AI 预测补货——这串词要是放在两年前,我看都不会多看一眼。我们小仓才 3000 平,6 个人,货架还是二手的,谈 AI 预测?别逗了,那是大仓玩的东西。

结果 2025 年 5 月,我被现实教育了一回。店里一款常年走量的五金件,连续三周没货,客户跑了两家;与此同时,另一款季节性产品压了整整两个托盘,半年没动。断货和积压同一天发生在我身上,我才开始琢磨:预测这事,靠我脑子里的经验,好像真不够用了。

我们小仓的窘境:凭感觉补货,迟早翻车

先说说我们以前怎么补货的。说出来不怕笑话:看货架。货架空了就补,货架满了就不补;老客户一个电话说要 200 件,我就赶紧下单。旺季凭记忆加量,淡季凭感觉减量。

这套土办法撑了三年,居然也没出过大乱子。为什么?因为品类少、客户熟、周转慢。可 2025 年之后不行了:品类从 400 个涨到 900 多个,客户从 30 家涨到 80 家,光靠脑子记,记不住了。

5 月那次断货就是例子。那款五金件平时月销 600 件左右,我按老习惯备了 500 件。谁知道有个客户突然接了个工程单,一次要了 800 件,直接把我库存抽干。补货在途要 12 天,这 12 天里我眼睁睁看着另外两个客户转头找别人下单。另一边压着的那两个托盘,恰恰是我 2024 年底"凭感觉"多备的,以为开春能卖,结果开春客户换了型号,货就砸手里了。

那天晚上我算了一笔账:断货丢的单子,毛利大概少了 4 万多块;积压的货占着两个托盘位,资金压了 6 万多。一进一出,小仓一个月白干。这才下决心:预测这事,得有个正经办法。

AI 预测到底能干什么,先把期望放低

我先泼一盆冷水:AI 预测不是水晶球。它算不准你家客户下个月突然接个大单,也算不准哪个型号说换就换。它能干的,是把你过去一两年的出库数据翻出来,告诉你哪些货走得稳、哪些货忽高忽低、哪些货正在慢慢没人要。

我试的第一招根本不算 AI,就是把出库记录导出来,按单品做了一张简单的销量曲线。结果吓我一跳:有 30 多个单品,销量其实一直在缓慢下滑,我还按老量在备货;还有 10 来个单品,旺季峰值一年比一年高,我备的量年年不够。

第二招才算沾了 AI 的边:用了一个按月付费的轻量预测工具,把历史出库数据、节假日、客户订单周期喂进去,让它给我每个单品一个"建议补货量"。工具不贵,一个月几百块,比请个人便宜多了。跑了三个月,效果是这样的:建议补货量和我的经验判断,大概七成一致;剩下三成,工具比我准——主要是那些我平时不太留意的慢销品,工具能提前两周提醒我"这货要断了",而我以前是等货架空了才发现。

反常识的判断来了:说到底,AI 需求预测补货对小仓最大的价值,不是算得有多准,而是逼你把数据理清楚。数据一理,问题自己就冒出来了。很多小仓的库存问题,根子不在预测,在数据根本就是一团糟。

数据质量是前提,脏数据喂进去就是脏预测

这话我得重点说,因为我自己就踩过。

我们仓 2024 年之前出库记录全靠手写单,有的单子写了品名没写规格,有的退货没冲销,还有一批货是客户寄存在我这儿的,根本不算库存。把这些数据直接喂给预测工具,出来的建议全是错的:建议我多备一款其实已经停产的型号,建议我少备一款正在放量的新品。

我花了整整两周做数据清理:统一品名规格、补登漏记的出入库、把寄存货单独标记、退货冲销。清理完再跑预测,建议靠谱多了。所以我的结论是:数据质量不到位,AI 预测补货就是高级算命。先把账做干净,再谈预测。

小仓做数据清理不用搞大系统。一张表、一个规矩就行:出库必扫码、退货必登记、品名规格统一写。坚持一个月,数据就能用了。我们就是这么干的,土,但管用。

预测错了谁背锅:必须有人拍板

这是我最想讲的一点,也是很多人不敢讲的一点。

预测错了,谁负责?工具厂商肯定不负责,合同里写得明明白白。老板负责?我们小仓老板就是我,我能找谁去?所以答案只有一个:预测结果只是建议,最后拍板的人,必须是懂业务的人。

我的做法是每周五下午花半小时过一遍预测建议,分三档处理:

预测建议 我的处理
建议量和我经验一致 直接按建议下单
建议量比我预期高不少 打电话问客户有没有大单,再决定
建议量比我预期低不少 查一下是不是数据漏了,或客户要换型号

三档分完,真正需要我动脑子的也就十来个单品,半小时搞定。AI 负责算,我负责拍板。这个分工不能反:让 AI 全权下单,错一次就可能是一托盘的积压;全靠人工,又回到凭感觉的老路。

举个我自己的例子:有回工具建议一款五金件的补货量,比我平时备的高出一倍还多,我差点就直接下单了。打电话一问才知道,客户那个工程单早就取消了,工具用的还是取消前的订单数据。我当场把建议量砍下来,躲过一托盘的积压。AI 预测补货再准,也算不到客户电话里那句"单子黄了",这就是为什么拍板的人必须是我。

还有笔权衡账得想清楚:预测准了省的是库存钱,预测错了赔的是断货和积压。我的经验是,宁可预测偏保守一点,多备 10% 的安全库存,也别为了省那点库存钱冒断货的风险。小仓丢一个客户的代价,比多压两周货大得多。

小仓用得起的 AI 预测补货轻量做法

最后给同类小仓一个能直接抄的作业:

第一步,别买大系统。先把出库数据导出来,做单品销量曲线,看看哪些货在下滑、哪些在涨。这一步零成本,电子表格就能做。

第二步,数据清理。统一品名、补登漏单、退货冲销、寄存货单独标记。脏数据不清理,后面全白搭。

第三步,上轻量预测工具。按月付费的那种,先跑一个品类试三个月,有效果再扩到全品类。别一上来就全仓铺开。

第四步,定个拍板规矩。每周固定时间过一遍建议,分三档处理,人工拍板。预测是参谋,你是司令。

跑了半年,我这边的变化是:断货次数从每月 3~4 次降到 1 次以内,积压超过 90 天的货从 40 多个单品降到 10 个以内。省了多少钱?我没法给你一个精确数,因为客户结构也在变,这笔账算不干净——但有一点是实的:同样的销售额,我的库存资金少压了大约两成(场景示意:按我仓月均库存资金约 50 万元估算,约 10 万元,数字为假设算例,仅供参考)。

AI 需求预测补货,对大仓是效率工具,对我们小仓,首先是个照妖镜:照出数据有多脏、凭感觉补货有多悬。算得准是本事,算错了有人拍板、有安全库存兜底,才是小仓玩得起的 AI。

小仓有小仓的活法,AI 也是。

作者:小马|小仓创业者