需求预测做不准，是数据问题还是模型问题

"预测不准，是不是模型不够好"，这是最常见的误判之一。

出海业务的预测失准，多数情况下跟算法没关系。

四个真实原因

第一，样本太少。一个市场从进入到上量，往往只有一到两年的月度数据。这个长度不够训练一个稳定的模型。

第二，结构在变。渠道在扩、车型在换、价格在调，历史数据的分布和未来不是同一个分布。

第三，政策会跳变。关税、认证、报废税、外汇额度，任何一项变动都会让历史规律失效。

第四，输入本身就是缺的。终端零售、渠道库存、在途数量，很多企业拿不到。

四条里，前三条是客观的，第四条是主观的 —— 也是最该先解决的。

政策跳变不是随机

模型的假设是"未来与历史同分布"。政策跳变打破的正是这个假设。

俄罗斯的报废税按功率分档、巴西的关税按日期上调、墨西哥的加征、加拿大的配额分配 —— 这些都不是波动，是断点。

断点之前的历史数据，对断点之后的预测几乎没有信息量。

所以政策类事件不能放进模型，只能放进情景假设：如果税率上调，量会怎么变；如果配额没拿到，库存怎么处置。

模型算趋势，人算断点。

把需求拆成三层

第一层，基盘。存量客户的自然复购与替换需求。这一层相对稳定，可以用历史数据算。

第二层，季节。当地的销售旺季与淡季，以及中国的发运节奏。这一层可以用往年节奏校准。

第三层，事件。政策变动、渠道扩张、促销活动、竞品动作。这一层不能算，只能设情景。

三层分开算，再合起来，比直接对总量做一条曲线要准，也更可解释。

算不准的部分怎么办

靠两件事兜：安全库存与柔性供给。

安全库存的大小，取决于三个数：交期、需求波动幅度、缺货代价。交期越长、波动越大、缺货越贵，库存就要备得越多。

柔性供给指能快速调整的部分：可改配的车型、可拆分的批次、可转售的库存。

库存管"量"，柔性管"结构"。两者配合，才能在不预测准的情况下不出大事。

数据从哪来

第一，终端零售。从经销商处按周采集，与返利挂钩。

第二，渠道库存。同上，按 VIN 级别采集，能看出库龄结构。

第三，在途与在库。企业自己的发运与仓储数据。

第四，外部指标。上牌量、二手车价格、当地销量统计，用来校验自己的数据。

四项都有，预测的输入才算完整。缺一项，模型再好也是猜。

预测要有人复盘

预测的价值有一半在复盘。

每个月做一次对比：预测值、实际值、偏差多少、偏差来自哪一层。

偏差来自基盘的，说明客户结构判断错了。来自季节的，说明节奏没校准。来自事件的，说明情景假设不完整。

三类偏差对应三种改进动作：改客户模型、改季节系数、补情景清单。

没有复盘，预测永远停在"大概"的水平上。

复盘还有一个附带作用：它强迫业务方说清自己的判断依据。有了记录，下次再出现同类偏差时，能回溯当时是怎么想的。

落在哪个环节，谁在痛

第一行是根子：数据不上报，预测就是无源之水。而数据上报要靠机制，不能靠自觉。

一个常见的误解

"上了 AI 预测，就不用备货了。"

预测越准，备货可以越少，但不可能为零。因为交期客观存在，需求波动客观存在。

预测的作用是"把安全库存压到合理水平"，不是"取消安全库存"。

一句收尾

需求预测做不准，先补数据、再拆结构、最后设缓冲 —— 换算法排在第四位。

相关页面：产品矩阵、区域与海外交付、案例与演示、资源与洞察；如需按自己的链路逐项核对，可 联系我们。

说明：本文为〈算数·海辕〉实务观察，用于说明出海业务链路与系统能力，不含真实客户数据与虚构经营数字；所列税率、门槛与认证要求以目的国当期法规为准，数据来源见文末。