MAPE 降到 10% 就够了吗？不一定。我们用一个真实案例证明：低 MAPE 的模型可能导致更严重的缺货损失。本文引入业务导向的评估指标，并给出离线模拟测试方案。
一、MAPE 的局限性
平均绝对百分比误差（MAPE）是最常用的回归指标，但在零售库存场景中它有三个硬伤：
- 对零值敏感：实际销量为 0 时，MAPE 无穷大（但缺货导致的零值正是我们要处理的）。
- 对称惩罚：预测 100 实际 50 与预测 50 实际 100 的 MAPE 相同，但在业务上，低估导致缺货损失往往比高估导致的积压成本更严重。
- 不直接反映库存成本：库存管理的核心目标是在满足需求的前提下最小化总成本（持有成本 + 缺货成本 + 订货成本）。MAPE 无法直接映射到这些成本。
例如：某 SKU 日均销量 100 件，单价 10 元，毛利率 30%。
· 模型 A：MAPE 12%，但经常在促销日低估销量，导致缺货损失每月 2000 元。
· 模型 B：MAPE 15%，但对促销捕捉准确，缺货损失仅 500 元，且库存周转更快。
显然模型 B 更优，但 MAPE 却认为 A 更好。因此我们需要一套面向业务的评估体系。
二、业务导向的评估指标
2.1 加权绝对百分比误差（WMAPE）
引入销量权重，让高销量 SKU 的误差权重更大，低销量 SKU 影响减小。
python
def wmape(actual, forecast):
return np.sum(np.abs(actual - forecast)) / np.sum(actual) * 100WMAPE 避免了零值问题，且更能反映总体业务影响。
2.2 缺货损失金额（Stockout Cost）
模拟库存策略后，计算因预测不足导致的缺货损失。
假设：
· 每日补货，补货提前期 L 天
· 安全库存系数 z（如 1.65 对应 95% 服务水平）
· 缺货损失 = 缺货数量 × 单件毛利
公式：
python
# 简化模拟：预测为 f，实际为 a，可用库存初始为 I0
def simulate_stockout(forecast_series, actual_series, lead_time=2, initial_inventory=100):
inventory = initial_inventory
stockout_quantity = 0
for t in range(len(forecast_series)):
# 提前期内的总预测需求
demand_forecast = sum(forecast_series[t:t+lead_time])
if inventory < demand_forecast:
shortage = demand_forecast - inventory
stockout_quantity += shortage
inventory = 0
else:
inventory -= demand_forecast
# 补货（这里简化为按预测补货，实际可根据策略调整）
inventory += forecast_series[t]
return stockout_quantity实际使用中，我们采用周期性盘点 (R, S) 策略，用预测值驱动补货量，再用真实销量回测缺货次数和金额。
2.3 库存周转率（Inventory Turnover）
周转率 = 年销售成本 / 平均库存成本。预测偏大会导致库存积压，周转率下降。
在离线模拟中，我们可以追踪模拟库存水平，计算平均库存天数：
python
def avg_inventory_days(forecast_series, actual_series, lead_time=2):
inventory_levels = []
inv = 100 # 初始库存
for t in range(len(actual_series)):
inv = max(0, inv - actual_series[t]) # 消耗
inv += forecast_series[t] # 补货（按预测）
inventory_levels.append(inv)
avg_inv = np.mean(inventory_levels)
avg_daily_sales = np.mean(actual_series)
return avg_inv / avg_daily_sales if avg_daily_sales > 0 else 9992.4 综合成本指标（Total Supply Chain Cost）
将库存持有成本、缺货成本、订货成本相加，形成一个单一数值，直接比较不同预测模型带来的总成本差异。
· 持有成本 = 平均库存 × 单价 × 年持有率（通常 20-30%）
· 缺货成本 = 缺货数量 × 单件毛利
· 订货成本 = 订货次数 × 单次固定成本
三、离线模拟测试：如何科学对比两个模型
我们不需要真实上线就能评估模型。方法：
- 取一段历史数据（比如 90 天）作为"验证期"。
- 用模型在这段时期每天做预测（只使用截至当天的历史数据，模拟真实环境）。
- 将预测值输入库存仿真引擎，记录成本指标。
- 对比不同模型（或同一模型不同参数）的总成本。
代码框架（使用 inventory_simulator 自定义类）：
python
class InventorySimulator:
def __init__(self, unit_cost, holding_rate, stockout_cost_per_unit, order_fixed_cost):
self.unit_cost = unit_cost
self.holding_rate = holding_rate
self.stockout_cost = stockout_cost_per_unit
self.order_fixed_cost = order_fixed_cost
self.inventory = 0
self.total_holding_cost = 0
self.total_stockout_cost = 0
self.total_order_cost = 0
def step(self, demand, forecast, order_quantity=None):
# 根据预测确定补货量（简单版：订单上限 = forecast）
if order_quantity is None:
order_quantity = max(0, forecast - self.inventory)
self.inventory += order_quantity
self.total_order_cost += self.order_fixed_cost * (1 if order_quantity > 0 else 0)
# 满足需求
satisfied = min(self.inventory, demand)
shortage = demand - satisfied
self.inventory -= satisfied
self.total_stockout_cost += shortage * self.stockout_cost
# 持有成本（每日）
self.total_holding_cost += self.inventory * self.unit_cost * self.holding_rate / 365
def total_cost(self):
return self.total_holding_cost + self.total_stockout_cost + self.total_order_cost将模型A和模型B的预测分别输入仿真，运行完整周期，对比最终总成本。
四、真实案例：MAPE 12% 模型 vs MAPE 15% 模型
数据：某便利店 50 个 SKU，6 个月历史。
指标 模型A（MAPE 12%） 模型B（MAPE 15%）
平均库存天数 18 天 12 天
缺货次数 23 次 7 次
缺货损失金额 ￥3,420 ￥840
持有成本 ￥1,200 ￥800
总成本 ￥4,620 ￥1,640
模型B 虽然 MAPE 更高，但总成本仅为模型A 的 35%。原因是模型A 为追求低误差，过于保守，导致高估安全库存，同时低估了促销日的需求（造成缺货）。
五、将这些指标集成到 API 评估中
我的销量预测 API 目前以 MAPE 为主要优化目标，但对于付费企业用户，我们提供定制化评估报告，包括：
· 基于你历史数据的离线模拟
· 对比现有预测方法（如简单移动平均）的成本节约
· 推荐最优安全库存系数
本文模拟代码已上传 GitHub。欢迎交流你在实际业务中遇到的评估难题。