常见问题和解决方案

最常见的是由复合密钥冲突引起的——如果两条记录共享相同的唯一标识符，则一个记录会覆盖另一个。

如果数据映射中的筛选条件不包括您期望看到的记录，也会发生这种情况。

两次报告运行之间已发货或移除的订单将在下次刷新后消失，但仍可能出现在根据前一天的数据生成的异常中。

新创建的订单要等到下次数据刷新后才会显示。

系统将自动筛选到产品主数据。只有您的产品主文件中存在的产品才会包含在预测中。但是，如果您的输入文件中有很大一部分超出范围（例如，行数的50％以上），则表明需要收紧源导出。

定期检查您的产品覆盖率。每次加载数据后，验证销售和预测输入文件中与产品主数据相匹配的产品百分比。如果覆盖率降至80％以下，请调查源出口范围是否已更改或主要产品需要更新。

Out-of-scope 计划输入中的产品可能会导致总额膨胀。如果您的 EDI 或 SIOP 文件包含来自其他工厂的产品，则总预测信号将高于应有的水平。在加载之前，确保将计划输入文件筛选到与您的产品主文件相同的产品范围。

检查异常的时间戳——如果超过一天，则该建议可能已过时。

如果建议明显错误（例如，忽略图表中可见的大订单），请用大拇指提供反馈并向您的支持团队报告具体的异常情况。

影响日期显示库存问题的开始时间（例如，何时缺货或过剩量超过阈值）。

“行动截止日期” 应考虑交货时间，这样您就有时间在问题出现之前采取行动。如果 Act By 等于影响日期，则可能不包括交货时间——请将其报告给您的支持团队。

范围内的低端volume/inactive 产品太多了。对于任何型号来说，需求稀少、间歇性需求的产品都很难超过简单的平均水平。使用预处理规则将预测范围限定为具有重要需求历史记录（例如，至少 6 个月的非零需求）的产品。

就陈旧或受污染的历史进行培训。如果您的订单历史可以追溯到很多年前，那么旧的需求模式可能无法反映当前的现实。考虑使用预处理规则，将训练历史限制在最近 3-5 年内，或者用标准化值替换异常周期（例如 COVID）。

一次性订单导致需求激增。单个大批量订单可能会在训练数据中造成错误的上升趋势。使用预处理规则将异常的月需求值限制为移动平均值的倍数（例如 5 倍）。

共识规则的应用方向不正确。LLM 代理可能会误解规则语言。“减少 27%” 可以作为增量适用。始终通过比较特定产品和月份来根据基准验证共识产出。使用显式乘法语言（“乘以 0.725”）而不是定向语言（“减少 27.5%”）。

该模型是在成长期内训练的。如果近年来的增长没有持续下去，则该模型推断出一种已不复存在的趋势。

共识规则正在向上调整。每种都会增加预测的多种规则（缺货偏差、趋势提振、季节性上涨）可能会复杂。查看哪些规则有效，并检查它们是否都适用于相同的产品。

Deleted/discontinued 产品仍在范围内。具有尾随需求但仍在预测中的产品将显示出系统的过度预测。

未纳入外部预测信号。如果您已加载计划输入（例如，EDI 客户预测、SIOP 生产计划），但您的共识规则没有应用这些输入，则预测将默认为统计基准——这可能无法捕捉规划人员看到的需求信号。通过将出口与预测（基准） ConsensusForecast 出口进行比较，验证共识规则是否确实在修改产出。如果它们相同，则规则不会生效。

稀疏的产品×站点组合将总量拉低。如果您按产品×地点的粒度进行预测，但许多组合的需求为零或接近零，则该模型会对非活动组合生成较小的非零预测。这些数字加起来不算多，但共同拖累了总预测低于实际值。使用预处理规则排除需求历史记录不足的组合，或者在计划输入中使用有条件的零填充来明确表示无效组合的 “预计没有需求”。

该模型尚未捕捉到最近的增长趋势。统计模型对历史数据进行加权。如果您的业务在最近几个月显著增长，但该模型的销量下降了多年，那么它将落后于趋势。随着模型积累更新的数据，这种情况通常会随着时间的推移而改善。在此期间，考虑一项共识规则，使用近期实际值的追踪平均值作为外部预测周的下限。

Year-over-year 季节性不匹配。如果今年的需求模式与往年不同（例如，较早的季节性增长、新产品的发布），则该模型在分歧时期可能会低估预测。检查偏差是否集中在与上一年模式不同的特定周或月份。

外部信号仅在短期内有帮助。如果你的共识规则包含了前几周的客户预测 (EDI)，那么在短期内，准确性会明显提高，当规则停止适用时，准确性就会下降。这是意料之中的——考虑使用混合方法（例如，将外部信号和中期周的基线 50/50 混合在一起），将规则延长到涵盖更多星期。

从长远来看，基线将恢复为长期平均值。统计模型在较长的时间段内变得不那么自信，并且倾向于历史平均值。如果最近的需求高于历史平均水平，那么外部几周将显得偏向不足。这是模型行为，不是配置问题。

需求波动使更长的视野本质上变得更加困难。如果您的需求具有较高的每周可变性（变异系数> 0.5），则即使是完美的模型在较长的时间段内也会显示出较高的误差。将精度评估重点放在前 3-4 周上，这是大多数操作的可操作规划窗口。

外部信号可能无法覆盖足够的产品。EDI 或客户预测通常仅涵盖您的产品目录的一部分（通常为 30-50%）。没有外部信号的产品仍使用基线。检查您的覆盖率——如果覆盖率低于50％，则对总精度的影响将受到限制。

外部信号可能不够准确，不足以提供帮助。在规则中使用外部预测之前，先独立衡量外部预测的准确性。如果它的WAPE比基线还差，那么加入它会带来伤害而不是帮助。考虑将规则限制在外部信号明显更好（例如，音量加权WAPE低于50％）的特定站点或产品上。

外部信号不报告零。许多 EDI 系统仅发送有有效订单的产品的记录——它们会省略需求为零的产品，而不是明确报告零需求的产品。如果您的共识规则显示 “当 EDI = 0 时，将预测设置为 0”，它将永远不会触发，因为没有零记录。对于没有外部信号且没有近期销售历史记录的产品×站点组合，您需要在预处理中生成零合成记录。

外部信号精度因地平线而异。客户对下周的预测通常最准确（基本上是已确认的订单），而且下降速度很快。在整个星期内直接使用外部信号的规则可能会影响更长的时间范围内的准确性。考虑采用分层方法：第 1-3 周直接替换，第 4-6 周混合替换，基准仅在第 7 周以上。

该规则可能已被优先级更高的规则所取代。规则按优先顺序应用。较新的规则可以撤消之前的规则。检查规则顺序。

规则条件可能与任何产品都不匹配。如果该规则引用的产品属性（例如 product_group_id）不在商品元数据中，则它不会以静默方式匹配任何内容。

规则语言被误解了。LLM 代理使用自然语言生成代码。含糊的措辞可能会产生意想不到的结果。尽可能具体和直截了当。使用精确的字段名称、明确的乘数和明确的条件。

连接中的维度不匹配。共识引擎将计划输入与维度列（产品 ID、站点 ID、日期）的基线相结合。如果基准和计划输入之间的列名不同（例如，基线使用 item_id，而 EDI 使用 product_id），则联接不产生任何匹配结果，所有规则都将使用基准默认值。验证数据流配置中的维度映射是否在两个架构之间正确映射。

日期格式不匹配。基准可能将日期存储为2026-03-02，而计划输入可能将日期存储为2026-03-02。T00:00:00.000Z如果连接需要精确匹配，则时区感知日期和时区初始日期将不匹配。在加入之前，请检查日期列是否已转换为相同的格式。

计划输入未加载。验证您的计划输入文件（EDI、SIOP 等）是否已成功采集。检查系统中的记录数——如果它们显示计划输入的行数为零，则文件可能无法加载。

共识 forecast_id 与基线 forecast_id 相匹配。如果两个导出共享相同的 forecast_id，则共识引擎未经处理即可直接生成基准副本。这表明存在系统级问题——请与您的支持团队联系 forecast_id 和 demand_plan_run_id。

site/product 筛选条件可能引用了错误的列。如果您的规则显示 “适用于 [列表] 中的站点”，但生成的代码检查的列不存在或值不同，则过滤器可能会静默地传递所有行。通过抽查一些不应受该规则影响的特定产品进行验证。

规则优先级顺序可能会颠倒。规则以链的形式应用，后来的规则会覆盖较早的规则。如果在特定规则（例如 “对这50个站点使用电子数据交换”）之后应用广泛的规则（例如，“对所有内容使用基准”），则该广泛规则将撤消该特定规则。确保您的规则描述清楚地说明优先顺序。

添加舍入规则作为最后的共识步骤。在所有其他共识规则之后应用一个简单的 “四舍五入到最接近的整数” 规则将清理分数值。低于 0.5 的值将四舍五入为零，这适用于需求量极低的组合。

考虑四舍五入到可操作数量。如果您的商品采用标准包装尺寸（例如 12 件箱、48 个托盘）发货，则四舍五入到最接近的有效包装尺寸可以提高预测的可用性和准确性。这需要在您的产品主数据中提供包装尺寸数据。与您的支持团队共享您的最小起订量或包装尺寸数据，以探索此选项。

检查粒度。产品在产品层面上可能有52周的需求，但任何单个产品与地点的组合都只有3周的需求。在产品×站点级别上应用的最低历史记录阈值将排除大多数组合。考虑改为在产品层面应用阈值，或者大幅降低阈值。

在部署之前进行测试。在激活预处理规则之前，计算一下有多少产品×网站组合通过了过滤器，而不是你当前的总数。如果排除的比例超过20％，则该规则可能过于激进。从宽松的门槛开始，然后逐渐收紧。