🎯 为什么重要
季节性需求是能预测的，只要锚定你自己的历史。去年的逐月形状乘今年的增长率就得到逐月预测，按交期倒推的截止日告诉你何时下单。安全库存随每个 SKU 的波动而定，一个清货计划在尾货变呆滞前清掉它。预测 AI 能建，增长率和交期你来给。
💬 我的观点
跨过旺季淡季的需求预测
旺季需求不是谜，它就是去年的曲线乘今年的增长率。做法是用你自己的历史建一个逐月预测、从交期倒推下单截止日、按每个 SKU 波动的大小定安全库存、并规划季末清货。
AI 能把销售导出变成预测，增长率和交期你来给，因为只有你知道。
最快：一条提示词，端到端
🤖 AI 提示词 — 粘贴到 ChatGPT / Claude
你是一个需求计划分析师。只用我的数据。
我会贴上最近 12 到 24 个月的逐月销售（有 SKU 就按 SKU 给）。
今年相比去年的增长率：[比如 加 30%]
供应商交期（下单到到货）：[比如 45 天]
现金或仓储限制：[任何限制]
请完成：
1. 建一个逐月预测：拿去年的逐月形状（季节曲线），乘我的增长率。标出峰值月份和预计销量。
2. 从交期倒推，给我旺季货的下单截止日，让它在需求到来之前到货、不是到来当中。
3. 按每个 SKU 的波动大小定安全库存：卖得稳的给薄缓冲，忽高忽低或难预测的给厚缓冲。把逻辑讲简单。
4. 给一个季末清货计划：留多少尾货，什么时候开始给剩货打折，别让它作为呆滞库存被我带进下一季。
别编数字，只用我贴的。缺什么就问。
输出：逐月预测表加下单截止日加逐 SKU 安全库存加清货计划。
或者，4 步做完
- 从去年的形状起步，再放大。 把最近 12 到 24 个月的逐月销售导出来，那条曲线就是你的季节性。每个月乘今年的增长率得到预测。这比笼统的“四季度多备点”强，因为它告诉你是哪几个月、要多少。
- 从交期倒推出下单截止日。 如果峰值在 12 月、供应商要 45 天，你的下单截止日是 10 月中，不是 12 月。错过截止日意味着在最糟的时候断货。先定截止日，再敲定这笔采购。
- 按波动定安全库存，不按统一百分比。 卖得稳的只要小缓冲，忽高忽低、难预测的 SKU 要更大的缓冲才不断货。给不稳的品更多保底、给可预测的更少，现金才不会平摊在所有货上。
- 季末之前就规划清货。 提前定好留多少尾货、什么时候开始打折。错过窗口的季节性剩货会变成呆滞库存，所以要趁需求还在时就排好折扣，而不是到了一月才发现那一堆。
实战演算（示例）： 去年 11 月卖了 400 件、12 月 900 件、1 月 300 件，今年在按加 30% 走。预测：11 月 520、12 月 1170、1 月 390。
供应商交期 45 天，所以旺季这单必须在 10 月中前下，才能赶在 12 月前到。一个卖得稳的核心 SKU 给 10% 缓冲，一个去年忽高忽低的潮流款给 25%。
留 12 月库存的 15% 给 1 月尾货，然后 1 月 10 日开始打折，什么都不带进春天。
把预测锚在你自己的曲线上，用交期定下单截止日，早早排好清货；这一篇建在你的 inventory-planning 那篇这个基础方法之上。
⚖️ 该做 & 别做
该做
- 用去年的逐月曲线乘今年的增长率来建预测，别只是笼统地“旺季多备点”。
- 从供应商交期倒推出一个硬性的下单截止日，让旺季货在需求到来之前到、而不是到来当中。
- 按每个 SKU 的波动大小定安全库存：卖得稳的给薄缓冲，忽高忽低的给厚缓冲。
- 趁需求还在时就排好季末折扣，让尾货被清掉，而不是变成呆滞库存。
避免
- 别让 AI 编你的季节数字；把你自己的销售导出喂给它，增长率和交期你自己给。
- 别对整个目录套一个统一的安全库存百分比，它会饿着波动大的品、又给稳的品备多了。
- 别等到过了下单截止日，一旦错过，你会在最糟的时候断货。
- 别把季节剩货带进下一季指望它自己卖掉，按计划把它打折清掉。
💡 快速提示
- 把最近 12 到 24 个月的逐月销售导出来，那条曲线本身就是你的季节性，不需要复杂模型。
- 用 Google Trends 核对一下，你这个品类今年的峰值是不是提前或推后了。
- 在敲定预测的那一刻，就给每个 SKU 的下单截止日设个日历提醒。
🏢 品牌聚焦
品牌
SpiritHalloween.com · Spirit Halloween 很有代表性，因为它整个模式就是把季节预测做对：它对着一条又陡又短的需求曲线开出成千上万家快闪店，按峰值备货，再在窗口关闭前几乎把所有货清掉，而不是压着呆滞库存过完剩下的十一个月。它做得好的地方，是把清货当成计划的一部分、而不是事后补救，这正是小卖家该在更小规模上学的纪律。要注意的是，Spirit 的快闪租约和退回供应商的条款帮它缓冲了风险，小店没有这些，所以要锚在你自己的历史和交期上，别照搬它的激进。
🏷️ 标签
operationsinventoryforecastingseasonalboth
🔗 相关内容