模拟场景：距决赛18天，常规周销4000件，这次该备多少
设定一个模拟示例。某职业联赛球队刚刚晋级决赛，决赛在18天后举行，采用单场决胜制。常规赛季这支球队的主场球衣每周线上线下合计卖出约4000件，半决赛那一周上升到9000件。商品团队需要在两三天内确定决赛周的球衣备货量，并通知工厂。
过去的做法是拿半决赛周销量乘一个系数，比如1.5，得出1.35万件。问题是这个数字没有回答最关键的问题：输了怎么办，赢了够不够。BB体育供应链研究组的建议是，先不要急着给一个数字，而是按球队、赛事、需求、库存、生产五个维度依次拆开。
先看球队和赛事：这场决赛的需求底座有多厚
同样是决赛，不同球队的需求底座差别很大。需要看的信号包括：球队的会员和季票规模、近三个月球衣搜索量的变化、社交平台上主力球员的讨论热度、主场城市的人口规模，以及这支球队上一次进入决赛是多少年前。一支多年没有冠军的球队，一旦夺冠，释放的是积累多年的购买意愿，需求可能远超一支常年争冠的球队。
赛事本身也会影响需求结构：决赛在主场还是客场、是否有全国直播、赛后是否会有城市庆典。模拟案例中，决赛在主场进行，球队上一次夺冠是14年前，这两个因素都会显著放大夺冠情景下的需求。
把结局拆成情景：输球、夺冠和“夺冠加绝杀”的需求区间
Demand Model 不输出单一预测值，而是给出几种结局下的需求区间。模拟案例的估算如下：
- 输掉决赛：决赛周需求约0.8万到1.2万件，之后两周回落到常规水平；
- 夺冠：赛后三周累计需求约4万到6万件，其中前10天占七成；
- 夺冠且某位球员成为焦点：总量与夺冠情景接近，但该球员号码的占比从平时的15%上升到35%以上。
赛前根据双方实力和盘口信息，模型估计夺冠概率约为45%。这个概率只是参考，需要由商品负责人结合对球队状态的判断复核。
用大白话讲报童模型：少备一件和多备一件，哪个更疼
知道了需求区间，还要决定备货落在区间的哪个位置。零售业常用的报童模型思路可以用一句话概括：比较少备一件的损失和多备一件的损失，谁更大就往谁的反方向偏。
模拟数据中，一件球衣毛利约180元，这是少备一件的损失；赛季结束后清仓一件大约亏60元，这是多备一件的损失。180比60，缺货的代价是积压的三倍，因此备货应落在需求分布约75%的位置，而不是中间。换句话说，在四次类似决策中，只接受大约一次缺货。
但这个计算有个前提：多备的部分必须是“能打折卖掉”的货。如果印了冷门号码或者印了决赛专属字样，残值会更低，最优位置就要往下调。这也引出了下一步。
号码和尺码结构：总量对了，结构错了照样缺货
球衣不是一个商品，而是几十个号码乘以七八个尺码组成的上百个细分单品。总量备对了，如果热门号码的中码缺货、冷门号码的特大码堆积，结果依然是一边缺货一边积压。
模拟案例中，常规赛季前三个号码占总销量的42%，尺码分布以M和L为主，两者合计约55%。夺冠情景下，前三个号码的占比预计升到55%，尺码则略向大码偏移，因为临时购买的成年男性球迷比例上升。Forecast Model 会按每种情景输出号码和尺码的矩阵，而不是只调整总量。
对应到生产和库存：哪些现在做成品，哪些等赛果再印号
把以上计算落到行动上，关键在于区分确定的部分和不确定的部分。模拟方案是：
- 按输球情景的上限，生产1.2万件印好号码的成品，覆盖决赛周基本需求；
- 再生产约2.5万件未印号的空白球衣，存放在主场城市附近的区域仓作为 Safety Stock，赛后按实际热门号码在24到48小时内印号发货；
- 锁定工厂一周的追加产能和面料，作为夺冠情景上沿的保险，如果赛后需求超出预期，可在约14天内再交付2万件。
物流上也要提前安排：印号点最好设在区域仓内部或旁边，省去一次转运；线上订单从区域仓直发，门店补货则按BB体育模型给出的门店热度排序分两批送达，第一批在赛后第二天上午到店。
这样，输球情景下多出的主要是空白球衣，可以留到新赛季；夺冠情景下，需求最强的前10天有货可卖。这套安排的逻辑，与球衣卖断货为什么不一定值得庆祝中讨论的“按销售窗口倒推 Lead Time”是一致的。
模型可能在哪里出错，赛后怎么复盘
常见的误差包括：夺冠概率被赛前舆论带高；把往届缺货后的销量当作真实需求，导致区间下限偏低；忽略客队球迷在主场城市的购买；以及赛后庆典带来的交通管制拖慢印号后的配送。
复盘时建议记录窗口内满足率、各号码和尺码的缺货时长、空白球衣的转化比例和剩余库存的折扣率。BB体育在项目中会把这些数据回写到下一次决赛的模型参数里，而不是只在报告里总结经验。更多供应链方向的方法可以在体育供应链AI栏目中查看。
决赛前备多少球衣，没有一个永远正确的数字。可以做到的是：让团队在比赛开始前就知道每种结局下会缺多少、剩多少、亏多少，并且提前准备好应对的产能和库存。这也是BB体育AI在球衣预测上想解决的问题。
