凌晨两点,值班手机响了。某华东第三方仓的夜班主管在电话里听到的是一条系统预警:A 品类账面库存和实际拣选可用量对不上,差额不小。他的第一反应是穿衣服去仓库,第二反应是先问一句:这个差异是今天第几次出现?对方查了一下,是本周第三次,前两次到现场一看,都是在途单据还没过账。第三次,他没去,早上复核果然又是对上了账。AI库存异常检测这个话题,争论点往往不在技术准不准,而在这里:预警太灵敏,人的信任会被耗光;预警太迟钝,真丢货又没人知道。

这个现象这两年越来越普遍,原因并不神秘。仓库系统变多了,WMS、订单系统、运输系统、客户自有系统各自记账,数据流转环节一多,时间差就多。与此同时,异常检测模型的能力确实在变强,它能从海量出入库记录里找出人眼看不出的模式,比如某个库位每周三固定少几件,或者某个品类在促销期后的差异率系统性抬升。问题在于,模型给出的是概率和排序,不是判决书。把概率当成判决,半夜的电话就会越来越多。

AI库存异常检测先分三类:真丢货、假差异、系统时差

我观察到的有效做法,是先不谈模型,先给差异分类。第一类是真丢货或真损坏:实物确实少了,或者破损、过期、串货导致账实不符。第二类是假差异:账错了,货没错,原因可能是单据录错、条码串码、库位写错。第三类是系统时差:在途、未过账、批次切换、盘点冻结窗口内的数据口径不一致,货和账都没错,只是两个系统在不同时刻拍了快照。

分类的意义在于处置成本完全不同。真丢货要立刻封存相关库位、调监控、查出入库记录;假差异要改的是录入环节和复核流程;系统时差最便宜的处置是等,等下一个对账点自动消除。很多仓库的预警疲劳,根源就是把第三类按第一类处置,每次都兴师动众。反过来看,把第一类当成时差放过去,损失会在月末盘点时一次性爆发,金额更大,责任更难追溯。

一家做日用品代发的仓库曾分享过他们的复盘:连续一个月的夜班预警里,超过一半在次日上午自动消除,真正需要现场干预的是其中一小部分。他们的调整不是换模型,而是给预警加了两个前置问题:这条差异在过去一段时间内出现过几次?关联单据是不是处在未完成状态?两个问题筛掉大部分时差,剩下的预警数量下来了,值班人员反而更认真对待每一条。

数据:预警分级不能只看金额,还要看复发频率和扩散速度

金额是直观的分级标准,但单独用金额会漏掉两类危险。复发频率高的差异,哪怕单次金额不大,也可能指向流程缺口,比如某个固定环节一直在小额漏记,积少成多。扩散速度快的差异同样危险,今天一个库位,明天三个库位,后天一整个品类,这种扩散往往意味着上游环节出了系统性问题,比如新换的供应商包装规格变了,扫码解析规则却没同步。

比较稳妥的分级框架是三维打分:金额量级、复发频率、扩散范围。三个维度里有两个达到阈值,就升级处理;只有一个维度高,先进观察名单,设定一个复核时间点,到点自动重算。阈值不必追求精确,重要的是分级结果要和处置动作挂钩。观察名单的差异,处置动作是定时复核;升级的差异,处置动作是现场核查和流程冻结。这个挂钩一旦建立,预警就从“通知”变成了“工单”,每条都有去向。

这里有一个反常识的判断:预警数量下降不一定是好事。如果模型阈值被调得过松,或者业务人员开始绕过系统手工改账,预警数会很好看,真实差异却在账外累积。判断模型有没有在认真工作,不能只看预警数,要看预警里最终确认为真差异的比例,以及从预警到确认的平均时长。两个指标同时向好,才算系统在变健康。单一指标向好,常常是口径被动了手脚。

AI库存异常检测的归因链:从一单差异倒推到流程缺口

模型能定位异常,归因仍然需要人来完成。一条有效的归因链通常是这样走的:先确认差异的实物状态,货在不在、状态对不对;再查最近一段时间的出入库和移库记录,看差异是突然出现还是逐渐累积;然后看同品类、同库区、同班次有没有类似差异,判断是个案还是模式;再落到流程环节,是收货、质检、上架、拣选、复核还是出库,哪个环节最可能产生这类差异。

这个链条里最容易被跳过的一步是“逐渐累积还是突然出现”。突然出现的差异多半对应某个具体事件,比如一次系统切换、一次批量导入;逐渐累积的差异多半对应流程磨损,比如某个环节的复核被人长期跳过。两种成因的修复方式完全不同,前者修事件,后者修流程。不少仓库复盘时只盯着差异本身,修好了这一单,下一单换个品类又冒出来,根源就在于没有区分这两种成因。

算账的办法也可以放在这里。处理一条预警的成本包括值班响应、现场核查、单据复核和可能的停工等待,把这些时间折算成人力成本,再乘以预警数量,就是预警体系的运行成本。另一边是漏检成本,即真差异没有及时发现导致的货损、赔付和客户信任损失。两个成本之间存在一个平衡点:预警太灵敏,运行成本压垮团队;预警太迟钝,漏检成本在月末集中爆发。任何一家仓库的阈值,最终都应该落在这个平衡点附近,而不是照搬别家的参数。以厂商与行业最新资料为准,去核对模型在自家数据上的表现,比照搬参数更可靠。

趋势判断:预警会越来越准,但人的判断不会消失

从趋势上看,异常检测会沿着两个方向演进。一是数据源变多,模型不再只看库存账,还会结合订单波次、运输轨迹和质检记录,时差类差异会被更准确地识别出来,误报空间会缩小。二是预警会越来越贴近业务动作,不再只发一条“有差异”,而是直接给出建议的处置路径,比如建议先查哪几张单据、冻结哪几个库位。

但有一个判断值得保留:模型越准,人对少数关键预警的判断责任反而越重。因为常规差异被自动化处理之后,留给人的都是模型也拿不准的疑难差异,这些差异往往金额大、成因复杂、牵扯多个环节。未来的值班主管可能半夜接到的电话更少,但每一个电话都更难回答。仓库管理者现在就应该开始积累的东西,不是更多的预警规则,而是每一次差异的处置记录:当时怎么判断的、查了什么、结果如何。这些记录既是训练模型的语料,也是新员工最快的教材。

回到开头那个凌晨两点的电话。值得不值得接,答案从来不在预警本身,而在你有没有一套分级办法,让每一条预警在到达值班手机之前,已经先经过了分类、打分和时差筛查。没有这套办法,再好的模型也只会生产更多的电话;有了这套办法,模型才真正开始帮人省时间。至于这套办法在自家仓库应该长什么样,恐怕还得从下一次差异复盘开始,一条一条试出来。

作者:陈博士|供应链行业研究员