从50%到80%：青啤用AI重做电商销量预测
在山东CIO联盟夏季年会消费零售与电商闭门会上，青啤集团IT总监王璐围绕电商销量预测的AI落地实践作了分享。
这不是一个关于“AI能不能用”的泛泛讨论，而是一个非常具体的业务命题：对于一家拥有百年历史、供应链复杂、SKU众多、渠道多元的消费品企业，如何把电商销量预测从传统人工经验，推进到数据驱动和模型驱动？
青啤给出的答案很务实：不迷信单一大模型，不从技术概念出发，而是从业务痛点出发，用“业务理解+数据工程+模型融合”的方式，把电商日频销量预测准确率从原先约50%提升到接近80%，在大促等关键场景中表现更好。
这背后真正值得山东企业借鉴的，不只是一个预测模型，而是一套传统企业推进AI落地的方法。
一、消费品AI落地，已经从“有没有用”进入“准不准”的阶段
很多企业还在讨论AI到底有没有业务价值，但在青啤这样的消费品企业里，问题已经更进一步：AI不是能不能用，而是预测准不准、能不能服务真实业务、能不能减少经营损耗。
啤酒电商是一个特别考验预测能力的场景。
首先，啤酒属于重物流品类，单件货重、调拨成本高，预测不准会直接带来库存、仓储和物流成本压力。
其次，电商渠道变化快，平台活动、赠品组合、价格策略、促销节奏都会显著影响销量。传统按月预测、人工填报的方式，很难支撑电商“日更”的业务节奏。
再次，SKU数量多、长尾产品多，人工很难持续覆盖所有产品和所有渠道。如果预测仍然主要依赖人工经验，越到细颗粒度场景，误差就越容易放大。
因此，对青啤来说，销量预测不是一个数据部门的技术课题，而是供应链、库存、物流、渠道运营和客户体验共同面对的经营问题。
二、先找准业务问题，再决定技术方案
王璐在分享中反复强调一个观点：AI能力必须体现在业务价值上。
青啤并没有一开始就把答案押在某一个大模型上，而是先回到业务现场，拆解电商销量预测到底难在哪里。
难点主要集中在三方面：
一是SKU多，尤其是长尾产品，人工预测覆盖成本高。
二是渠道复杂，价格、赠品、组合、促销节奏在不同平台上差异明显。
三是预测结果会直接影响仓储、调拨和履约效率，预测不准会直接吃掉利润。
当业务问题被拆清楚后，技术路线也就变得更清晰：青啤需要的不是一个会回答问题的AI助手，而是一套能够融合历史销量、渠道特征、促销活动、外部变量，并支持日频滚动预测的模型体系。
这也是传统企业做AI最容易忽略的一点：技术选型之前，先把业务问题问准。否则，模型越复杂，偏离业务越远。
三、模型融合，而不是迷信单一模型
青啤电商销量预测的一个核心做法，是采用多模型融合。
在这套体系中，不同模型承担不同职责：
·时序模型负责捕捉基础销量、周期性和节假日规律；
·LightGBM等机器学习模型负责处理促销、赠品、组合、渠道等交叉特征；
·Transformer等深度学习模型负责吸收天气、舆情、突发事件等外部变量的影响。
最终，系统通过模型集成和统一调度，实现自动化滚动预测。
这套架构最有启发的地方在于：青啤没有把所有问题都交给一个模型，而是让不同模型做自己最擅长的事情。
在销量预测这种对准确率要求高、容错率低、业务约束强的场景里，大模型并不必然替代传统模型。真正可落地的AI系统，往往是大模型、小模型、机器学习、时序算法和业务规则的组合。
对企业而言，这意味着“用AI”不等于“只用大模型”。AI落地的关键，是围绕业务目标组织最合适的模型和数据能力。
四、外部数据，是消费品预测的分水岭
青啤销量预测准确率提升的关键，不只在算法，也在数据。
如果只看企业内部历史销量，模型很容易陷入惯性判断。但消费品需求不是只由历史决定，它还受到宏观经济、节假日、天气、舆情、平台活动、促销节奏等外部因素影响。
青啤构建了“内部数据+外部数据”的双轮驱动体系。
内部数据包括历史销量、SKU、渠道、促销、库存等。外部数据则包括宏观经济指标、消费情绪、市场舆情、啤酒品类热度、节假日时间戳、天气及突发事件等。
其中一个重要发现是：月频预测和日频预测的逻辑完全不同。
月频预测更依赖历史销量惯性，而日频预测更依赖外部变量。例如是否有赠品、是否有促销、是否处在节假日节点，都会对日销量产生明显影响。
这个发现直接改变了特征工程方向。也就是说，青啤不是简单把月度预测模型缩小到日度，而是重新理解了日频销量变化背后的业务驱动因素。
这对消费品企业尤其重要。很多企业的数据仍然困在内部系统里，但真正影响消费需求的变量，往往发生在企业外部。谁能更早建立内外部数据融合能力，谁就更可能在预测准确率上领先一步。
五、预测颗粒度越细，业务价值越大
青啤的销量预测并不是停留在宏观判断，而是向更细颗粒度下沉。
时间维度上，系统覆盖T+1、T+3、T+7等短期和中短期预测需求，支撑电商渠道快速变化的经营节奏。
空间维度上，预测逐步细化到区域、仓库，甚至更细的业务颗粒度，服务调拨、库存、履约和销售运营。
这让预测从“看趋势”变成了“能行动”。
对业务来说，预测如果只停留在总体销量层面，价值有限；只有下沉到产品、渠道、区域、仓库和时间节点，才能真正影响备货、调拨、库存和促销安排。
青啤的实践说明，AI预测模型不是为了生成一张漂亮报表，而是为了让供应链提前行动。
六、MVP先跑通，比等待完美更重要
王璐分享中还有一个非常务实的方法论：AI项目不要一开始就追求完美，先用MVP跑通业务价值。
AI产品不是一次设计完成的，而是在业务流程和数据反馈中不断迭代出来的。如果企业总想等到“完美版本”再上线，往往会错过最佳验证窗口。更现实的方式，是先选一个高价值场景，做出可用版本，让业务跑起来，再根据真实反馈持续优化。
青啤电商销量预测的价值，也是在业务压力中被逐步验证出来的。它不是技术部门自我驱动的实验，而是被电商渠道的日频需求、库存压力和供应链效率倒逼出来的。
这对山东传统企业很有启发：AI落地不必一开始就追求大而全，更适合从一个具体场景开始，用小步快跑的方式把价值验证出来。
七、给山东传统企业的四点启示
青啤的实践，对山东大量正在推进数智化转型的传统企业，有几个直接启示。
第一，大模型不是终点，模型融合才是答案。
大模型有它的优势，但在销量预测、供应链优化、质量控制等场景中，传统机器学习、时序模型和业务规则依然不可替代。企业真正需要的，是围绕业务目标组合模型能力。
第二，外部数据是消费品AI落地的重要胜负手。
消费品需求受宏观经济、舆情情绪、节假日、天气和促销活动影响很大。如果企业只使用内部历史数据，预测能力很容易触顶。内外部数据融合，是提升预测准确率的关键。
第三，颗粒度决定业务价值。
预测越能下沉到日频、区域、仓库、SKU和渠道，越能服务真实业务动作。AI不能只用于看趋势，更要支撑调拨、备货、履约和运营决策。
第四，业务倒逼出来的AI，最容易落地。
真正有价值的AI场景，往往藏在业务部门天天抱怨、但长期没有被解决的痛点里。找到这些痛点，AI才有用武之地。
结语
青啤是一家拥有百年历史的传统消费品企业，但它的AI实践并不传统。
从电商销量预测这个具体场景切入，青啤把业务问题、内部数据、外部数据和模型能力组织在一起，让预测准确率从约50%提升到接近80%。这背后不是某一个模型的胜利，而是业务、数据和AI协同的胜利。
对山东企业而言，这个案例最重要的意义在于：传统企业做AI，不是为了追逐最热的技术名词，而是为了把最真实的业务问题解决得更准、更快、更稳。
当AI能够帮助企业把库存备得更准、物流调得更顺、促销看得更清、供应链跑得更稳，它才真正从概念走向了价值。
这正是山东传统企业推进AI落地最值得坚持的方向。