大生活 · 无人零售销售预测决策执行闭环
某快消客户无人柜「千柜千面」智能补货
某快消客户无人零售业务327台贩卖机 · 12类终端形态 · 216个SKU
某快消客户运营 327 台无人贩卖机、覆盖 12 类终端形态与 216 个 SKU。比升为其构建「千柜千面」混合预测补货体系：三模型集成（LightGBM + XGBoost + TemporalNet）、80+ 维特征工程、偏差自校正与场景自适应动态权重、每日增量训练闭环。上线后整体预测精度提升 42%、缺货率下降 18.3%，预测误差（WAPE）从传统方法的 48%+ 优化至 25%；写字楼、工厂、学校、运动场馆等分场景精度全部进入 30% 以内，新终端冷启动也能快速达到可用精度。
0%预测精度提升
0.0%缺货率下降
0%WAPE 优化至（原48%+）
挑战与痛点
无人柜点位分散、场景差异大，统一补货策略导致「有的断货、有的临期」，传统预测方法误差高
写字楼、工厂、学校、场馆等场景消费特征差异巨大，统一补货策略失配
传统方法预测误差（WAPE）48%+，补货依赖巡检人员经验
单柜SKU容量有限，错配直接转化为缺货损失或临期损耗
解决方案
LightGBM + XGBoost + TemporalNet 三模型集成「千柜千面」预测，80+维特征工程与场景自适应权重
01数据准备：38维起步扩展至80+维特征（时序、外部、门店三类），覆盖开学季、节假日、天气等事件
02混合建模：三模型集成，偏差自校正区分常态偏差与突发冲击
03场景自适应：按近14天回测误差反比动态加权，不同点位自动选择最优模型组合
04闭环进化：每日增量训练 + 月度自动复盘，预测持续自优化
关联产品AI商品运营决策中心
更多量化成果
- 分场景精度：写字楼 23.5%、工厂 24.7%、学校 26.3%、运动场馆 29.6%
- 新终端冷启动精度 32.4%，仍显著优于传统方法
- 补货计划自动生成，巡检人力聚焦异常点位