 行 | 正常 | 维持加权 MA + 门店画像修正 |
| 店群 | C 级社区店 | 24.6% | 22.9% | +5.1% | 2,104 行 | 观察 | 小样本噪声大，向区域曲线收敛 |
| 店群 | 奥莱渠道 | 29.2% | 27.4% | +7.8% | 1,436 行 | 漂移 | 奥莱客群非典型，需独立模型或单独参数组 |
共 10 个分组，此处全量展示每页
漂移监控（近 30 天）
SKC-店-周 MAPE（%） 阈值 25%告警线 连续 3 日均值 > 25% 触发自动回滚
10-18
降温晚于往年，针织品类同期倍率失效，MAPE 由 17% 抬升至 27%
10-19
羽绒偏差率转负至 −6.4%，判定为去年大促倍率被高估
10-20
触发品类级漂移告警，建议对针织启用天气因子版本
10-21
模型质量驾驶舱同步呈现同一告警（dash-model）
准确度水位
行级误差分布离线滚动回测配置（F9）
!为什么补货难做真 AB：补货决策不可逆（货发出去了收不回），且单店同款样本量太小，同一周无法同时跑两套参数。因此验证以离线滚动回测 + 仿真置信区间为主，用上线数据定期校准仿真与现实的差距，而不是强行做 AB 实验。
回测结果（56 天窗口滚动）
| 方案 | MAPE | 偏差率 | 结论 |
|---|---|---|---|
| 当前口径（80/20） | 18.6% | +3.2% | 基线 |
| 70/30 权重 | 19.4% | +2.6% | 变差 |
| 90/10 权重 | 17.9% | +4.8% | 略优 |
| 季节性 ETS 替代 | 17.2% | +1.4% | 更优 |
| 加天气因子（针织专版） | 16.4% | +0.8% | 推荐 |
结论
80/20 不是最优但稳定；90/10 虽降低 MAPE 却把偏差率推到 +4.8%，意味着补得更多、库存冗余上升。真正有效的方向是按品类引入外生因子（天气），而不是全局调权重。
i本页口径：MAPE 与偏差率必须成对呈现，且必须标注样本量。任一分组样本 < 300 行时只显示趋势、不下结论；跨粒度比较前先对齐分母（SKC-店-周 与 SKC-区域-周 的 MAPE 不可直接比大小）。