补货预测评估与 DMS 优化系统

它看的是“总误差规模”，不是预测总量和真实总量的差。每个SKU、每个模拟日先单独算误差，再把误差绝对值相加。

公式：Σ|预测销量 - 真实销量| / Σ真实销量。分子里的高估和低估都会变成正数。

计算步骤：①每个样本算预测-真实；②取绝对值；③全部绝对误差相加；④除以全部真实销量。

业务解读：越低越好，适合作为主排序指标。它不会被高估和低估互相抵消，能反映真实预测波动。

当前示例：真实销量3543992，绝对误差合计1729392.79，所以WAPE=48.8%。

注意：即使预测总量接近真实总量，只要SKU之间一部分高估、一部分低估，WAPE仍然会很高。

它看的是“每个样本各自偏了百分之多少”，再做普通平均。每个样本权重一样，不管销量大还是小。

公式：AVG(|预测销量 - 真实销量| / 真实销量)。

计算步骤：①每个样本算绝对误差率；②把所有误差率直接平均。

业务解读：适合发现低销量SKU或长尾SKU的异常，但不适合单独判断整体算法好坏。

示例：真实销量10、预测20，单个样本MAPE=100%；真实销量1、预测3，MAPE=200%。小销量会被明显放大。

当前页面MAPE较高，通常说明长尾SKU/低销量样本误差率很大；主排序仍建议看WAPE。

它看的是“净偏差方向”，误差不取绝对值，高估为正、低估为负，会互相抵消。

公式：Σ(预测销量 - 真实销量) / Σ真实销量，也等于(预测销量合计 - 真实销量合计) / 真实销量合计。

Bias > 0：整体高估，容易备多、库存偏高；Bias < 0：整体低估，容易缺货；越接近0越中性。

当前示例：预测3334030.5，真实3543992，净误差=-209961.5，所以Bias=-5.9%。

为什么和WAPE不同：Bias会把高估和低估抵消；WAPE会把高估和低估都作为正误差相加。

业务解读：Bias只能说明整体偏高还是偏低，不能说明误差大不大；要和WAPE一起看。

它看的是“总误差规模”，不是预测总量和真实总量的差。每个SKU、每个模拟日先单独算误差，再把误差绝对值相加。

公式：Σ|预测销量 - 真实销量| / Σ真实销量。分子里的高估和低估都会变成正数。

计算步骤：①每个样本算预测-真实；②取绝对值；③全部绝对误差相加；④除以全部真实销量。

业务解读：越低越好，适合作为主排序指标。它不会被高估和低估互相抵消，能反映真实预测波动。

当前示例：真实销量3543992，绝对误差合计1729392.79，所以WAPE=48.8%。

注意：即使预测总量接近真实总量，只要SKU之间一部分高估、一部分低估，WAPE仍然会很高。

它看的是“每个样本各自偏了百分之多少”，再做普通平均。每个样本权重一样，不管销量大还是小。

公式：AVG(|预测销量 - 真实销量| / 真实销量)。

计算步骤：①每个样本算绝对误差率；②把所有误差率直接平均。

业务解读：适合发现低销量SKU或长尾SKU的异常，但不适合单独判断整体算法好坏。

示例：真实销量10、预测20，单个样本MAPE=100%；真实销量1、预测3，MAPE=200%。小销量会被明显放大。

当前页面MAPE较高，通常说明长尾SKU/低销量样本误差率很大；主排序仍建议看WAPE。

它看的是“净偏差方向”，误差不取绝对值，高估为正、低估为负，会互相抵消。

公式：Σ(预测销量 - 真实销量) / Σ真实销量，也等于(预测销量合计 - 真实销量合计) / 真实销量合计。

Bias > 0：整体高估，容易备多、库存偏高；Bias < 0：整体低估，容易缺货；越接近0越中性。

当前示例：预测3334030.5，真实3543992，净误差=-209961.5，所以Bias=-5.9%。

为什么和WAPE不同：Bias会把高估和低估抵消；WAPE会把高估和低估都作为正误差相加。

业务解读：Bias只能说明整体偏高还是偏低，不能说明误差大不大；要和WAPE一起看。