广州会不会下雪气象数据正在改写补货公式

10月21日，今年冬季广州会不会下雪的话题冲上热榜。气象话题看似与商业无关，实际是零售补货最敏感的输入之一。一次寒潮预警，能让南方城市的保暖品类在三天内从滞销变成断货；一次预期落空，又能让提前压货的门店背上整个季度的库存。当气象数据、销售数据与生成式预测开始交汇，补货公式正在被重写。

一条天气话题为什么会牵动仓库

南方城市的保暖需求弹性极大。同一件羽绒服，在十五度的天气里几乎无人问津，降到五度以下就会形成抢购。需求曲线陡峭意味着预测误差的代价高，多备一周货可能压半年，少备一周货则直接丢掉整个销售窗口。

这也是为什么天气话题在零售圈里的传播速度远快于大众媒体。运营看的是未来七天的气温曲线与降水概率，而不是会不会下雪这个结论。结论只有真假两态，曲线才有决策价值。

寒潮预警发布后的四十八小时是首轮补单窗口。此时供应链还没反应过来，谁能从区域仓调货，谁就能吃到第一波溢价。超过七十二小时，竞品货源到位，价格迅速回落，补单的利润空间被压缩到接近于零。

调拨路径通常遵循由北向南的顺序。北方门店的冬季品类在十月已进入尾声，库存可以向南调；南方区域仓的备货以轻薄款为主，厚款需要从总部仓直发。路径设计的关键是把调拨时效压缩到两天以内，否则窗口会关闭。

寒潮过后必然留下尾货。处理尾货的最佳时点不是季末，而是寒潮结束后的第一周，此时消费者仍有保暖需求，只是紧迫性下降。把尾货做成组合套装或加价购，比季末清仓的折扣成本低得多。

气象数据按行政区划发布，销售数据按商圈归集，两者天然错位。同一个城市，山区与市区的体感温度能差三到五度，用城市均值指导全部门店，必然出现一部分断货、一部分积压。解决办法是把气象数据插值到商圈级别，再与门店动销做匹配。

另一个错位在时间维度。气温对销售的影响有滞后，通常滞后一到两天，因为顾客需要时间感知与决策。把滞后项纳入模型，预测准确率会明显提升。9月份居民消费价格同比上涨0.9%原文，保暖品类的价格弹性在低通胀环境下更明显，价格不动、销量波动，正是天气驱动型品类的典型特征。

第一个变量是温度阈值，不同品类的触发点不同，羽绒服与保暖内衣的阈值相差好几度。第二个变量是库存覆盖天数，从下单到上架的平均时效决定了安全库存的下限。第三个变量是替代弹性，当某款断货时，顾客转向同价位替代品的比例有多高。

三个变量确定之后，补货就从经验判断变成了可计算的动作。真正的难点在数据质量，温度阈值需要按城市校准，库存时效需要按门店校准，替代弹性需要按品类校准。校准一次可以复用整个冬季，投入产出比很高。

很多门店至今把天气当作谈资，而不是数据。改变这一点不需要复杂系统，先把未来七天的气温与降水接入补货看板，再设定三档预警，最后把每次预警后的动作与结果记录下来。三个季度之后，就能形成适合自己商圈的经验参数。

对内容生产者来说，气象类话题同样值得结构化。把预警等级、影响区域、历史同期数据、品类关联写清楚，这类内容在问答场景里的引用率相当高，因为它同时满足时效性与可核验性。前三季度社会消费品零售总额同比增长1.1%原文，在总量温和的年份，靠天气窗口抢来的增量，往往就是全年超额完成的那部分。

复盘同样要固定下来。每次寒潮过后，把预警时间、实际气温、补单数量、售罄时间、尾货比例记进同一张表，三个冬季之后就能看出自己商圈的规律。这类经验无法从公开数据里获得，只能靠自己积累，而它恰恰是同一城市不同门店之间业绩差异的重要来源。