大促前两周，业务老大拍板：下周三全仓总量预期 340 万到 360 万之间，这是他从去年同期的经验里估出来的。同一天，模型输出的数字是 392 万。
差了近 10%。接下来怎么办？我在评审会上听过三种答案，每一种听起来都很有道理，每一种都是错的。
三个直觉做法，三个坑
做法一：乘个系数缩回去。 392 万乘 0.89，变成 349 万，落进区间，皆大欢喜。问题在于业务的 340~360 本身就是估出来的，自带几个点的噪声，乘系数等于把这个噪声放大后写进每一条预测曲线。更麻烦的是，同一个系数压下来，SKU 结构、周内形状全被拧了一遍：总量”对了”，结构”坏了”，下游补货拿到的是一条看似正常、实则变形的曲线。
做法二：解一组权重，让几个模型的组合精确命中区间中位数。 这是最危险的一个。第一，区间中位数是业务拍的估计值，让权重去精确命中它，等于让算法把锚点的噪声当真理学进去；第二，10 个模型凑 1 个目标值，权重解有无穷多组，今天 (0.6, 0.4, 0)，明天锚点微调就变成 (0, 0.3, 0.7)，下游看到的是毫无意义的乱跳；第三，未来 14 天逐日都要命中，一套权重对 14 个约束，数学上根本就无解。
做法三：别折腾了，每天直接用历史准确率最高的模型。 上一篇说过，模型池里准确率差距不到 1 个点时，排名基本是噪声。每天按噪声切换，生效模型频繁跳动，下游补货看到的全是抖动，没有收益。
正确的位置：当筛子，不当靶子
这三条路有一个共同的错误：把业务拍的数当成了”目标”，让系统想方设法去命中它。
我们的做法是把这句话反过来：锚点只能当约束用，不能当目标用。 它只回答一个问题——这个模型可不可用，它不修改任何数字。
落到机制上是一条流水线：
- 业务经验变成区间。不拍点，拍区间，因为业务脑子里的经验天然就是个分布：“过去的周三，九成落在 330 万到 360 万。“让人拍一个精确值，是人为制造不存在的精度。
- 准入。准确率过线（比如 68%）的模型才有资格进池，这条线和团队现行考核一致，不新造标准。
- 修剪。预测落在区间外的模型，当天剔除出候选。注意，是剔除，不是修正。
- 组合。入围的模型等权平均。三个模型给 342、348、355，输出就是 348.3。为什么不选得分最高的那一个？因为只要各模型的误差不完全相关，平均之后的误差方差必然低于任何一个单模型，这是 1969 年就被证明的结论。等权平均听着朴素，几十年的文献里它稳定打败各种精巧的加权方法，花哨权重赢它的幅度，通常还不够补偿权重估计本身的误差。
- 防抖。新候选的得分要超过现任一定幅度才切换，避免追着噪声天天换模型。
- 兜底。如果所有模型都落在区间外，不自动纠正，取离区间最近的那个保生产，同时告警，把判断权交还给人。全体出区间是强信号：要么模型池集体失效，要么锚点拍错了，这两种情况都不该由机器自作主张。
还有一条容易被挑战的规定：大促、极端天气这类日子，机制整体暂停，人工直定，当天的数据单独标记，不进区间样本也不进准确率评估。因为这些日子历史分布和模型评估同时失效，机制硬上只会制造一种”伪精确的干预”。
这套思路和今天的 AI 是同一个道理
组合预测不是什么新概念，但这两年它在 AI 圈重新火了一遍：混合专家模型按输入路由到不同子网络，多模型系统按场景选择不同的 LLM，思想内核是一样的——不赌单一模型，让误差互相对冲。
更值得说的是”经验注入”这件事。现在人人都想把自己的业务 know-how 灌进 AI 系统，主流做法是微调、是奖励函数、是提示词里的硬要求。这些做法本质上都是把经验当”目标”喂进去，模型会想方设法迎合它，包括用你看不出来的方式凑数。我们的实践给出了另一个答案：让经验去定义边界，而不是定义终点。 约束错了，代价是候选集变小，有告警兜底；目标错了，错误直接写进输出，而且看起来一切正常。这个区别，在做 Agent 护栏、做模型安全边界的人看来应该很眼熟，是同一个道理。
机制上线那天，业务老大问：那我拍的数到底有什么用？我说：你拍的还是全公司最重要的数，只不过它现在的角色是裁判，不是运动员。
附录：动态模型选择机制速查表
设计红线：业务锚点区间只作约束（constraint），不作目标（target）。作约束，锚点噪声只影响筛选边界，错了有告警兜底；作目标，噪声直接写进输出，且无告警可发现。
机制流水线
M1 锚点区间构造 → M2 准入 → M3 区间修剪 → M4 组合输出 → M5 防抖 → M6 兜底告警
- M1：历史同期用相对值口径——当日销量 ÷ 前后 4 周均值，算比率的经验分位数区间，再乘回当前基准。大促/节假日/极端天气/缺货日样本剔除。绝对值口径会把增长趋势错算成波动。
- M2：准入线 = 准确率 ≥ 68%（与团队现行考核一致，可参化）。无人入围时逐 1pp 下调并告警，不静默取最高。
- M3：预测值落在锚点区间外 → 当日剔除该模型。
- M4：入围模型等权平均（可升级 trimmed mean）。理论依据：误差不完全相关时组合方差必低于任一成分模型（Bates & Granger, 1969）。
- M5：新候选得分超现任一定幅度才切换；确认值微调小于阈值不重算。
- M6：全体出区间 → 取距区间最近模型保生产 + 告警，人工当天可直定。
暂停机制：大促、节假日、极端天气日，机制停用 → 业务+算法人工直定 → 当日数据单独标记，不进区间样本与准确率评估。
供应链实战系列 · 第 02 篇 · 卷一「预测篇」｜ 上篇：如何做一个能生产的预测 ｜ 下篇：如何做补货 文中数字均为 DEMO 示意，非真实业务数据。