新品冷启动：没有历史数据怎么预测？我用聚类+迁移学习解决了
当一款新产品上架，没有任何销售历史时，如何预测它的未来销量？我用聚类分析和迁移学习，让新品预测准确率达到老品的80%
一、新品预测的困境
做零售的朋友都遇到过这个头疼的问题：
老品：有历史销量数据，可以用时间序列或机器学习模型预测，准确率能做到85%以上。
新品：刚刚上架，历史数据为0。老板问“第一批该进多少货？”你只能拍脑袋或者参考同类竞品。结果往往是：要么积压，要么断货。
我之前开发的销量预测API依赖历史数据（至少30天），但客户问我：“新商品怎么办？”
这个问题让我思考了很长时间。最终，我找到了一个实用的解决方案：聚类 + 迁移学习。
二、核心思路：借力相似老品
新品虽然没有自己的历史，但它一定属于某个品类，并且和某些老品具有相似的特征（价格带、目标人群、季节性等）。
我的方法分为三步：
- 对老品进行聚类：根据商品的静态属性（价格、品类、供应商、毛利率等）将老品分成若干类。
- 找到新品的“邻居”：计算新品与每个聚类中心的距离，归属到最相似的一类。
- 迁移学习：将同类老品的销量模式（如周度季节性、促销响应系数）迁移到新品上，再结合行业基准
三、技术实现（简化版）
以下是用 Python 实现的核心代码（完整版已集成到我的 API 中）。
- 老品聚类（离线训练）
importpandasaspdfromsklearn.clusterimportKMeansfromsklearn.preprocessingimportStandardScalerimportjoblib# 假设已有老品静态特征表：price, category_encoded, gross_margin, seasonality_score...features=['price','category_encoded','gross_margin','seasonality_score']X=df_old_products[features].values scaler=StandardScaler()X_scaled=scaler.fit_transform(X)kmeans=KMeans(n_clusters=8,random_state=42)df_old_products['cluster']=kmeans.fit_predict(X_scaled)# 保存聚类模型和 scalerjoblib.dump(kmeans,'kmeans_model.pkl')joblib.dump(scaler,'scaler.pkl')- 新品归属预测
defpredict_new_product_cluster(new_product_features):scaler=joblib.load('scaler.pkl')kmeans=joblib.load('kmeans_model.pkl')X_new=scaler.transform([new_product_features])cluster=kmeans.predict(X_new)[0]returncluster- 迁移销量模式
假设同类老品的平均周销量曲线为 [12, 15, 18, 22, 25, 23, 20]（周一至周日）。新品初始销量预测为同类老品首周均值的 60%（保守估计），然后按该曲线分配：
deftransfer_sales_pattern(cluster,base_sales=100):# 从数据库获取该聚类的典型周模式weekly_pattern=get_weekly_pattern_by_cluster(cluster)# 例如 [0.08, 0.10, 0.12, 0.15, 0.18, 0.20, 0.17]daily_sales=[base_sales*pforpinweekly_pattern]returndaily_sales 四、实战效果 我将这个方法应用到一个拥有1200个 SKU 的便利店数据集中： · 测试集：30款真实新品（已销售8周，用于验证） · 基准：店长凭经验预估（平均绝对百分比误差 MAPE=58%） · 我们的方法：MAPE=24%，准确率提升34个百分点 虽然比不上老品预测（MAPE~15%），但对于完全没有历史的新品来说，已经非常有实用价值。 五、如何在你的业务中使用？ 我已经将这个功能集成到了我的 销量预测 API 中。现在调用时，你只需要：1.传入新品的静态属性（价格、品类编码、毛利率等）2.选择预测模式为"cold_start"3.API 自动返回未来7天的销量预测（基于聚类迁移） 调用示例 ```pythonimportrequestsimportjson url="http://39.97.61.94:5000/predict_coldstart"# 新品预测专用接口data={"product_type":"饮料","price":5.5,"category_id":103,"gross_margin":0.25,"seasonality":"summer"}headers={"Content-Type":"application/json"}response=requests.post(url,json=data)print(response.json())返回结果示例：
{"predicted_first_week_sales":[12,15,18,22,25,23,20],"total_week1":135,"confidence_level":"medium","method":"clustering_transfer"}六、免费试用
目前我的 API 提供 500 次免费调用（包含新品预测和老品预测）。你可以：
· 访问官网：http://retail-forecast.oss-cn-beijing.aliyuncs.com/
· 获取 API 密钥，运行上面的代码，测试你自己的商品数据。
七、下一步计划
· 加入贝叶斯更新：随着新品积累真实销售数据，动态修正预测（从第二周开始逐步切换到个性化模型）。
· 支持多门店迁移：如果新品已在其他门店销售，可直接跨店迁移模式。
如果你对聚类迁移学习感兴趣，或者想探讨更多零售预测问题，欢迎在评论区留言，或加入我们的技术交流群
作者简介
算法工程师，专注零售 AI 落地。这个 API 源于帮朋友解决库存问题的实践，希望能帮到更多中小商家。
本文首发于 CSDN，原创技术分享，欢迎转载但请注明出处。