销量为零，不一定意味着需求为零。商品缺货、限售、渠道关闭或订单履约受阻时，系统记录的只是“成交量”，而不是消费者在有货条件下可能购买的数量。若直接把这类数据输入预测模型，模型会把供应约束误判为需求下降，进一步压低采购、生产和补货计划，形成“越缺货，预测越低；预测越低，备货越少”的循环。
先识别缺货造成的伪低销量
修正的第一步不是立即补数，而是建立缺货识别口径。销售数据至少要与库存、可售状态、订单取消、履约和渠道运营状态关联，区分正常销售、库存不足、完全无货、限售、退货异常和渠道暂停。判断时不能只看日销量，还要观察可售时长、门店或区域覆盖、同类商品表现以及缺货前后的销售变化。
同一SKU在电商、门店和经销商系统中可能存在不同编码，商品、渠道、区域和时间口径不统一时，缺货修正会失去基础。因此，应先统一主数据和指标定义，明确缺货记录由谁维护、何时更新、能否用于预测。
估算被压制的真实需求
对于缺货期间的销量，应估计“如果持续有货，可能实现的销量”，而不是简单复制某一天的数据。可优先参考该商品在缺货前的趋势、同渠道其他区域的动销、相近商品的替代关系，以及促销、价格、季节和区域因素。新品、促销品、长尾品和稳定常销品的修正逻辑不能完全相同：新品可参考相似商品和渠道特征，促销品必须单独识别活动带来的增量，长尾品则要谨慎处理稀疏订单。
修正后的数据应保留原始销量、缺货状态、估算需求和修正原因，不能用估算值覆盖事实数据。这样既便于追溯，也能避免模型把人工判断当成真实成交。
把修正结果纳入预测闭环
模型输入应同时包含销售、库存和缺货记录，并在输出中区分需求预测与供应可实现量。前者回答“市场需要多少”，后者回答“现有产能、库存、物流和供应商约束下能交付多少”。两者混为一谈，预测就会再次被供给限制污染。
评价模型时，不能只看预测误差，还要观察缺货率、订单满足率、库存周转、紧急调拨和滞销库存等经营指标。重大促销、供应中断或市场突变时，应允许业务人员调整预测并记录原因。缺货修正不是一次性数据清洗，而是感知、理解、规划、执行和结果反馈组成的持续闭环。只有把“卖不出去”和“有需求但没货卖”严格分开，销量预测才真正具备经营价值。