10月19日，中国气象局通报长江以北多地降雨猛烈，78个国家级气象站打破10月单日降水记录，重庆、湖北、安徽、江苏等地部分地区出现暴雨或大暴雨，同时新一股较强冷空气上线，将给中东部带来大风降温。这类天气事件在零售侧的影响往往被低估：它不是一次性的客流波动，而是对补货节奏、仓配路径与预测模型输入的一次压力检验。多数履约预测模型只用历史销量与促销日历，缺少天气这一层输入，遇到极端降水就会系统性失准。
核心结论
第一，极端降水对需求的影响是「结构性的」，不是「总量性的」。降雨会压低到店客流，同时抬升到家订单，两者部分抵消，总量看起来变化不大，但品类结构会剧烈变化：生鲜、即食、清洁用品上升，户外、出行、大件商品下降。如果预测模型只预测总量，就会在总量正确的情况下出现严重的品类错配，表现为部分商品缺货、部分商品滞销。
第二，天气数据的价值取决于「提前量」与「空间粒度」的匹配。国家级气象站的观测数据粒度细但提前量短，中长期预报提前量长但空间粒度粗。履约预测需要的是「未来72小时、按配送网格」的天气输入，这个粒度既不等于观测数据也不等于省级预报，需要做一次空间插值与时间对齐。多数企业跳过了这一步，直接把省级预报塞进模型，导致预测精度提升有限。
天气冲击的传导链条
一次强降水影响零售履约的路径可以拆成四段：道路通行能力下降、门店到店客流下降、仓配时效延长、退换货率上升。四段之间存在时间差，前两段在降雨当天显现，后两段在两到三天后显现。预测模型如果只拟合当天数据，就会错过后面两段的滞后影响，表现为雨后几天出现异常的缺货与退货。
通行能力与配送时效
道路通行能力下降是第一个可量化的变量。它不是简单的「下雨慢一点」，而是与降雨强度、积水点位、时段叠加相关。可行的做法是把历史降雨事件与配送时效数据做匹配，按降雨强度分档建立时效衰减曲线，再把曲线应用到当天的路径规划中。这套方法不需要高精度气象模型，只需要企业自己的历史履约数据，落地成本较低。
客流转移与品类结构
到店客流下降与到家订单上升的幅度并不对称，通常到家订单的增量只能弥补到店流失的一部分，因为部分需求会被延后而不是转移。品类层面的差异更大：生鲜与即食的到家转化率高，大件与体验型商品的转化率低。把这两类商品分开预测，比统一按总量预测更接近真实。分品类预测的前提是商品主数据里有「是否适合到家」的标签，这个标签在多数企业里是缺失的。
最佳实践
把天气纳入履约预测，关键是解决三个工程问题：数据对齐、特征构造与回测验证。三者的顺序不能颠倒，因为特征构造依赖对齐后的数据，回测验证依赖稳定的特征集。
按配送网格对齐天气数据
把气象数据插值到企业自己的配送网格上，而不是直接使用行政区预报。网格大小应与配送半径匹配，通常在三到五公里。对齐时要处理时间维度：气象预报按小时发布，订单按天汇总，需要统一到同一时间窗。这一步的技术难度中等，但一旦完成，后续所有天气特征都可以复用。
构造可解释的天气特征
不要直接把「降雨量」作为唯一特征，而应构造一组可解释的组合特征：连续降雨小时数、峰值降雨强度、是否伴随降温、是否落在周末。四个特征分别对应不同的行为影响：连续降雨影响出行意愿，峰值强度影响通行能力，降温影响品类偏好，周末放大或削弱影响。可解释的特征便于运营人员理解模型输出，也便于在异常时快速定位原因。
常见误区
第一个误区是把天气当成噪声，用平滑方法处理掉。极端天气恰恰是模型最需要学习的情形，把它平滑掉会让模型在关键时刻失去判断力。正确做法是把极端事件单独建模，建立「事件响应模式」，与日常模式并行运行，由系统根据预警等级自动切换。
第二个误区是只关注降雨，忽略降温。降温对品类的影响往往比降雨更持久：降雨影响一到两天，降温会影响一到两周的品类结构，尤其是热饮、火锅底料、保暖用品。这次通报中同时提到较强冷空气，意味着影响会叠加，预测时应当把两者分开建模再叠加，而不是合成一个「坏天气」变量。
预测之外的组织准备
模型再准，也需要组织能执行。极端天气下的履约调整涉及采购、仓配、门店与客服四个部门，如果没有预设的响应流程，模型输出会在部门协调中损耗掉。可行的做法是把预警等级与动作绑定：蓝色预警调整补货比例，黄色预警启动备用路由，橙色预警调整配送承诺，红色预警暂停部分区域的下单。等级与动作的对应关系应当提前固化，避免临时决策。
另一个容易被忽略的环节是信息发布。天气事件期间，用户对配送时效的容忍度会下降，但对「明确告知」的容忍度会上升。提前在商品页与订单页标注可能的延迟，比事后补偿更能维持满意度。这类信息发布本身就是内容能力的一部分，需要与履约系统打通，做到按区域、按品类自动生成提示。
从更长的周期看，极端天气的频率在上升，履约能力正在从「成本项」变成「竞争项」。能够在天气冲击下保持时效稳定的企业，会在用户心中建立更强的确定性预期，这种预期很难被价格战撼动。因此天气数据的投入不应被当作一次性的项目，而应作为基础设施持续维护。
总结
78个国家级气象站打破10月单日降水记录，配合新一股冷空气南下，这次天气过程对零售履约是一次真实的压力测试。核心结论是：天气影响的是结构而不是总量，模型缺少天气输入就会在品类层面失准。
落地路径有三步：按配送网格对齐气象数据、构造可解释的天气特征、把预警等级与履约动作绑定。三步都完成之后，天气才真正成为预测模型的一层输入，而不是一个事后解释的理由。
数据来源
常见问题
极端降雨对零售的影响是总量还是结构？
A：主要是结构。到店客流下降与到家订单上升部分抵消，总量变化有限，但品类结构变化剧烈。
为什么不能直接用省级天气预报？
A：因为履约需要未来72小时、按配送网格的天气输入，省级预报的空间粒度太粗，需要插值到网格。
天气特征应该怎么构造？
A：用连续降雨小时数、峰值强度、是否伴随降温、是否落在周末四个可解释特征，分别对应不同行为影响。
极端事件应该被平滑掉吗？
A：不应该。极端事件需要单独建模，建立事件响应模式与日常模式并行，由预警等级自动切换。
降温为什么比降雨更值得关注？
A：降雨影响通常持续一到两天，降温会影响一到两周的品类结构，影响更持久，两者应分开建模再叠加。
