速读结论 · 教育渠道 2026 下半年销量预测与备货建议

不建议按 +50% 备货。下半年预计 16.1万台，同比 +5.1%

比上半年多 36%，来自返校季的季节性和 toB 上半年积压项目的交付，不是业务增长。“+50%” 目标还差 1.6万台，数据里找不到来源，模型模拟的达成概率 < 1%。建议按产品线 × 季度分批备货。

面向：渠道规划负责人 · 数据截至 2026-06-30 · 预测期 2026-07-01 至 12-31 · 销量默认指净销量（卖出 − 退货）· 所有数字由 pipeline_code.py 自动生成
下半年预测（P50）
16.1万台
区间 15.2万–16.9万 · 同比 +5.1%
会上提议 +50% 目标
17.7万台
比预测多 1.6万 · 达成概率 < 1%
建议首批备货
14.1万台
达到触发条件后最多加到 17.5万 · 需扣减现有库存
如果按 +50% 备货
多备 1.6万台
对比预测需求，主要是配件 1.0万、iPad 0.5万

从上半年 11.8万台到下半年 16.1万台：toC 季节性 +2.4万，toB 积压回补 +1.9万。离 +50% 还差的 1.6万 没有数据支撑。鼠标悬停可以看每一段的说明。

过去十个季度，toC（紫色）每年走势几乎一样：Q3 最高、Q1 最低。toB（绿色）在 2026 年上半年偏低，下半年会回补。浅色柱是预测，黑色误差线表示 80% 的可能落在这个范围内。

统一 +50% 在不同产品线上偏差方向不同。Mac 有 toB 回补，+50% 和预测差不多（只多 1,047 台）。iPad 和配件主要靠门店，按 +50% 备货会分别多备 5,244 台和 9,629 台。（毛销量口径，用于备货）

四个关键判断

1下半年多卖，不等于增长

门店每年下半年都比上半年多卖约 27%，原因是返校季和迎新周。按同比看，门店已经连续三个半年持平（0.0% / +0.5% / -1.1%）。

依据

拿下半年比上半年，比较基准就选错了。toC 每年都天然多卖约 27%；按同比看，toC 过去三个半年基本持平。10 家门店全期都在营业，每 100 个客流的成交量也没有趋势性变化。详见「toC 校园店」。

2toB 回升是积压回补，不是放量

toB 下半年同比 +18%，但上半年只交付了 3.1万台。按全年看，2026 年 toB 约 8.1万台，比 2025 年还低 17%。

依据

截至 6 月 30 日，在手管道有 4.8万台，按阶段打折后期望交付约 3.2万台。交付平均比期望日晚 50 天，所以约 83% 会在 Q3 落地。此外，历史上每年下半年还有约 1.7万–1.9万台来自 7 月以后才报备的新项目。详见「toB 学校项目」。

3政策利好还没体现在数据里

上半年 toB 报备量同比 +6.6%，其中「中央专项」报备量和去年同期持平。政策就算放量，从报备到交付中位约 3.5 个月，主要会影响 Q4 末和 2027 年。

依据

「中央专项贷款」报备量：2025H1 14,143 台 → 2026H1 14,048 台。上一次「中央专项」集中报备出现在 2024H2（29,678 台），带来 2025Q1 的交付高峰，之后回落。所以政策只作为上行情景，并设了触发条件（见下方行动 3）。

4各产品线不能一刀切

Mac 的下半年需求约 51% 来自 toB，配件只有 18%。统一 +50% 对 Mac 基本合适，对 iPad 和配件会造成积压。

依据

Mac 按 +50% 备货，比预测需求只多 1,047 台；iPad 和配件分别多 5,244 台和 9,629 台。如果把 +50% 理解为同比，全渠道会多出约 6.9万台。详见「“+50%” 对比」。

建议与需要的决定

  1. 不采纳统一 +50%，改为按产品线 × 季度分批备货。首批 Q3 8.96万台、Q4 5.16万台。门店的 Q3 按偏高情景（P80）备，因为返校季断货的损失挽回不了；toB 只备已签约和已中标的项目。
    季度 首批备货（先下单） 弹性预案（触发后加） 上限
    Q3（7–9 月） 8.96万 0.97万 9.93万
    Q4（10–12 月） 5.16万 2.41万 7.57万
    下半年合计 14.12万 3.38万 17.50万
    → 查看各产品线备货明细
  2. 请供应链提供现有库存、在途和补货周期。上面的数字是需求量，下单量 = 需求量 − 库存 − 在途。Q4 的 toB 需求约 2.2万台，其中约 1.7万台来自目前还没报备的新项目，所以 Q4 不宜一次性下单。如果补货周期较长，建议先和供应商约定可以调整的产能窗口。
  3. 按月复盘四个触发条件，再决定是否加量：7–8 月门店销售进度；Q3 中标转签约；Q3 新报备量（尤其「中央专项」）；以及进度低于 90% 时暂停补货。→ 触发条件明细

主要风险

toB 不确定性最大toB 区间 4.2万–5.6万。阶段概率是假设，历史回测偏差最高 20%。已签约的项目先备。
9 月 / 迎新周断货迎新周日均销量约为常规日的 2.8 倍，所以 Q3 门店按 P80 备。
政策放量（上行）如果 Q3 新报备量比去年同期高 20% 以上，就上调 Q4 的 toB 备货。
↓ 往下是技术细节：数据口径、清洗、模型、回测、假设与限制、自查清单
技术细节（供追问时查阅）

备货明细（需求量，毛销量口径，单位：台）

季度 产品线 toC 首批 (Q3 按 P80 / Q4 按 P50) toB 已签约+已中标 (P50) 首批备货需求 弹性预案 (触发后释放) 需求上限 (首批+弹性)
Q3 Mac 12,005 8,215 20,220 3,644 23,864
Q3 iPad 19,772 7,996 27,768 3,178 30,946
Q3 配件 35,669 5,920 41,589 2,905 44,494
Q3 小计 67,447 22,131 89,578 9,727 99,305
Q4 Mac 8,379 1,362 9,740 9,979 19,719
Q4 iPad 14,168 1,181 15,349 7,092 22,440
Q4 配件 25,734 756 26,490 7,037 33,527
Q4 小计 48,280 3,298 51,579 24,108 75,687
注意：上表是需求量，不是下单量。实际下单量 = 需求量 − 现有库存 − 在途，这次数据里没有库存，需要供应链补上。
· 首批（共 141,157 台）：toC 的 Q3 按 P80 备，因为返校季断货的损失挽回不了；Q4 按 P50 备。toB 只备已签约和已中标项目的期望交付量。
· 弹性预案：意向项目、H2 新增项目，以及 toC 超出首批的上行空间。达到下方触发条件后再释放，全部释放后需求上限为 174,992 台。
· 各产品线、各季度的上限是分别计算后加总的，合计数偏保守（实际不会所有产品线同时达到上限）。

各产品线：预测 vs “+50%”

产品线 2025H2 实际 2026H1 实际 2026H2 预测 P50 同比 (vs 2025H2) 较 H1 按 +50% 备货的潜在积压（毛销量）
Mac 38,411 27,299 39,732 +3.4% +45.5% 1,047
iPad 46,475 36,041 48,791 +5.0% +35.4% 5,244
配件 68,351 54,702 72,413 +5.9% +32.4% 9,629

备货节奏：什么情况下加/减

盯什么 触发条件 动作
7–8 月 toC 实际销售进度 累计达到预测 P50 的 105% 以上 释放 toC 弹性预案（补到 P90）
Q3 toB 已中标 → 已签约转化 转化率高于假设 / 逾期项目集中交付 释放 toB 弹性预案中对应产品线
Q3 toB 新报备量（尤其「中央专项」） 较 2025Q3 增长 > 20% 上调 Q4 toB，启动政策上行情景
任一产品线 7–8 月进度 < 预测 P50 的 90% 需求偏弱 暂停该产品线 Q4 补货，消化库存

从上半年到下半年：三段拆解（净销量）

读法：从左到右依次累加，灰色柱是合计，虚线是会上提议的 +50% 目标。“toC 同比趋势与模型差异”是 toC 预测值，与“上半年 × 去年的季节系数”之间的差。

核心数据口径（大白话版）

名词 大白话解释 用在哪
下半年 / Q3 / Q4 2026 年 7 月 1 日 – 12 月 31 日；Q3 = 7–9 月，Q4 = 10–12 月 全部预测
毛销量 门店当天卖出去多少台，不扣退货 备货
净销量 卖出去的 − 退回来的 看业绩、做预测对比；报告里的“销量”默认指净销量
toB 交付量 学校项目真正交到学校手上的台数。数据里没有“实际交付数量”，用报备时申报的数量代替 toB 统计
项目阶段 意向 Lead = 学校刚表达意向；已中标 Tender_Won = 中标还没签合同；已签约 Contracted = 签了合同还没交货；Delivered = 已交货；Cancelled = 黄了 toB 管道
在手管道 截至 6 月 30 日，既没交货、也没黄的项目 toB 预测
交付率 已经有结果的项目里，最后真交货的比例（黄了的项目也算在分母里） 给管道打折
交付延迟 实际交货日比当初预计的晚了多少天 判断项目落在哪个季度
归期口径 toB 按“实际交货日期”算进哪个季度，不按报备日期 季度拆分
新增项目 7 月 1 日以后才报备、但年底前能交货的项目——现在还看不到，按历史规律估 toB 补足部分
同比 / 环比 同比 = 跟去年同一时期比（今年下半年 vs 去年下半年）；环比 = 跟上一个时期比（下半年 vs 上半年） 判断 +50%
季节性 下半年有返校季和迎新周，toC 每年都天然比上半年多卖约 27%——这不叫增长 判断 +50%
WAPE（预测误差） 每实际卖 100 台，预测总共偏差了几台 模型评估
偏差方向 预测整体是偏高（+）还是偏低（−） 模型评估
P10 / P50 / P80 / P90 P50 = 一半可能不超过这个数（最可能的情况）；P80 = 八成可能不超过；P10–P90 = 十次里有八次落在这个范围 备货区间

历史半年度数据一览（净销量，台）

半年 toC 净销量 toB 交付 合计 合计同比 toC 同比
2024H1 87,818 15,904 103,722 — —
2024H2 110,604 45,727 156,331 — —
2025H1 87,789 55,602 143,391 +38.2% 0.0%
2025H2 111,133 42,104 153,237 -2.0% +0.5%
2026H1 86,810 31,232 118,042 -17.7% -1.1%
2026H2 预测 (P50) 111,141 49,887 160,999 +5.1% 0.0%

2024H1 的 toB 数字偏低，是因为数据从 2024 年 1 月才开始记录，当时有一批项目还没走到交付。这一期不作为比较基准。

数据清洗与质检日志

三张表都逐项做了检查。结论是：原始数据整体很干净，真正的坑在口径和逻辑上。主要有四个：当日客流和退货在预测时拿不到，会造成数据泄露；在手管道里意向项目占比高，直接加总会虚高；交付普遍晚于期望日；季节性容易被误读成增长。“检查过、没问题”的项目也一并列出，方便追溯。

表 检查项 结果 处理
toC 行数 / 时间范围 27,360 行；2024-01-01 ~ 2026-06-30 —
toC 空值 0 个 无需处理
toC 重复 (日期×门店×产品线) 0 行 无需处理
toC 门店面板是否完整 每天门店数 10~10 家，全期无开/关店 同店口径 = 全量口径，不需按店数归一
toC 负数销量/退货 0 行 无需处理
toC 退货 > 当日销量 0 行 无需处理 (退货可能对应历史销售，保留)
toC 净销量 = 0 的行 308 行 (集中在寒暑假) 评估指标改用 WAPE，避免 MAPE 除零
toC 类别标签一致性 campus_region: 5 类; product_line: 3 类; promo_type: 4 类 无大小写/空格问题
toC 客流字段粒度 同店同日 3 条产品线客流取值数 = 1 客流是门店级，汇总时先按店去重，避免 ×3
toC 销量尖峰 (>5σ) 60 行，其中 47 行落在迎新周 真实需求，保留不截尾
toC 退货率 Accessories 1.9%；Mac 2.3%；iPad 3.9% 用于毛销量 ↔ 净销量换算
toB 行数 / 主键 1,850 行；project_id 重复 0 个 —
toB 申报数量范围 20 ~ 1,357，≤0 的 0 个 无需处理
toB 阶段与交付日期是否一致 已交付却无交付日 0 个；未交付却有交付日 0 个 无需处理
toB 实际交付 vs 期望交付 全部晚于期望日；中位 39 天，均值 50 天，P90 96 天，最长 327 天 预测落地季度时必须加上延迟
toB 同一学校层级是否唯一 360/398 所学校出现多个层级 层级视为项目属性；按层级的分析仅作参考
toB 疑似重复报备 (同校同产品同日) 3 对 数量极少，保留
toB 历史起点 首个交付 2024-03-08；2024H1 交付偏少是数据起点截断 2024H1 不作为比较基准
toB 实际交付数量字段 不存在 假设 交付量 = 申报数量 (假设 A5)
校历 日期连续性 912 天，2024-01-01 ~ 2026-06-30，缺失 0 天 —
校历 年度规律是否稳定 2024 vs 2025 同月同日差异 0 处 2026H2 按 2025 年同月同日沿用

toC 校园店：稳定的季节性，没有增长趋势

三年的月度曲线几乎重叠：3 月是开学季，9 月是返校和迎新周，这两个月是高峰；1–2 月和 7 月是寒暑假，处于低谷。10 家门店全期都在营业，没有新开店把数字做虚。每 100 个进店客流约成交 18–21 台，转化率也没有趋势性变化。图中 2026 预测区间按季度误差近似，仅作示意。

季节性 vs 同比（净销量）

产品线 H2/H1 2024 H2/H1 2025 同比 2025H1 同比 2025H2 同比 2026H1
Mac 1.23 倍 1.24 倍 -0.8% -0.2% -1.6%
iPad 1.27 倍 1.27 倍 -0.3% -0.2% -0.1%
配件 1.26 倍 1.27 倍 +0.3% +1.0% -1.5%

日历与活动效应（门店×产品线 日均净销量，相对“常规日”）

日历/活动 Mac iPad 配件
迎新周 2.88 倍 2.82 倍 2.76 倍
BTS 返校促销 1.85 倍 1.84 倍 1.80 倍
New_Term 开学季 2.02 倍 2.00 倍 1.98 倍
Holiday 节假日 1.17 倍 1.15 倍 1.15 倍
寒暑假(非学期) 0.52 倍 0.53 倍 0.52 倍
周末 1.31 倍 1.31 倍 1.31 倍

迎新周和返校促销（BTS）是 toC 最大的需求驱动，每年都会出现。所以它解释的是“下半年比上半年多”，不能解释“今年比去年多”。

toB 学校项目：下半年回升来自积压回补

在手管道（截至 2026-06-30，按阶段 × 产品线）

交付延迟分布（已交付项目）

阶段 项目数 申报量 交付概率假设 陈旧项目 期望交付量
意向 Lead 83 15,050 40% 0 6,020
已中标 Tender_Won 85 14,835 70% 0 10,384
已签约 Contracted 102 18,433 90% 15 15,354

在手管道的期望交付量约 3.2万台，这是按阶段打折后的数字。按历史延迟分布模拟，其中约 83% 会在 Q3 落地，落到 2027 年的只有约 410 台。另有 15 个已签约项目逾期超过 96 天，按“陈旧项目”处理，交付概率减半。

报备队列的交付率（按报备季度）

报备季度 项目数 申报量 已交付 已取消 在途 交付率(已结项) 交付率(按量,已结项)
2024Q1 181 30,604 120 61 0 66% 66%
2024Q2 206 35,759 139 67 0 67% 69%
2024Q3 197 37,378 133 64 0 68% 66%
2024Q4 184 43,804 127 57 0 69% 75%
2025Q1 186 31,091 122 64 0 66% 63%
2025Q2 169 28,405 110 59 0 65% 65%
2025Q3 193 35,173 133 60 0 69% 67%
2025Q4 178 31,807 109 68 1 62% 55%
2026Q1 177 31,468 50 29 98 63% 64%
2026Q2 179 31,964 0 8 171 0% 0%

历史上，已经有结果的项目里稳定约 67% 最终交付，按产品线、院校层级、资金来源分，差别都不大，见下表。2026 年报备的项目大多还在途，它们的交付率还没定型，所以不能直接用来判断风险高低。

交付率按维度拆分
维度 取值 交付率
产品线 配件 64%
产品线 Mac 66%
产品线 iPad 66%
院校层级 211 67%
院校层级 985 69%
院校层级 K12 58%
院校层级 普通本科 66%
院校层级 高职院校 66%
资金来源 中央专项贷款 70%
资金来源 地方财政 65%
资金来源 院校科研自筹 65%

H2 新增项目（7/1 以后报备、年内交付）的历史贡献

年份 H2 新报备且当年交付 占当年 H2 toB 交付 当年 H2 报备总量
2024H2 17,243 38% 81,182
2025H2 19,106 45% 66,980

政策信号：报备量按资金来源（台）

budget_source 报备半年 中央专项贷款 地方财政 院校科研自筹 合计
2024H1 14,374 31,365 20,624 66,363
2024H2 29,678 30,484 21,020 81,182
2025H1 14,143 27,184 18,169 59,496
2025H2 15,464 32,967 18,549 66,980
2026H1 14,048 28,445 20,939 63,432

2024H2 曾出现一波「中央专项」集中报备（29,678 台），在 2025Q1 带来了一次交付高峰，之后回落。2026H1 的报备结构和 2025H1 基本相同，目前没有看到政策带来的放量。所以政策只作为上行情景，不放进基准预测。报备到交付中位约 3.5 个月。

阶段概率敏感性（固定权重、不含共同扰动）

情景 在手管道 H2 交付 (P50) 相对基准
基准权重 (C .90 / T .70 / L .40) 31,270 +0
统一用历史交付率 31,074 -196
保守 (C .80 / T .55 / L .25) 25,230 -6,040
乐观 (C .97 / T .85 / L .55) 36,890 +5,620
陈旧项目不减半 32,534 +1,264

模型逻辑与误差评估

toC：两种方法 + 组合，按时间外推回测

  1. 方法 A：同期 × 同比趋势。用去年同月的销量，乘以“最近 6 个月 ÷ 去年同期”的趋势系数，按产品线分别算。优点是简单透明，业务上容易解释。
  2. 方法 B：梯度提升（GBM）日历模型。输入特征只有预测时点可以提前知道的信息：产品线、星期、月份、日期、是否学期中、是否迎新周、是否财年末、促销类型。当日客流和当日退货不作为特征，因为预测未来时拿不到，用了会造成数据泄露。局限：GBM 不会外推趋势，所以和方法 A 组合使用。
  3. 方法 C：A 和 B 取平均。两次回测的平均 WAPE：A 1.94%，B 1.90%，C 1.84%。选误差最低的 C 组合 (A、B 平均) 作为主模型。三者差距很小，说明 toC 预测对方法选择不敏感。
  4. 回测方式：站在 2025-06-30 预测 2025H2，再站在 2025-12-31 预测 2026H1。只用当时已有的数据训练，不打乱时间顺序。评估指标用 WAPE，不用 MAPE，因为有 308 行净销量为 0，MAPE 会出现除零。
  5. 区间：主模型在回测里的季度 × 产品线误差（RMS）为 1.3%，偏乐观，所以按 3% 设区间。三条产品线按同涨同跌处理，这样区间偏宽，更稳妥。
回测 方法 月×产品线 WAPE 半年合计偏差 Mac 半年偏差 iPad 半年偏差 Accessories 半年偏差
站在 2025-06-30 预测 2025H2 A 同期×同比趋势 1.8% -0.5% -0.7% 0.0% -0.7%
站在 2025-06-30 预测 2025H2 B GBM 日历模型 2.0% -0.6% +0.2% +0.1% -1.2%
站在 2025-06-30 预测 2025H2 C 组合 (A、B 平均) 1.9% -0.5% -0.3% 0.0% -0.9%
站在 2025-12-31 预测 2026H1 A 同期×同比趋势 2.0% +1.6% +1.7% -0.1% +2.5%
站在 2025-12-31 预测 2026H1 B GBM 日历模型 1.8% +0.6% +1.8% -0.3% +0.7%
站在 2025-12-31 预测 2026H1 C 组合 (A、B 平均) 1.8% +1.1% +1.8% -0.2% +1.6%

toB：在手管道 + 新增项目，Monte Carlo 模拟

  1. 剔除已取消项目。在途项目按阶段给交付概率（假设 A3），逾期太久的项目概率减半（A3b）。
  2. 阶段概率本身的不确定性：每次模拟给所有项目的概率乘一个共同的随机系数（均值 1，标准差 15%）。如果只把每个项目当作独立事件，270 个项目的随机性会相互抵消，区间被严重低估。
  3. 交付日 = 期望日 + 延迟，延迟从历史分布中抽样，并且以“截至 6/30 还没交付”为条件，然后归入 Q3、Q4 或 2027。
  4. H2 新增项目：在过去两年 H2 的实际水平之间随机取值，上下各放宽 15%。所有季度和产品线共用同一个随机数，反映共同的报备节奏。
  5. 模拟 5,000 次，得到 P10 / P50 / P90。

toB 近似回测

回测 当时可知交付率 预测-在途部分 实际-在途部分 预测-新增部分 实际-新增部分 预测合计 实际合计 偏差
站在 2025-06-30 预测 2025H2 67% 20,072 22,998 17,243 19,106 37,315 42,104 -11.4%
站在 2025-12-31 预测 2026H1 67% 22,148 22,133 15,288 9,099 37,436 31,232 +19.9%

toB 回测偏差为 -11.4%, +19.9%，量级在 ±20% 左右，比当前 toB 区间的半宽略大（见「自查清单」）。所以 toB 部分按已签约 → 已中标 → 意向的顺序分批释放备货。注意这只是近似回测：数据里没有阶段变更历史和取消日期，“当时的管道”只能重建；回测里所有在途项目统一用当时已知的交付率。2026H1 实际偏低，是因为当期报备的项目交付得更慢，这部分量正是 H2 要回补的积压。

预测明细

浅色柱是预测的 P50，黑色误差线是全渠道合计的 P10–P90。

季度 × 产品线 × 渠道（台）

季度 产品线 渠道/口径 P10 P50 P90
Q3 Mac toC 净销量 10,988 11,439 11,877
Q3 Mac toC 毛销量 (备货口径) 11,249 11,711 12,159
Q3 Mac toB 交付 8,233 10,412 12,293
Q3 iPad toC 净销量 17,809 18,540 19,250
Q3 iPad toC 毛销量 (备货口径) 18,526 19,287 20,026
Q3 iPad toB 交付 7,581 9,715 11,460
Q3 配件 toC 净销量 32,776 34,121 35,429
Q3 配件 toC 毛销量 (备货口径) 33,421 34,793 36,126
Q3 配件 toB 交付 5,321 7,224 8,896
Q4 Mac toC 净销量 7,862 8,185 8,498
Q4 Mac toC 毛销量 (备货口径) 8,049 8,379 8,700
Q4 Mac toB 交付 7,924 9,712 11,597
Q4 iPad toC 净销量 13,082 13,619 14,141
Q4 iPad toC 毛销量 (备货口径) 13,609 14,168 14,710
Q4 iPad toB 交付 5,695 6,920 8,124
Q4 配件 toC 净销量 24,242 25,237 26,204
Q4 配件 toC 毛销量 (备货口径) 24,719 25,734 26,720
Q4 配件 toB 交付 4,467 5,842 7,297

全渠道 H2 合计的模拟分布

“+50%” 对比：差在哪里

“下半年 +50%” 有两种理解，不管按哪种，数据都不支持：

按理解 1、各产品线统一 +50% 备货的潜在积压

产品线 2026H1 实际 (毛) 按 +50% 备货 预测需求 P50 预测需求 P80 潜在积压 (vs P50) 潜在积压 (vs P80)
Mac 27,500 41,250 40,203 42,174 1,047 -924
iPad 36,886 55,329 50,085 51,792 5,244 3,537
配件 55,477 83,216 73,587 75,668 9,629 7,547

统一系数在两个方向上都会出错。Mac 因为 toB 回补，+50% 和预测需求差不多；iPad 和配件主要靠 toC，按 +50% 备货会积压。所以要按产品线、季度、渠道分别备货。

假设、限制条件与潜在风险

关键假设

# 假设 依据 不成立时的影响 怎么盯
A1 2026 下半年校历、促销节奏与 2025 年相同 已校验 2024 与 2025 年逐日一致 返校季提前/推迟 → Q3 内部月份分布偏移，半年总量影响小 校历发布后更新
A2 toC 同比趋势延续近期水平（2026H1 同比 -1.1%） 有同比可比的 3 个半年里，各产品线同比绝对值最大 1.6% 新品发布 / 竞品冲击 → 偏高或偏低 盯 7–8 月实际销售进度
A3 toB 阶段交付概率：已签约 90% / 已中标 70% / 意向 40% 数据只有“当前阶段”，无法直接估计；用队列一致性锚定：加权平均 68%，与“2026H1 报备队列要达到历史交付率 67% 所需的在途交付率 70%”接近 保守权重 → toB -6,040 台；乐观权重 → +5,620 台 盯 Q3 中标→签约转化率
A3b 已签约但逾期超过 96 天（历史延迟 P90）的项目，交付概率减半 涉及 15 个项目 / 2,746 台 不减半 → toB +1,264 台 逐个跟进逾期项目
A4 交付延迟沿用历史分布（中位 39 天，P90 96 天） 延迟在产品线/层级/资金来源间差异很小 延迟拉长 → 部分量从 Q3 推到 Q4 甚至 2027 盯每月交付完成率
A5 toB 交付量 = 申报数量 数据无实际交付数量字段 实际交付少于申报 → toB 偏高 从订单系统补实际交付数量
A6 H2 新增项目贡献 ≈ 过去两年 H2 的水平 2024H2 17,243 / 2025H2 19,106 台 报备放量（如政策落地）→ 偏低 盯 Q3 新报备量
A7 政策利好不放进基准，只作为上行情景 「中央专项贷款」报备量：2025H1 14,143 台 → 2026H1 14,048 台，没有放量迹象 若政策真正放量 → 基准偏低（但多落在 Q4 或 2027，因为报备到交付中位约 3.5 个月） 盯「中央专项」报备量
A8 toB 与 toC 之间没有重复计数 两张表来自不同业务系统 若有学校采购走门店 → 合计重复 和业务确认

数据限制

潜在风险与应对

风险 说明 应对
toB 集中度高 大项目取消或延期会明显改变季度数字 toB 区间 4.2万–5.6万；按阶段分批释放备货，已签约先备
配件误差的绝对量最大 配件约占 toC 的一半以上，同样的误差比例落到台数上最大 配件采用短周期滚动补货，不一次性压货
9 月 / 迎新周断货 迎新周日均销量约为常规日的 2.8 倍，断货损失不可逆 Q3 toC 按 P80 备，Q4 按 P50
政策放量（上行） 设备更新政策若在 H2 集中落地，toB 报备会放量 设置触发器：Q3 新报备量 > 去年同期 +20% 时启动弹性预案
按 +50% 备货（决策风险） 在 2026H1 基础上统一 +50%，iPad 与配件将多备约 14,873 台；若按同比口径 +50%，多备约 6.9万台 不采纳统一系数；按产品线 × 季度 × 渠道分别备货

数据与模型自查清单

每次运行 pipeline_code.py 都会自动执行以下检查。本次结果：11 项通过，1 项需关注。

自查项 结果 状态
原始数据对账：toC 毛销量 原始文件 496,895 = 报告历史合计 496,895 通过
原始数据对账：toB 已交付 原始文件 190,569 = 报告历史合计 190,569 通过
防泄露：模型特征 不含当日客流、当日退货、净销量 通过
防泄露：回测时间切分 训练数据最晚日期 ≤ 预测时点 < 预测期起点（不打乱时间） 通过
2026H2 校历/促销补齐 缺失值 0 个 通过
在手管道口径 270 个项目 / 48,318 台，与原始文件中 Lead+Tender_Won+Contracted 一致；已剔除 Cancelled 通过
toB 无重复计数 在手管道报备日最晚 2026-06-29 ≤ 6/30；新增项目只统计 7/1 以后报备的 通过
Monte Carlo 稳定性 换随机种子后在手管道 P50 变化 -0.47% 通过
分项与合计一致 toC P50 + toB P50 = 161,028，合计 P50 = 160,999（差 +0.02%，分位数不严格可加属正常） 通过
toC 回测偏差 主模型半年合计偏差最大 1.1%；区间半宽按 ±3.8%（P10–P90） 通过
toB 区间 vs 回测误差 toB 区间约 −15% / +13%；近似回测最大偏差 20% 需关注
toC 同比稳定性 各产品线历史半年同比最大绝对值 1.6%（支持“toC 无增长趋势”的判断） 通过

需关注项说明

toB 近似回测最大偏差 20%，大于当前 toB 区间的半宽（约 −15% / +13%）。原因是数据里没有阶段变更历史，回测只能近似。应对办法是按已签约 → 已中标 → 意向的顺序分批释放 toB 备货，并按月复盘。

本报告所有正文数字都由代码直接计算写入，不手工录入，所以文字和图表、表格的数字口径一致。

本页面为数据分析练习作品，所用数据均为虚构样例数据，不代表任何公司的官方资料或经营数据。
数据截至 2026-06-30 · 报告生成于 2026-11-10 · 生成方式：py output/pipeline_code.py · 随机种子固定为 42，可复现 · 图表为交互式（Plotly）