需求预测全流程监控看板-汇报

Dashboard/看板需求预测全流程监控看板DemandForecastLifecycleMonitor基准预测→人工调整→实际达成→偏差分级→模型优化2025年度汇报|16个预测单元×48个月|22,307个公式89.3%预测准确率10.1%WMAPE+1.5%偏差率3笔严重偏差公众号：游牧自由执行摘要：准确率提升至89.3%，但跟踪信号-5.90提示系统性高估准确率持续提升2025年预测准确率89.3%（较上年+1.6pp），四年由83.5%升至89.3%；严重偏差3笔（上年11）模型升级见效基准模型拟合度R²0.71（上年0.56，2022年仅0.06），简单模型逐步替换为Holt-Winters与机器学习出现系统性高估偏差率+1.5%，年末累计跟踪信号-5.90超出±4控制线，预测持续偏高带来库存风险人工调整增值收窄FVA仅+0.24pp（上年+0.87pp），上调9,478箱、下调3,256箱，部分调整未带来增值89.3%预测准确率（1−MAPE）0.71模型拟合度R²-5.90跟踪信号（控制线±4）+0.24pp人工调整增值FVA资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱2预测是所有计划的基础：三大痛点对应三个监控目标管理痛点看板目标与落地准不准说不清只看一个总准确率，不知道错在哪个SKU、客户、渠道看得清六大比率+五维下钻，WMAPE自动排序锁定误差来源人工调整无问责评审会上改了数，改对改错没人追踪算得明基准→上调→下调→调整后→实际全流程瀑布，FVA逐单元月量化模型一用多年简单模型抓不住季节与促销，偏差持续同向调得动R²与跟踪信号监控模型健康，模型迁移图记录升级成效资料来源：项目调研与看板设计方案3六步分析框架：史、基、调、实、差、模，覆盖预测全生命周期史规律是什么？基模型准不准？调调整加分吗？实达成如何？差偏在哪里？模怎么优化？准确率1−MAPE≥85%WMAPEΣ|A−F|÷ΣA偏差率±5%以内跟踪信号±4以内FVA>0才保留R²≥0.6预测明细768行×33列参数配置目标/分级/主数据计算分析年度/月度/维度/模型总览+明细看板年度/区域/维度联动20项校验含FVA与瀑布勾稽资料来源：看板“分析思路”“制作流程与方法”页4两张看板：预测总览+分维度明细，年度、区域、维度一键切换看板1总览：❶关键指标❷全流程瀑布与偏差分级❸六大聚焦比率看板2明细：针状图、五维WMAPE、模型拟合、季节性、预警清单、逻辑图5实际需求606,200箱（+5.2%），准确率89.3%超过85%目标1关键预测指标实际需求总量606,200⊕+5.2%同比调整后预测615,224⊕+6.5%同比预测准确率89.3%⊕+1.6pp同比WMAPE10.1%⊕-1.5pp同比偏差率+1.5%⊗|偏差|+1.2pp月度预测准确率：2025（蓝）vs2024（粉）资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱6全流程瀑布：人工上调9,478、下调3,256，调整后仍比实际高9,024箱2预测全流程瀑布（2025，箱）%同比与解读基准预测609,002⊕+7.4%人工上调9,478⊗-29.2%人工下调-3,256⊕+18.8%调整后预测615,224⊕+6.5%预测偏差-9,024⊗+1.2%实际需求606,200⊕+5.2%偏差行同比=偏差占实际比例的变化。上调集中在电商大促月；调整后预测仍系统性偏高。资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱7四年趋势：准确率83.5%→89.3%，R²0.06→0.71年度准确率（柱）/WMAPE（粉线）/模型拟合度R²（红线）年度预测质量年度准确率偏差率FVAR²严重202283.5%+2.0%+0.190.0622202385.0%+0.5%+2.080.1113202487.6%+0.3%+0.870.5611202589.3%+1.5%+0.240.713R²在2024年模型升级后跃升，严重偏差从22笔降至个位数。资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱8严重偏差3笔（-73%），但高估占比48%，跟踪信号-5.90越界偏差分级与方向（单元月笔数）月度累计跟踪信号（控制线±4）资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱9按客户下钻：京东自营WMAPE15.2%最高，电商客户是误差主要来源分维度预测误差WMAPE·客户（由高到低）五维下钻SKU/客户/区域/渠道/线路一键切换电商客户促销波动大，WMAPE显著高于KA与经销建议：电商单元引入促销日历与平台流量信号KA/直营单元维持现模型，按月监控资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱10模型优化：Holt-Winters与机器学习R²近0.7，移动平均为负预测模型拟合（全周期）：基准MAPEvsR²模型迁移：各年度使用的预测单元数资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱11季节性：6月为需求高峰（指数1.20），3月为低谷（0.84）四年同月实际需求（箱）季节指数（四年平均）资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱12人工调整增值收窄：FVA+0.24pp，仅11月增值明显，多数月份为噪声月度FVA（pp）：2025vs2024FVA判定逻辑FVA=基准APE−调整后APEFVA>0调整增值FVA<0越调越差上调9,478箱、下调3,256箱建议：调整需填写依据（促销/新品/客户订单），季度复盘FVA为负的调整人与原因。资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱13偏差预警：2025年APE≥20%的单元月共22笔，最高54.8%月份单元SKU客户模型调整后实际APE等级2025-05U10SKU-C02坚果礼盒天猫旗舰店机器学习1,7851,15354.8%严重2025-06U04SKU-A04功能饮料京东自营机器学习8,2965,83342.2%严重2025-06U08SKU-B04奶酪棒拼多多机器学习3,6732,62639.9%严重2025-02U12SKU-C04辣条华南经销商Holt-Winters2,9632,20734.3%预警2025-04U10SKU-C02坚果礼盒天猫旗舰店机器学习1,6801,25234.2%预警2025-10U15SKU-D03酱油500ml京东自营ARIMA2,1961,64133.8%预警2025-11U16SKU-D04面粉5kg华南经销商ARIMA1,8071,39030.0%预警2025-05U15SKU-D03酱油500ml京东自营ARIMA1,8531,43329.3%预警2025-03U06SKU-B02酸奶200g直营门店机器学习2,4661,95825.9%预警分级规则与处置正常APE<10%维持模型关注APE10-20%复核假设预警APE20-35%参数调优严重APE≥35%根因+换模型资料来源：需求预测全流程监控看板.xlsx（计算分析表），模拟业务数据；单位：箱14下一步：四项行动，纠正系统性高估、守住85%准确率目标行动具体措施责任时间预期成效纠偏高估跟踪信号-5.90越界：下调促销提升系数，增加滚动校准频次计划部