AI需求预测与补货 这个话题,这几年在行业里被谈得很多。不少仓库上了预测工具,预测曲线画得越来越漂亮,可库房里的货却没有因此变少。货架还是满的,滞销品还是在角落里积灰,旺季缺货的电话还是会打进来。这种反差不是个例,而是一种值得认真看待的现象。
先说一个场景。华东一家做日用品分销的仓库,去年旺季前上线了一套需求预测工具。系统给出的预测和实际销量的贴合度确实上去了,负责采购的同事一度觉得问题解决了。结果旺季一过,盘点发现几款主销品的库存比往年还高,倒是两款平时不起眼的小品类断了货。预测没有错得离谱,错的是拿到预测之后的那几步。
第二个场景在华南。一家食品经销商的仓库,预测做得同样不差,但供应商的交货周期忽长忽短,短的时候一周能到,长的时候要拖上大半个月。仓库为了不缺货,只能按最长的交货周期去备货。预测告诉你下个月大概卖多少,却没有告诉你货要在什么时候、以多大的批量进来。等货真的到了,销售高峰可能已经过去了,剩下的就只能在库里等下一个周期。
预测准了,补货却还在出错
问题出在预测和补货之间隔着好几道换算。预测说的是未来一段时间的需求总量,补货要回答的却是另外三个问题:什么时候下单,下多少,留多少余量。这三个问题任何一个答错,总量再准也没有用。
常见的错位有三种。第一种是批量错位,预测按天给数,采购却按整车或者供应商的最小起订量下单,数字一凑整就变了形。第二种是节奏错位,预测是平滑的曲线,实际补货却是一波一波的脉冲,货到得集中,卖得分散,库存曲线自然忽高忽低。第三种是责任错位,预测归算法管,补货归采购凭经验管,两边用的假设不一样,系统算出来的数到了执行层又被人工改掉,最后谁也说不清到底按什么在跑。
根据一些行业报告里的观察,预测误差对库存的影响,往往小于补货参数设置不当带来的影响。这个判断听起来反常识,但逻辑并不复杂:预测误差是围绕真实需求上下波动的,而错误的补货规则会把每一次波动都单向放大,只放大,不缩小。
安全库存与补货节奏的错位账
安全库存是最容易被误解的一环。很多人把它当成保险,觉得多备一点总没错。可是安全库存一旦定得过高,它就不再是保险,而是常驻库存。更麻烦的是,安全库存常常是按品类统一设的,没有区分哪些品缺货代价大、哪些品积压代价大。
算账的时候可以把三个量放在一起看:需求波动的幅度、补货提前期的长短、缺货一次的真实损失。需求越不稳定,提前期越长,安全库存的必要性越高,这没有错。但如果提前期本身是可以通过谈判、换供应商或者分批到货缩短的,那么一味加安全库存就是在用库存为供应链的松散买单。反过来,提前期很短、补货很灵活的品,安全库存完全可以设得薄一些,把资金让给真正需要兜底的品。
下面这个框架是我建议仓库先对齐的,动手之前先把口径统一:
| 环节 | 常见做法 | 错位后果 | 更合理的做法 | | 补货批量 | 按整车或起订量凑单 | 小批量需求被放大成大库存 | 按需求节奏拆单,接受小批量高频补货 | | 补货时点 | 固定每周某天下单 | 需求变化后要等一个周期才反应 | 库存触线即触发,不等固定日期 | | 安全库存 | 全品类统一比例 | 畅销品不够,滞销品过剩 | 按缺货代价和积压代价分品定级 | | 提前期 | 按供应商承诺的最短时间算 | 一延迟就断货,只能事后加库存 | 按实际到货分布的中上水平算,留真实余量 |
这张表本身不是答案,它只是逼着团队把四个环节的假设摆到台面上。很多仓库的问题不是没有数据,而是四个环节各用各的假设,从来没有放在一起对过。还有一个容易被忽略的习惯,是复盘。补货参数调完之后,要留出一段时间看实际效果,库存下来了没有,缺货有没有冒头,人工干预了几次、每次的理由是什么。没有复盘,参数调一次就定格在那里,慢慢又会和实际情况脱节。AI需求预测与补货 这个链条里,复盘就是把预测、补货和安全库存重新对齐的那个动作,缺了它,再好的模型也会在执行层慢慢走样。反过来说,只要复盘机制在转,模型不那么先进的仓库,照样能把库存管得比较健康,因为错误会被及时发现,而不是攒到年底盘点时才爆发。
从预测准确率到仓库健康度的距离
还有一个更深的错位,是衡量标准本身。预测团队考核的是准确率,仓库考核的是库存周转和缺货率,采购考核的是采购成本。三套指标各自好看,加起来却可能是一盘散沙。预测准确率提高了几个点,库存周转却没有动,这时候不应该先怀疑模型,而应该去看指标之间是不是互相打架。
根据一些公开的行业观察,真正把预测用出效果的仓库,往往不是模型最先进的那一批,而是把预测、补货、安全库存三件事放在同一套规则里管的那一批。他们的共同点是:预测输出直接连到补货参数上,参数调整有记录、有复盘,人工干预要留痕而不是随手改。
趋势上看,预测工具还会继续变好,价格也会继续往下走。但这并不意味着仓库的问题会自动消失。工具解决的是算得准不准,仓库要解决的是算出来之后怎么办。后者更琐碎,也更难标准化,却恰恰是决定库存健康的那部分。
所以问题也许不该是预测还能准多少,而是当预测已经够用的时候,仓库愿不愿意把补货规则和安全库存重新梳理一遍。说到底,AI需求预测与补货 这条链上,模型只是起点,真正决定结果的,是起点之后那一连串不起眼却天天在发生的操作选择。预测准了仓还爆,爆掉的往往不是算法的面子,而是执行层长期没有被认真对待的里子。至于有多少仓库愿意先停下来对一对这四张表,而不是再换一个更贵的模型,这本身就是下一个值得观察的现象。
作者:陈博士|供应链行业研究员







