摘要：把竞品关系放进补货表
很多卖家做补货预测，只看自己的历史销量。
过去 4 周平均每天卖 20 单，那就按 20 单补。
上周突然卖到 35 单，就认为趋势起来了。
上个月新品没数据，就先少备一点。
这种方法在单卖家、单渠道、竞争很弱的场景里还能勉强用。
但在 Amazon 这样的 marketplace 里，销量不是一个孤岛。
同一个 ASIN 可能有多个卖家。
相似产品可能互相替代。
竞品断货会把需求转移给你。
竞品降价会把需求抢走。
新 seller 入场、新 offer 上架、Featured Offer 变化、配送承诺变化，都会改变你的未来销量。
今天拆的是 Amazon Science 论文《Spatio-temporal Multi-graph Networks for Demand Forecasting in Online Marketplaces》。
它不是一篇账号健康评分论文，但它和账号绩效关系很大：
补货预测越准，越不容易断货、积压、迟发、错放库存，也越有机会给买家更短的配送承诺。
论文信息卡
论文标题：Spatio-temporal Multi-graph Networks for Demand Forecasting in Online Marketplaces
作者：Ankit Gandhi, Aakanksha, Sivaramakrishnan Kaveri, Vineet Chaoji
机构：Amazon India Machine Learning、Microsoft
来源：ECML PKDD 2021 相关论文
研究对象：Amazon marketplace 中 seller-product offer 级需求预测
本文使用文件：
02_订单缺陷率_ODR_迟发_取消预测/08_Deep Sequence Models for E-commerce Fulfillment.pdf
清单题名是 “Deep Sequence Models for E-commerce Fulfillment”。实际 PDF 是 Amazon marketplace 的多图网络需求预测论文。本文会按真实论文内容解读，不把它说成 Amazon AHS 或官方补货算法。
一句话结论
这篇论文对卖家的最大启发是：
预测销量不能只看“我过去卖了多少”，还要看“市场上谁把需求转移给我，谁又把需求抢走”。
论文研究的是 offer/seller-product demand forecasting。
也就是：某个商品，由某个卖家出售时，未来需求是多少。
这比普通商品销量预测更复杂。
因为同一个商品可能有多个卖家，同一个卖家也可能卖多个商品。一个卖家的库存、价格、履约表现变化，会影响另一个卖家的销量。
论文把卖家和商品建成图，用图神经网络学习它们之间的关系，再用 LSTM 或 TCN 这样的序列模型预测未来需求。
卖家可以把它理解成：
过去的补货表只看自己店铺。
更高级的补货表，要看整个竞争网络。
论文到底解决什么问题
论文开头讲得很具体：需求预测对于库存计划和物流成本优化非常关键。
预测结果会帮助卖家把库存放到仓库或 fulfillment centers，从而降低履约成本、提高有货率，并给买家更短的配送承诺。
但传统预测方法通常是一维的。
它看某个 offer 自己的历史销量和特征，然后预测未来。
问题是，marketplace 里的需求会互相传导。
论文列了几个典型场景：
- 多个卖家卖相同或相似商品，彼此竞争
- 某个卖家断货后，需求转移到其他卖家
- 竞争卖家涨价或降价，影响你的销量
- 新竞品或新 offer 上线
- 冷启动 offer 历史数据很少，无法只靠自己销量预测
这几个场景，卖家每天都能遇到。
你以为自己销量突然涨了，是广告变强了。
实际可能是同款竞品断货。
你以为新品没有起量，是 Listing 不行。
实际可能是替代品正在打折，需求被吸走。
如果只看自己销量，很容易把“市场关系变化”误判成“自身运营效果变化”。
图网络怎么理解
论文把卖家和商品看成图里的节点。
Seller 是节点。
Product 是节点。
Seller 和 Product 之间有 demand relation，也就是这个卖家在卖这个商品。
Product 和 Product 之间还有 substitute relation，也就是替代或相似关系。
每个时间点，都可以构建一张图。
这张图会随着需求、库存、价格、替代关系变化而变化。
然后模型在每个时间点用 GNN 学到 seller 和 product 的表示，再把这些表示和历史销量一起输入 LSTM 或 TCN，预测未来几周需求。
技术听起来复杂，但卖家可以用一个简单比喻理解：
普通销量预测像只看自己的体温。
图网络预测像看整个病房的传染关系。
谁突然断货，谁突然降价，谁突然上新，都会通过关系网络影响你。
实验结果为什么重要
论文在 Amazon marketplace 真实数据上做实验。
数据规模很大：21K sellers 和 1.89M products。
结果显示，最好的 Hetero-GAT-Demand-Substitute 模型，相比 LSTM 基线：
- 全部 offer 的 MAPE 改善 16.30%
- 多卖家商品的 MAPE 改善 29.43%
- 冷/温启动 offer 的 MAPE 改善 24.43%
这几个数字很有解释力。
整体提升 16.3%，说明关系建模有价值。
多卖家商品提升 29.43%，说明竞争关系越强，图网络越有用。
冷启动 offer 提升 24.43%，说明新品或新 offer 不一定只能靠瞎猜，可以借用相似商品、同款商品、同卖家和替代品的历史信息。
对卖家来说，这意味着：
越是竞争复杂、历史数据少、容易断货的 SKU，越不能只用简单平均销量补货。
放到 Amazon 运营里，怎么理解
Amazon 卖家的补货问题，不只是“备多少货”。
它会影响一串后续结果：
- 库存放太少：断货、失去 Featured Offer、广告浪费、排名波动
- 库存放太多：仓储费、资金占用、长期仓储压力、清货折价
- 库存放错仓：配送承诺变慢、履约成本上升
- 需求预测错：旺季缺货、淡季积压、补货节奏混乱
这篇论文提醒我们：
补货预测要从“单 SKU 表格”升级为“关系表”。
一个核心 SKU 至少要记录：
- 同 ASIN 的其他卖家
- 相似替代品
- 同类目主要竞品
- 同关键词下的强竞品
- 竞品库存状态
- 竞品价格变化
- 谁在拿 Featured Offer
- 到货承诺有没有变快或变慢
- 自己的广告、促销、价格和库存变化
这些信息不是装饰。
它们会解释你销量为什么突然变。
卖家明天就能做的补货表升级
第一，先定义核心 offer。
不要一上来全店几百个 SKU 都做复杂分析。先选主推款、利润款、新品、易断货款、旺季款。
第二，建立关系字段。
每个核心 SKU 记录同 ASIN 卖家、主要替代品、相似关键词竞品、同类目强竞品。
第三，每周记录外部变化。
至少记录销量、库存、价格、Featured Offer 赢者、配送承诺、评论变化、促销活动。
第四，识别需求转移。
如果竞品断货、涨价、配送变慢，同时你的销量上升，不要马上扩大长期补货。先判断这是不是临时需求转移。
第五，冷启动新品借关系判断。
新品没有历史销量，就参考相似商品、同价位商品、同场景商品、同关键词商品的需求区间，不要只靠首周销量下结论。
第六，把补货分成两套规则。
常规成熟款可以主要看历史销量。
多卖家商品、新品、替代品强的商品，要额外看关系信号。
一个实操例子
假设你卖一款厨房收纳架。
过去 8 周平均每周卖 140 件。
第 9 周突然卖到 230 件。
普通补货表会告诉你：需求上涨 64%，赶紧加大补货。
但关系表会继续问：
- 同 ASIN 另一个 FBA 卖家是不是断货了？
- 相似款是不是涨价了？
- 你的配送承诺是不是从 5 天变成 2 天？
- Featured Offer 是不是从竞品切到你这里？
- 这周是不是平台活动或外部流量带来的短期峰值？
如果答案是竞品断货导致需求转移，你就不能按 230 件作为长期需求。
因为竞品补货回来后，销量可能回落。
反过来，如果竞品没断货，你的转化提升来自更快到货、更稳定库存、更强评价，那才更可能是可持续需求。
这就是图网络思想给卖家的启发：
销量变化背后，要找关系变化。
不要误读这篇论文
第一，这不是 Amazon 官方补货公式。
论文是 Amazon 研究团队发表的需求预测方法，不等于 Seller Central 给卖家的官方补货算法。
第二，GNN 不是中小卖家的起步门槛。
卖家不需要先训练图神经网络。你可以先手工把关系字段加进表格，把同款、替代品、竞品断货、价格和配送承诺纳入判断。
第三，不要把预测当成确定结果。
预测只能提高判断质量，不能消除市场波动。供应链仍要留安全库存和应急方案。
第四，不要因为短期销量上涨就盲目加仓。
先判断是自身竞争力提升，还是竞品断货、涨价、活动结束前的短期转移。
第五，不要只追求预测变准。
预测的最终目的，是库存放对、不断货、不压货、履约更稳、配送承诺更快。
结论
补货预测不能只看自己销量。
在 marketplace 里，你的销量来自一张关系网。
同款卖家、替代品、断货、价格、Featured Offer、配送承诺、新品冷启动，都会改变需求流向。
这篇 Amazon Science 论文给卖家的真正启发是：
成熟 SKU 看历史，多卖家和冷启动 SKU 看关系。
先把关系字段加进补货表，再逐步自动化。
很多卖家缺货，不是因为不会算平均销量。
而是因为没有看见需求正在从谁那里转移过来，又会在什么时候转移回去。
参考资料
- 论文：Spatio-temporal Multi-graph Networks for Demand Forecasting in Online Marketplaces
- Amazon Science 页面：https://www.amazon.science/publications/spatio-temporal-multi-graph-networks-for-demand-forecasting-in-online-marketplaces
- DOI：https://doi.org/10.1007/978-3-030-86514-6_12