不少仓库上线AI需求预测之后,撞上了一个AI需求预测补货的悖论:预测准确率的指标确实变好看了,缺货却没有跟着减少,有的甚至变多了。按直觉这说不通:预测越准,备货应该越准才对。但把链条拆开看,预测只是整条补货链上的第一环,预测准了,后面的环节跟不上,货照样会断。这篇要讲的,就是AI需求预测补货里这个容易被忽略的断点。

AI需求预测补货:预测准确率为什么换不来不断货

先把原因链摆出来。预测给出的是未来一段时间的需求估计,而货架上有没有货,取决于五个后续变量。第一是补货周期:预测按周更新,补货却按月下单,周期错位,预测再准也追不上需求变化。第二是批量约束:供应商要求整箱或整托起订,预测说需要几十件,订单只能按整托下,多出来的压库存,少了的凑不够批量就干脆不下。第三是在途时滞:货在路上走几周,这段时间需求一变,预测就过期了,准的预测发在错误的时间,等于没发。第四是安全库存被预测"吃掉":系统觉得预测准了,自动把安全库存调低,缓冲一薄,任何波动都直接打到缺货上。第五是促销与异常值:大促期间的需求 spike 被模型当成常态,或者反过来,真实的爬坡被当成异常值平滑掉了,两种误读都会让补货量失真。

这五个变量里,任何一个出问题,预测的准确率都救不回来。更关键的是,它们往往同时出问题,而且互相掩盖。缺货发生了,人们第一反应是怪模型不准,调参、换模型、加数据,折腾一圈,补货参数原封不动,缺货照旧。这就是这个悖论的核心:组织把预测当成了补货的全部,而补货其实是一套参数系统,预测只是其中一个输入。

我举两个观察到的情形。第一个是一家做家居用品的经销商,上线预测模型后,核心品类的预测误差明显缩小,管理层据此把安全库存系数下调了一档,理由是"预测准了,不用备那么多"。结果赶上供应商交期延长了两周,在途的货没到,安全库存又变薄了,畅销品断货断了将近一个月。复盘时发现,模型本身没有错,错的是把预测准确率直接翻译成库存削减,中间没有任何人核对交期有没有变、补货周期有没有跟上。预测准了,库存策略却比以前更脆弱。

第二个是一家季节性很强的消费品仓库。模型对平销期的预测很准,但每年大促前的爬坡,历史数据里只有两三年的样本,模型把爬坡识别为异常值,平滑掉了。采购按平滑后的数字下单,大促一开始就缺货,等紧急补单到货,促销已经过半。事后看,问题不在算法,而在异常值处理规则没有区分"可解释的爬坡"和"真正的噪声"。促销、季节、新品上市,这些在业务上完全可以解释的波动,不应该被统计规则一刀切掉。

AI需求预测补货参数核对框架:上线预测之前先对这张表

AI需求预测补货要落地,靠的不是更准的模型,而是一张补货参数核对表。在调整任何预测模型之前,先把下面这张表逐项核对一遍:

核对项 要问的问题 常见的失配
补货周期 预测更新频率与下单频率是否匹配 预测按周算,下单按月下
批量约束 起订量、整箱数是否进了模型 预测量凑不够批量,订单被拖延
在途时滞 交期变化有没有实时反馈 交期延长了,安全库存还在按旧交期算
安全库存 安全库存是按服务水平算的,还是按感觉砍的 预测一准就砍缓冲,波动直接变缺货
异常值规则 促销、季节、新品有没有单独处理 爬坡被平滑,促销被当成常态
责任归属 缺货发生时,谁有权改参数 人人看预测,没人管补货参数

这张表的意义在于把责任分清楚。预测团队负责预测准不准,补货团队负责参数对不对,两个指标分开考核,缺货复盘时才不会一股脑怪到模型头上。实践中我建议一个顺序:先冻结补货参数,跑一段时间看缺货结构;再动模型;模型动完,重新核对一遍参数。顺序反了,永远说不清是模型的问题还是参数的问题。

这里有一个反常识的判断:预测越准,安全库存越不能轻易砍。直觉上,预测准了,缓冲可以薄一点,省下的库存就是利润。但库存理论里,安全库存防的不是预测误差,而是交期波动、到货不齐、需求突变这些预测管不了的事。预测准确率提高,砍掉的应该是"因为怕预测不准而多备的那部分",而不是整个缓冲。把两者混为一谈,预测越准,系统反而越脆弱,因为缓冲薄了之后,任何一次交期延长都会直接变成缺货。很多仓库的缺货增加,恰恰发生在预测指标最好看的那几个月,这不是巧合,是因果。

对 AI 的态度,这里也需要校准。AI 需求预测的价值是真实的,它能处理人算不过来的品类规模和历史模式,能把预测从经验拍脑袋变成可复核的数字。但它的回报不在预测指标本身,而在整条补货链被它带起来的程度。只买模型、不改补货流程,等于只换了仪表盘,没动发动机。ROI 要算在缺货减少和库存周转上,而不是算在预测准确率提高了几个百分点上。指标好看、货架空着,这种 ROI 是纸面上的。

最后留一个开放性的问题:当预测已经足够准的时候,仓库缺货的下一个瓶颈会在哪里?我的观察是,瓶颈会从"算不准"转向"动得慢",也就是组织能不能跟上模型的速度,补货周期、供应商协同、异常处理流程是不是还停留在上一个时代。预测技术的进步,最终考验的还是组织的响应速度。这个问题没有标准答案,每个仓库的答案都不一样,但提问本身,比再换一个模型更有价值。

作者:陈博士|供应链行业研究员