某卖家在黑色星期五前订购了800件新款SKU。实际需求仅为250件：550件在仓库积压了4个月，导致110万卢布资金被冻结。另一位卖家订购了200件同款商品，6天内便全部售罄。 平台算法检测到库存为零，随即降低了商品排名。因此错失了230万卢布的收入。这两个案例的问题本质相同：缺乏需求预测。 到了2026年，平台内置的分析工具和AI助手虽简化了这一任务，但基础的预测方法仍需卖家自行掌握。我们将深入探讨实用的方法、安全库存、MAPE指标以及289-FZ法案。
为何需要需求预测
需求预测是对未来特定时间段内特定商品（SKU）订单数量的预估。卖家主要将其用于以下三项任务：
- 向供应商采购：批次规模、下单日期、预付款金额。若无预测，卖家只能“凭直觉”下单，误差可能在正负30%-100%之间。
- 仓库管理：按FBO和FBS分配库存余量、向电商平台仓库的补货频率、仓储限额。仓库超载成本高昂，库存不足则会影响评分。
- 广告规划：预算需基于销售预测制定。若不了解目标销量就投放广告，会虚增DRR并侵蚀利润率。
- 财务规划：按月现金流、税费、员工薪酬。销售预测是卖家整个财务模型的基础。
- 产品线管控：哪些SKU应保留，哪些应从矩阵中剔除。缺乏预测的卖家会滞留滞销品，并因仓储而亏损。
2026年的需求预测对大型企业而言并非可选项，而是对拥有30种以上SKU的卖家而言的生存工具。关于产品线选择的相关问题已在《卖家产品矩阵》一文中详细解析。
预测方法
四种主要方法，其复杂程度和准确度各不相同。
- 移动平均法（SMA）：取最近3-12个月的销售数据取平均值。适用于需求稳定的情况，可在普通表格中计算。缺点：忽略了季节性和趋势。
- 指数平滑（ES）：赋予最新数据更大的权重。能更快地响应需求变化。需要选择平滑参数（通常为0.1-0.3）。
- 线性回归：考虑类别趋势（上升或下降）。SARIMA模型的扩展可纳入季节性因素。适用于6-12个月的中长期规划。
- 机器学习（LSTM、XGBoost）：考虑季节性、节假日、竞争及外部事件。需要至少18-24个月的历史数据和1000+个SKU用于训练。
- 混合方法：实际操作中卖家通常会结合多种方法。SMA 适用于稳定品项，ES 适用于波动品项，回归分析适用于季节性品项。
对于小型卖家（500个以下SKU，6-12个月历史数据），仅需SMA配合手动季节性调整即可。中等规模卖家（500-3000个SKU）会采用ES和回归分析。大型卖家（3000个以上SKU）则通过专业服务或自有分析系统使用机器学习。
计算所需数据
预测质量直接取决于输入数据的质量。
- 销售历史数据：至少12个月，最佳为24个月。应采用原始订单或已发货数量，而非卢布收入（价格波动会导致数据失真）。
- 活动日历：新年、3月8日、2月23日、9月1日、黑色星期五、11.11、性别主题节日。每个活动都会在相关品类中带来2-5倍的销量激增。
- 品类趋势：细分市场关注度的涨跌。Yandex Wordstat和市场平台内置分析工具可显示过去6-12个月的搜索量动态。
- 竞争对手动态：品类领军企业的重大促销活动会在1-2周内分流邻近商品页面的需求。可通过价格监测进行追踪。
- 物流与配送：从仓库到客户手中的时长会影响转化率。较长的配送周期会使实际需求降低10-20%。
对于需贴标的产品类别，自2026年10月1日起将新增一项数据流：“诚信标志”系统中的商品流转数据。这些信息有助于验证真实销售额，避免因退货和错发导致的数据失真。
各品类季节性特征
每个品类都有其独特的季节性特征，这需要纳入预测考量。
- 服装与鞋类：销售高峰出现在3月至5月（温暖季节）和8月至9月（返城潮及9月1日开学）。7月销售陷入低谷，销量下滑30%-40%。
- 电子产品和智能设备：11月至12月达到峰值（黑色星期五、新年礼物）。8月开学前出现第二个销售高峰。
- 童装用品：9月（开学季）和12月（节日礼品）。7月至8月销量下滑达50%。
- 化妆品及个人护理：第一高峰在2月-3月（3月8日），第二高峰在11月-12月。5月-6月有额外销售热潮（海滩季）。
- 家居及园艺用品：4月至5月（度假屋旺季）和9月至10月（备冬）。家用化学品和日用杂货无明显季节性。
对于季节性品类，需分别针对销售高峰期和非旺季制定预测。按年平均计算会导致严重误差：高峰期采购不足，非旺季则采购过剩。
后台分析
2026年，平台内置工具可提供基础预测，无需第三方服务。
- WB 合作伙伴：提供“销售分析”报告（订单、营收、退货、过去12个月内的平均客单价）、销售漏斗（浏览量、加入购物车、下单）以及供货建议。
- Ozon 数据分析：按日、周、月细分的“订单统计”。30天订单预测及供货量建议。自2026年起，将与AI的推荐系统实现集成。
- Yandex Market 合作伙伴后台：订单和转化率统计数据存在1-2天的延迟。平台以汇总形式展示各品类的趋势，不提供竞争对手SKU的详细数据。
- 总体原则：内置报告适用于监控和基础决策，若要针对500+个SKU进行深度预测，则需要单独的表格或服务。
- 数据访问受限：自2025年10月起，平台已关闭关于竞争对手库存和出价的公开数据。对竞争对手的分析只能通过间接指标（标记、价格、评分）进行。
对于小型卖家，内置分析功能通常已足够。中型和大型卖家则需要将数据导出至Excel，并针对自身商品（SKU）进行独立计算，无需与竞争对手进行比较。
安全库存
超出预测的库存量，用于弥补计算误差和供应商延迟。
- 基本标准：月平均预测量的15%-30%。对于稳定商品，15%-20%即可；对于波动性和季节性商品，则需30%-50%。
- 计算公式：安全库存 = Z × σ × √L。其中Z为服务水平系数（95%覆盖率为1.64，99%覆盖率为2.33），σ为需求标准差，L为交货天数。
- 作用：弥补供应商延迟（一周以上）、需求激增（媒体报道、流行趋势）以及预测误差（若低估了需求）。
- 保险成本：额外的仓储费用和营运资金。通过在需求激增时保持搜索排名来收回成本。
- 何时增加：在季节性高峰（圣诞节、新年）前增加至50-70%；在推出新品前因不确定性较高，增加至70-100%。
合理的保险库存是成熟卖家与新手之间的区别。过少会导致库存归零和商品排名下滑。过多则会冻结营运资金，这对利润率在15%-25%的业务尤其致命。 关于仓储和费率的话题，已在FBO上发布的《2026年商品仓储》一文中进行了详细探讨。
MAPE指标
标准预测准确度指标。
- 什么是 MAPE：Mean Absolute Percentage Error，即预测值与实际值之间的平均绝对百分比误差。计算公式：MAPE = 平均值（|实际值 − 预测值| / 实际值）× 100%。
- 目标值：稳定商品为10-20%，季节性商品为20-35%，无历史数据的新品为40%及以上。
- 不足之处：当销量较低（每月1-2件）时，该指标存在非对称性，会导致数据失真。对于小规模SKU，建议使用MAD（平均绝对偏差）。
- 替代方案：不要关注误差百分比，而应关注因过度预测（资金冻结）和预测不足（错失收入）造成的实际资金损失。良好的预测应将损失总额降至最低，而非仅仅降低误差百分比。
- 偏差检查：过高预测与过低预测应大致保持平衡。系统性的高估或低估是模型存在错误的信号。
MAPE值在15%-25%且偏差为零的预测模型，被视为已达到预测成熟度。若不测量MAPE，便无法比较模型并提升预测精度。
常见错误
大多数销售人员都会遇到的系统性问题。
- 需求高估（overforecast）：预测值比实际高出30%及以上。结果：营运资金被占用、仓储成本增加、库存积压。每延迟一个月，商品价值就会缩水2-5%。
- 需求低估（underforecast）：预测值比实际低30%及以上。结果：库存清零、搜索排名下降、收入损失。库存清零后恢复库存需7-14天。
- 忽视季节性：按全年平均值计算，而非区分旺季和淡季。这对服装、童装、化妆品及季节性品类而言效果极差。
- 基于卢布收入的预测：价格波动会导致收入数据失真，使预测失效。应以件数为单位进行预测，再乘以当前价格。
- 缺乏重新计算：预测仅做一次且不再更新。需求每月都在变化，预测需每2-4周重新计算。
核心理念：预测是一个动态过程，而非最终数字。每月都要与实际数据对比、重新计算并进行调整。若缺乏这一环节，即使是最复杂的模型也会在2-3个月内失效。
AI -2026年辅助工具
2026年，平台内置的AI工具已成为行业标准。
- Wildberries：AI - 针对WB合作伙伴的供货建议。该算法基于历史数据、季节性及品类活跃度，计算出30-60天的预测。其准确度可与基础分析服务相媲美。
- Ozon：AI - 位于 Ozon 分析后台的助手。提供关于供货量、价格和广告的建议。与Trafarety集成以实现广告自动化。
- Yandex Market：已宣布 AI - 工具将于2026年上线，截至2026年5月，实际运行处于beta测试阶段。
- 第289-FZ号法律与“FNS (俄联邦税务局)”：自2026年10月1日起，电商平台必须每月向“”提交卖家的销售数据。AI系统将与该数据流集成以进行额外验证。
- AI的局限性：对于无销售历史的新品及低频商品，SKU内置的AI功能效果有限。卖家需结合人工专业判断进行补充。
AI -辅助工具并不能免除卖家对预测的责任。它们虽能加快日常工作流程，但关于批次和采购的决策仍需由人基于综合因素来做出。预测与库存管理的关联已在《电商平台库存同步》一文中详细阐述。
检查清单
2026年构建有效需求预测的八个步骤。
- 收集过去12-24个月内每个SKU的销售历史数据，单位为件数（而非卢布）。
- 根据产品线规模选择方法：500个以下SKU使用SMA，500-3000个使用ES，3000个以上使用回归分析和机器学习。
- 按品类设定季节性规律：结合节假日和日历，统计各月的销售高峰和低谷。
- 利用平台内置分析工具（WB 合作伙伴、Ozon 分析、Yandex Market 账户）生成基础报告。
- 预测库存时预留15-30%的安全余量，季节性商品为30-50%，新品为50-70%。
- 通过MAPE衡量预测准确度，目标值为15-25%，且超量预测与不足预测需保持平衡。
- 每2-4周根据最新销售数据重新计算预测。
- 启用AI等工具获取基础建议，并结合人工专业判断处理新品和季节性商品。
2026年的需求预测是平台内置分析、简单统计方法与卖家专业判断的结合。缺乏预测的企业只能靠猜测运营，并因采购失误而损失20-30%的收入。 而拥有完善预测机制的企业，不仅能有效保留营运资金，还能在搜索结果中保持排名，并在季节性高峰期实现稳定增长。