用“事件计数预训练”把零售需求预测做稳：从Abacus到供应链

年底最怕的不是忙，是“忙错”。双旦、年货季叠加，门店补货、仓内拣配、干线调拨都在抢时间，而需求端却像开盲盒：有些SKU突然爆发，有些品类长尾波动，更多时候是“买的人很少，但一来就集中”。数据稀疏、正样本极少、时间间隔不规律——这类难题不只出现在零售，也出现在广告系统的用户购买预测里。

最近一篇研究提出了一个很实用的思路：与其只盯着“下一次会不会发生”，不如先学会“在一段时间里大概会发生多少次，以及频率分布长什么样”。论文把这个方法叫做 Abacus：一种面向序列建模的自监督事件计数对齐的分布式预训练。它本来服务于展示广告中的购买行为预测，但我更看重的是它对我们这条系列——“人工智能在零售连锁与商超”——的启发：用事件频率分布做自监督预训练，可以把需求预测、补货决策、履约节奏预测做得更稳、更快收敛、更抗噪。

Abacus解决的核心问题：稀疏事件下，序列模型“只看到了浪花”

答案先说清楚：Abacus用“事件频率分布预测”替代单点标签，给序列模型提供更稳定的学习信号。

在用户购买预测里，正样本（购买）很少，且购买间隔不均匀。传统做法常依赖手工“计数器特征”（例如近7天购买次数、近30天点击次数），优点是稳定，但缺点也明显：

• 计数聚合后，丢掉了意图随时间变化的细节（比如近3天突然升温）。
• 手工特征容易堆叠，跨场景迁移困难。

而纯序列模型（RNN/Transformer等）擅长捕捉顺序信号，但面对稀疏事件时，监督信号太弱、噪声太大，训练很容易“学偏”。Abacus的切入点很直接：

与其逼模型从稀少的正样本里硬学，不如先让它学会“事件在一段窗口内的经验频率分布”。

论文里还提出了一个混合目标（hybrid objective）：把Abacus这种“统计稳定性”与序列目标的“敏感性”结合。据论文描述，混合方法相对基线最高带来 +6.1% AUC 的提升，并且能加速下游任务收敛。

把Abacus翻译成零售语言：从“用户事件”到“订单/履约事件”

答案先说清楚：在零售与供应链中，事件可以是下单、到店自提、缺货、退货、补货到仓、门店出库等；Abacus学的是这些事件的“频率分布”，不是单次发生与否。

把广告里的“购买事件”换成零售的“业务事件”，你会发现几乎一一对应：

• 需求侧事件：门店POS成交、线上下单、加购、到店核销。
• 供给侧事件：缺货、替代购买、取消、退货。
• 履约侧事件：仓内波次完成、出库、干线到达、门店签收。

这些事件同样具备三个特点：

1. 稀疏：很多长尾SKU一天都未必卖出一单。
2. 不规律：促销、天气、社区团购团期、短视频带货都能改变节奏。
3. 强不平衡：缺货、异常延迟、爆单等是“小概率大影响”。

在我见过的项目里，团队往往在两条路中二选一：要么靠一堆近N天计数特征求稳，要么用序列模型追细节。Abacus给了一个更务实的折中：先用自监督把“频率分布”学扎实，再用任务目标去学细粒度变化。

为什么“频率分布预训练”对库存与补货更有用

答案先说清楚：频率分布让模型先学到“量级与节奏”，再学“精确时点”，能显著降低稀疏监督导致的波动。

1）把“偶然的1单”变成“窗口内的可学习信号”

对长尾SKU来说，“下一小时是否成交”几乎是随机变量；但如果你换成“未来7天成交次数的分布”，就更稳定、也更接近补货决策所需的信息。

对供应链决策而言，我们通常关心的是：

• 未来7天/14天要补多少货？
• 需要提前几天调拨？
• 安全库存要不要上调？

这些问题本质上不是单点分类，而是对一定周期内的需求频率与强度做判断。

2）把“计数器特征”从手工规则变成模型能力

很多连锁零售的需求预测管道里，计数特征几乎是祖传配方：近7天销量、近28天销量、近3次补货间隔、近5次缺货次数……这些特征有效，但维护成本高。

Abacus式预训练的价值是：让模型学会自己构造“统计稳定”的表示，减少手工堆特征的依赖。你仍然可以保留关键业务特征，但模型不再完全被特征工程牵着走。

3）用混合目标同时照顾“稳”和“灵”

零售最难的是两头都要：

• 平时要稳：别天天跟着噪声调参数、调安全库存。
• 节日要灵：双旦、年货季、春节返乡、年终聚餐，需求结构变化很快。

混合目标的直觉很像业务上“基准预测 + 促销修正”：

• 分布/计数目标提供基准盘（稳定）。
• 序列目标提供变化盘（敏感）。

落地怎么做：用Abacus思路搭一个“需求序列预训练”最小可行方案

答案先说清楚：先定义事件与时间窗→构造经验频率分布标签（自监督）→预训练序列编码器→再微调用于需求预测/缺货预测/到货预测。

下面给一个偏工程的MVP路线，适合连锁零售与商超数据团队试水：

1）定义事件与粒度：从“能稳定采集”开始

优先选择数据质量高、闭环完整的事件：

• sale：POS成交/线上支付成功（按SKU-门店-天或小时）
• oos：缺货标记（货架缺货/系统缺货）
• replenish：补货到店/到仓（带数量）

粒度建议：门店-天是最稳的起点；对即时零售可尝试门店-小时。

2）构造“经验频率分布”：别只做一个计数

Abacus的关键不是“预测次数”，而是预测“次数的分布”。在零售里可以这样做：

• 选一个窗口长度（例如未来7天）。
• 对每个样本，计算该窗口内事件次数 k。
• 将 k 映射到若干桶（0次、1次、2-3次、4-7次、8次以上），形成离散分布标签。

这样模型学到的不是一个点，而是需求强度的分段概率。对业务方也更好解释：

“这个SKU在这家店未来一周出现0次/低频/中频/高频的概率分别是多少。”

3）预训练目标 + 下游任务：用混合方式更划算

你可以把预训练拆成两层：

• 自监督预训练：用历史序列去预测未来窗口的频率分布（不用人工标注）。
• 下游微调：
  • 需求预测（回归/分位数预测）
  • 缺货风险预测（分类）
  • 补货建议（优化或策略模型）

混合训练的实操建议：在微调阶段保留一部分分布目标作为正则，让模型别被短期噪声拉偏。

4）三条评估指标，直接对齐供应链KPI

仅看AUC不够。更贴近零售供应链的评估方式是：

1. WAPE/SMAPE：需求预测误差（按门店、品类、SKU分层）。
2. 缺货率与替代率：预测驱动补货后是否减少缺货。
3. 库存周转天数：稳定期是否减少资金占用。

如果你只能选一个“业务先验”的门槛：我倾向于先跑通“缺货率下降 + 周转不变/略降”，比追求预测误差的小幅改善更有说服力。

常见追问：数据、冷启动、以及“会不会把促销学歪”

答案先说清楚：Abacus思路对冷启动友好，但必须把促销与异常作为显式事件或上下文特征，否则频率分布会被混淆。

Q1：长尾SKU几乎没销量，分布标签会不会全是0？

会，但这不代表没价值。全0的样本依然让模型学到“在什么上下文下会持续为0”，并在少量正例出现时更快适配。你还可以：

• 以品类/价格带做多任务共享表示
• 合并更长窗口（14天/28天）提高信号密度

Q2：促销、节假日会让频率分布失真吗？

会，所以要把它“讲清楚”。两种做法：

• 把促销作为上下文特征（折扣、活动类型、投放强度）
• 把“促销开始/结束”作为事件纳入序列

我更推荐第二种：事件化后，模型更容易学习“活动触发→频率抬升→活动结束回落”的模式。

Q3：对供应链履约也能用吗？

能。把事件换成“波次完成、出库、到达、签收、异常延迟”，预测未来窗口内的完成次数或延迟次数分布，就能做：

• 产能预估（仓内人效与波次容量）
• 干线班次与到达节奏预测
• 异常风险提前预警

给想要线索转化的团队：从一个门店群试点开始

零售连锁做AI，最忌讳“上来就全网铺开”。我建议的试点方式很具体：

• 选 30-100 家门店（含高低客流、城市层级差异）
• 选 2-3 个品类（高周转 + 长尾明显 + 促销频繁）
• 先做“7天频率分布预训练 + 缺货风险微调”
• 用缺货率、替代率、周转天数做四周对照

如果这条链路跑通，你就会发现：模型不是“更聪明”那么简单，而是更像一个可靠的运营同事——先把大势看稳，再在关键节点提醒你别踩坑。

年底到春节前，是验证“稳与灵”的最好时段。你更关心哪一块：门店补货、仓内产能，还是即时零售的小时级预测？我更愿意从你现有数据结构出发，帮你把“事件定义 + 窗口分布 + 评估口径”一次性定对。