销售过程不可见
公开页面只有“当前库存”，没有商品级历史成交记录。
DATA SCIENCE · SUPPLY CHAIN · SUSTAINABILITY
把不可见的
临期库存流转
变成可行动的决策
独立搭建“数据采集—销量推算—建模分析—效能评价”全流程，重构食品救援平台的销售过程，并回答三个业务问题：什么在卖、何时卖得快、平台创造了多少价值？
pipeline_overview.py
LIVEOBSERVATION COVERAGE
4 CITIES CONNECTED
0商品-时刻记录
0连续观测天数
0每日标准快照
› inventory_delta → sales_estimate success
PYTHON CRAWLER ✦ INVENTORY DIFFERENCING ✦ RANDOM FOREST ✦ K-MEANS ✦ SURVIVAL ANALYSIS ✦ SROI ✦ PYTHON CRAWLER ✦ INVENTORY DIFFERENCING ✦
01 / THE PROBLEM
平台展示库存，
却不公开历史订单。
没有订单明细，就无法直接判断商品是否售出，更无法量化平台减少了多少浪费。
动销规律难识别
折扣、品类、库存与城市节奏共同作用，经验判断容易失真。
平台价值难量化
“减少浪费”缺少环境、经济、运营与社会价值的统一账本。
02 / THE APPROACH
用连续快照，
重建一笔“看不见的订单”
将动态库存转化为可分析的销售事件：同一商品相邻时点库存下降，即视为该时间窗内发生销售；补货造成的负差分统一截断为 0。
01
高频采集
四城市、83 家门店
08:30—22:30
→
02
时序宽表
按 item_id 对齐
每日 8 个库存节点
→
03
销量推算
Salest = max(0,
Stockt − Stockt+1)
→
04
建模评价
预测、聚类、回归
生存分析与 SROI
识别假设 库存减少主要来自消费者购买；结果是基于高频库存变化的稳健估计，而非平台官方成交数据。
Pythonpandasscikit-learnstatsmodelslifelines
03 / KEY INSIGHTS
数据没有证明“越便宜越好”
真正可执行的结论，来自折扣、品类、库存规模与城市节奏的交叉验证。
01 · PRICING阈值效应
只有超高折扣，
才显著加速售罄
<30%1.00×
30–50%0.96×
50–70%1.05×
>70%2.11×
整体折扣率与售罄率仅弱相关（Pearson r = 0.1945）；但折扣超过 70% 后，售罄速率跃升至低折扣组的 2.107 倍。
02 · PREDICTION模型表现
预测“卖多少”，
也识别“会不会滞销”
0.839随机森林
测试集 R²
测试集 R²
0.913Logistic
分类 AUC
分类 AUC
绝对价格影响较弱；初始库存与反映滞销的曝光时长才是更关键的动销信号。
03 · TIMING城市异质性
同一套运营节奏，
不适合所有城市
芝加哥与底特律呈现晚餐高峰型，18:30—20:30 的消耗占比达到 57.27%。
04 · CATEGORY品类杠杆
销量最多的品类，
不一定减排最多
品类销量占比碳减排占比
肉类
果蔬
其他
肉类仅占约 20.4% 销量，却贡献 64.8% 的碳减排。环境效益优化不能只追求总销量。
04 / MEASURABLE IMPACT
把“减少浪费”
换算成一张价值账单
从环境、经济、运营与社会四个维度，将抽象的平台价值变成可核验、可比较的指标。
避免的食物浪费
CO₂e 温室气体减排
零售商挽回收入
消费者节省支出
SROI2.36
每投入 1 美元折扣成本
创造 2.36 美元综合社会价值
消费者福利零售商回收碳减排价值其他社会价值
注：SROI 将消费者节省、零售商增量收入、碳减排、垃圾处理节省与社会福祉进行货币化整合。
05 / FROM INSIGHT TO ACTION
模型的终点，是更好的运营动作
从统一半价转向
分品类动态折扣
熟食对折扣更敏感，可积极降价；肉类需求相对稳定，避免不必要让利；对长期滞销商品设置 >70% 的临界折扣。
01高频、小批量，
降低库存压力
大批量上架会显著拉长消化周期。用“脉冲式”小批量补货替代一次性堆量，保持商品列表的新鲜感。
02一城一策，
卡准消费峰值
美国中西部在晚餐前完成盘点；多伦多与温哥华加强午间和深夜批次，让供给节奏贴近城市生活节奏。
03给高碳品类
更高展示权重
在首页推荐、搜索排序与推送中优先高碳排放密度食品，使每一笔救援交易创造更大的环境价值。
04