您的位置首页 >人工智能 >

LikeShop 单商户高级版 AI 智能补货预测与库存自动调整二开实战教程

这套二开方案针对 LikeShop 单商户高级版原生库存预警 "滞后、静态" 两个短板,把固定stock_alarm阈值的被动提醒,升级为基于历史销量时间序列预测的智能补货体系:PHP 侧从订单表抽取近 90 天日销量并标记缺货日期,调用 Python Prophet 预测服务输出未来需求与置信区间,再按交期、服务水平计算安全库存和补货点,最终通过 LikeShop 原有定时任务每天凌晨跑一次,默认只写入补货建议供运营确认,开启开关后才自动更新stock_alarm预警值。整个方案遵循 "扩展优先" 原则,新增独立预测表、配置表、预测服务和定时子任务,不改订单与商品核心扣减逻辑,库存扣减的原子条件更新和流水记录机制保持原样,兼顾预测智能性与交易稳定性。落地时需要守住三条底线:预测任务每天分批跑一次而非实时全量训练;自动调整只改预警阈值、绝不直接改实际stock库存;缺货截断期的 0 销量必须从训练数据中剔除,避免模型把供给中断误判成需求低迷。

一、原生库存预警的两个短板

问题具体表现业务后果
预警滞后库存跌破stock_alarm才在后台标红提醒,叠加补货周期和供应商交期,往往错过销售窗口畅销品断货,错失转化
阈值静态stock_alarm是人工设置的固定值,不随销量波动、季节变化、大促节奏调整淡季值用到旺季不够用,或淡季阈值过高造成积压

二开目标:从 "静态预警 + 人工判断" 升级为 "AI 预测 + 自动建议 + 可配置自动调整",数据来源为ls_order和ls_order_goods订单表,预测对象覆盖全站 SKU(单商户版无商户维度,不需要shop_id过滤)。

二、整体架构:预测链路与执行链路分离

1. 两条链路分工

链路性质流程
预测链路(离线 / 准实时)重计算,异步定时任务触发 → 抽取历史销量 → 调用 Python Prophet 服务 → 返回未来 N 天需求预测与置信区间 → 计算安全库存、补货点 → 写入预测结果表
执行链路(在线 / 轻量)轻操作,同步后台查看补货建议 → 运营确认后触发调整(更新stock_alarm或生成采购单);自动模式下由定时任务直接执行阈值更新

两条链路通过预测结果表解耦,预测慢一点不影响下单交易。

2. 代码分层归属

LikeShop 后端遵循 Controller → Service → Logic → Model 分层:

  • 新增的 ForecastService、ReplenishLogic 放在 app/common/ 下,供 adminapi 和定时任务共同调用。
  • 不改动 OrderLogic、GoodsLogic 的核心扣减逻辑。
  • 库存扣减原子性(WHERE stock >= num)和流水记录机制保持原样。

三、数据层:两张新增表

1. 预测结果表 ls_stock_forecast

存储每个 SKU 每次预测的输出:

字段含义
item_idSKU id,指向 ls_goods_shturl.(价格和库存的真正存储位置)
goods_id商品 id
forecast_date预测目标日期
predicted_sales预测销量
lower_bound / upper_bound置信区间下限、上限
safety_stock建议安全库存
reorder_point建议补货点
current_stock预测时当前库存
suggested_qty建议补货量
model_version预测模型版本
create_time创建时间

索引:idx_item_date(item_id, forecast_date),引擎 InnoDB,字符集 utf8mb4。

2. 补货配置表 ls_replenish_config

按 SKU 存储补货参数,item_id 建唯一键:

字段默认值含义
lead_time_days7供应商交期(天)
service_level0.95服务水平(95%)
auto_adjust0是否自动调整stock_alarm,默认关闭
forecast_days30预测天数
create_time / update_time—时间戳

auto_adjust 是风险开关:默认关闭,运营确认预测结果后再决定是否自动更新预警值,避免黑盒自动调整。

四、AI 预测引擎:Python 服务 + Prophet

1. 为什么选 Prophet 而不是简单移动平均

电商销量有三个典型特征:周季节性(工作日与周末差异)、趋势变化(新品爬坡、老品衰退)、异常值(大促、缺货截断)。简单移动平均处理不了这些模式;Prophet 内置趋势、周季节性、年度季节性分解,对缺失值和异常值鲁棒性较好。

2. 技术栈分离

LikeShop 是 PHP 技术栈,不在 PHP 进程内跑时间序列模型,采用 PHP + Python 微服务分离:

  • PHP:数据抽取、业务编排、结果落库。
  • Python:模型训练与预测。
  • 通信:HTTP 接口或消息队列。

3. Python 预测服务要点

/forecast 接口接收 SKU 历史日销量数组、缺货日期列表、预测天数,返回未来 N 天的 ds / yhat / yhat_lower / yhat_upper。

  • 模型参数:yearly_seasonality=True、weekly_seasonality=True、daily_seasonality=False、changepoint_prior_scale=0.05(电商数据变化快,适度敏感)。
  • 缺货截断处理是准确性关键:库存为 0 且当天仍在上架的日期,销量 0 不是需求为 0 而是供给为 0,要作为缺失值(y=None)剔除;不剔除会让模型误判为需求低谷,预测系统性偏低。

4. PHP 侧数据抽取

app/common/logic/ForecastLogic.php 职责:

  • 按日聚合订单商品表销量,仅统计已完成 / 已支付订单(order_status 取有效状态)。
  • 补齐无销量日期,缺失日期补 0。
  • 从库存流水表提取 stock_after=0 的日期作为 shortage_dates 传给 Python。
  • 若当前版本未内置完整库存流水,建议二开补一张 goods_item_stock_log,同时服务缺货标记与后续库存审计对账。

五、补货点与安全库存计算

1. 经典库存公式

  • 补货点 Reorder Point = 交期内平均需求 + 安全库存
  • 安全库存 Safety Stock = Z × 日需求标准差 × √交期
  • Z 为服务水平对应的正态分位数:95% → 1.65,98% → 2.05,99% → 2.33,默认其他取 1.28
  • 建议补货量 = 目标库存(预测期需求 + 安全库存) − 当前库存,结果不小于 0

2. 计算逻辑(ReplenishLogic.php)

输入来源
avgDailyDemand预测序列交期内均值(或历史窗口统计量,二开可选)
stdDailyDemand预测序列日需求标准差
leadTimeDays配置表交期
serviceLevel配置表服务水平
currentStock读取 ls_goods_item.stock

输出:safety_stock、reorder_point、suggested_qty,数值向上取整;补货点算为 0 时跳过写入,不用 0 覆盖原有预警值。

六、接入 LikeShop 定时任务

1. 任务注册方式

LikeShop 单商户高级版定时任务由统一命令 php think crontab 每分钟执行,子任务在后台「系统设置 → 系统维护 → 定时任务」中配置开关。AI 补货任务作为新增子任务注册,不另起服务器 Crontab。

2. 任务类流程(app/common/command/StockForecast.php)

  1. 分批取 SKU:状态上架、库存排除异常值,每批 50 个,避免一次全量拖垮服务。
  2. 读取该 SKU 补货配置,未配置则跳过。
  3. 抽取历史销量与缺货日期,调用预测服务。
  4. 计算均值、标准差,套用补货公式。
  5. 写入 ls_stock_forecast 预测结果。
  6. 仅当 auto_adjust=1 且补货点大于 0 时,更新 ls_goods_item.stock_alarm。
  7. 单个 SKU 异常写错误日志,不中断整批任务。

3. 执行周期

建议每天凌晨一次(如 0 3 ),不按每分钟跑:Prophet 训练是秒级重操作,全量 SKU 每分钟执行会耗尽 CPU,补货决策按天节奏即可覆盖。

七、库存自动调整的两种模式

模式auto_adjust 取值系统行为适用阶段
建议模式(默认)0只写预测结果表,不改 stock_alarm;后台「AI 补货建议」页展示当前库存、预测需求、补货点、建议补货量,运营勾选后手动点 "应用"上线初期,观察模型准确度、积累信任
自动模式1计算完成后直接把 stock_alarm 更新为建议补货点模型准确率经过验证后逐步开启

必须守住的边界:自动调整的是预警阈值,不是实际库存;系统不自动生成采购单、不修改 stock 字段。stock 是交易链路扣减依据,自动改动会绕过库存流水和原子扣减机制,带来账实不符和超卖风险。实际入库仍走人工或采购流程。

八、二开避坑清单

序号坑点正确做法
1用全量历史数据训练,两年前销量拉偏趋势只用最近 90~180 天数据,并剔除缺货截断期
2缺货期 0 销量未剔除,预测系统性偏低把 "库存为 0 且仍在架" 日期标记为缺失,不当 0 需求
3自动调整直接改 stock 而非 stock_alarm只能动预警阈值,库存变动必须走原有 Service 与流水
4定时任务每分钟跑预测,耗尽 CPU每天一次、分批处理
5没配 auto_adjust 开关就上线自动调整初期人工确认,准确率验证后再逐步开自动模式
6补货点算成 0 覆盖原预警值reorder_point 为 0 时跳过写入,保留原有阈值

九、上线验收与后续迭代

  1. 数据核对:抽一批快销、平销、滞销 SKU,对比预测销量与实际销量,记录绝对误差。
  2. 阈值复核:检查写入的 stock_alarm 是否在合理区间,异常低值人工回滚。
  3. 流水对账:确认库存变动全部有流水记录,预测表与商品表库存口径一致。
  4. 模型迭代:积累几个大促周期后,再评估是否引入促销因子、新品冷启动规则或替换预测算法。
  5. 权限与审计:后台补货建议页区分查看、应用、自动调整权限,操作留痕。

【常见问题】

问题 1:LikeShop 单商户高级版做 AI 智能补货预测,为什么要把预测链路和执行链路分开?

回答 1:预测链路是重计算,需要抽取历史销量、跑 Prophet 模型、算安全库存和补货点,适合离线 / 准实时分批异步执行;执行链路是轻操作,后台查看建议、确认调整或更新阈值,走同步流程。两条链路通过 ls_stock_forecast 预测结果表解耦,预测慢或失败都不影响线上下单交易,这也是 LikeShop 二开 "扩展优先、不碰核心扣减逻辑" 原则的落地方式。

问题 2:LikeShop 二开的 AI 补货预测用什么模型,历史销量数据怎么取?

回答 2:方案采用 Python + Prophet 时间序列模型,PHP 侧从 ls_order 和 ls_order_goods 抽取近 90 天日销量,仅统计已完成 / 已支付订单,补齐缺失日期;同时从库存流水表标记 "库存为 0 且仍在架" 的缺货日期作为 shortage_dates 传给预测服务,避免缺货 0 销量被误判为需求低谷。PHP 负责数据抽取和业务编排,Python 负责训练预测,两者通过 HTTP 或消息队列通信。

问题 3:库存自动调整二开里,自动模式改的是实际库存还是预警阈值?

回答 3:自动模式只更新 ls_goods_item.stock_alarm 预警阈值,不修改实际 stock 库存,也不自动生成采购单。auto_adjust=1 时定时任务把补货点写回预警值;实际入库仍走人工或采购流程。这样设计是为了不绕过 LikeShop 的库存原子扣减(WHERE stock >= num)和流水记录机制,防止账实不符和超卖。

问题 4:LikeShop 智能补货预测的补货点和安全库存是怎么算出来的?

回答 4:补货点 = 交期内平均需求 + 安全库存;安全库存 = Z × 日需求标准差 × √交期,Z 按服务水平取值(95% 对应 1.65、98% 对应 2.05、99% 对应 2.33);建议补货量 = 目标库存(预测期需求 + 安全库存) − 当前库存,不小于 0。交期、服务水平、预测天数存在 ls_replenish_config 配置表中,均值和标准差从预测销量序列计算。

问题 5:LikeShop 补货预测定时任务多久跑一次,上线初期为什么默认不开自动调整?

回答 5:预测任务注册进 LikeShop 原有 php think crontab 子任务体系,建议每天凌晨一次、每批 50 个 SKU 分批处理,不按每分钟执行。上线初期 auto_adjust 默认关闭,只写补货建议由运营人工确认;AI 预测存在误差,需要先观察模型准确率、积累信任,验证稳定后再逐步开启自动更新 stock_alarm,且补货点算为 0 时跳过写入,不用 0 覆盖原有预警值。

【参考资料】

  • [2026-11-16](2026 实战:LikeShop 单商户高级版 AI 智能补货预测与库存自动调整二开教程)阿里云开发者社区
  • [2026-11-11](LikeShop 多商户标准版商家经营数据体系建设:销量自动统计与库存预警二开实践)腾讯云开发者社区
  • [2026-10-20](LikeShop 单商户标准版商品管理二开:分类、SKU 规格与库存联动实现)腾讯云开发者社区
  • [2026-10-19](一次超卖 37 件的复盘:LikeShop 单商户高级版 SKU 体系的规格映射、库存扣减与并发)CSDN 博客

【免责声明】

本文为 LikeShop 单商户高级版二次开发技术方案梳理,表名、字段名、代码结构以你手上的实际版本数据库字典和源码为准,不同小版本可能存在字段差异;文中 SQL、类名、参数与公式为示意与工程参考,落地前请在测试环境完成数据核对、压力验证与回归测试。AI 补货预测准确率受历史数据质量、缺货标记完整性、品类季节性和促销节奏影响,自动调整阈值前应保留人工确认环节;本文不构成任何生产环境上线承诺,库存与采购决策请结合自身业务流程、供应链条件和财务规则评估。文中涉及的开源组件(Prophet、Flask 等)请遵循其对应许可证使用,LikeShop 及相关产品名称归各自权利人所有。

今日大家都在搜的词: