AI 补货建议：销量预测驱动的自动补货，到底准不准

先算一笔账，一笔关于 AI 补货的账。

假设你的仓库有 2000 个 SKU，其中 A 类主力 SKU 月销 5000 件、单价 80 元，一个主力 SKU 断货一天，损失的毛利（按 30% 毛利率算）就是 5000/30 × 80 × 30% ≈ 4000 元。如果一年有 20 天处在断货边缘，这一个 SKU 一年就白白丢掉 8 万元毛利。换成积压：同样的 2000 个 SKU，账上压了 100 万的库存，按资金年化成本 8% 算（银行贷款+仓储租金的机会成本），一年就是 8 万元的真金白银，躺着亏掉。

两边都在漏钱：缺货漏的是看得见的订单，积压漏的是看不见的资金成本。补货这件事，本质上就是在这两个漏斗之间找平衡点。AI 补货承诺的，就是替你把这个平衡点算准。

AI 补货到底在算什么

别被"AI"两个字唬住。AI 补货的核心逻辑并不神秘，就是三步：

**第一步，销量预测。**模型拿历史销售数据、季节性、促销日历、甚至天气和节假日，预测未来几周每个 SKU 每天能卖多少件。这是整个链条的输入，预测准不准决定了后面一切。

**第二步，动态安全库存。**传统做法是安全库存拍脑袋定死（比如"备 15 天的量"）；AI 补货是按每个 SKU 的需求波动率实时调整，波动大的多备，稳定的少备。安全库存从"一刀切"变成"千 SKU 千面"。

**第三步，在途库存抵扣。**已下单、在路上的货，模型自动扣掉，不再重复下单，避免"路上还有 3000 件、系统又补了 3000 件"的乌龙。

AI 补货引擎实时分析仓库库存与销售数据的监控大屏

这三步跑通，听起来很美。但上系统之前，先看清楚钱花在哪。

成本结构：三块钱，一个都省不掉

我把 AI 补货的总成本拆成三块：

**1. 软件订阅费。**市面上的 AI 补货工具多为 SaaS 按年订阅，价格随 SKU 数量和仓库数阶梯上涨，具体以厂商最新资料为准。这笔钱是明面上的，最容易算。

**2. 实施费。**包括和现有 ERP/WMS 的接口对接、预测模型的参数调优、上线初期的并行试运行。这笔钱经常被低估：接口不标准、数据字典不统一，实施周期拖一两个月很常见。谈合同的时候，实施费是否封顶一定要白纸黑字。

**3. 数据清洗的人力成本。**这是最容易被忽略、也最要命的一块。AI 预测吃的是历史数据，但很多企业的销售数据是脏的：促销期间的销量被当成正常销量、退货没剔除、SKU 编码换过两次。我的经验是，项目总投入的三分之一左右会花在"把数据搞干净"上——要么是内部员工加班，要么是外包。这笔钱不花，模型出来的预测就是垃圾进、垃圾出。

三块加起来算 TCO（总拥有成本），再和省下来的钱比，这才是老周做决策的唯一姿势。

数据清洗这块，我多说两句，因为太多人栽在这里。前面提到的那家母婴电商，2024 年 7 月上线前花了整整 5 周做数据治理：2022 年换过一次 SKU 编码体系，新老编码映射表丢了两成；2023 年双 11 的销量被当成日常销量喂给模型，预测直接虚高 40%；退货数据在另一套系统里，根本没进预测口径。最后是 1 名内部计划员全职配合 + 外包 2 人周，才把 3 年历史数据洗到能用的程度。如果跳过这一步，模型上线第一个月就会给你下一堆离谱的补货单——到时候你怪的是软件，其实病根在数据。

算账对比：人工补货 vs AI 补货

先看一个真实的对照。2024 年，我服务过一家华东的母婴电商仓，月均订单约 3 万单，SKU 1800 个。2024 年 6 月之前是 2 名计划员纯人工补货，Excel 拉历史销量、凭经验定安全库存。2024 年 7 月上了 AI 补货系统，跑了半年。我把两边的数据摆出来：

指标	人工补货（2024 年上半年）	AI 补货（2024 年下半年）
需求预测准确率（A 类 SKU）	约 65%（计划员自报，口径偏松）	80%~85%（系统口径，较严）
缺货率	4.2%	2.1%
积压库存（超 90 天不动销金额）	约 60 万元	约 35 万元
补货人力	2 名计划员全职	1 名计划员 + 兼职复核
异常干预频率	—	促销季每周约 10~15 个 SKU 需人工改单

数字是实打实的，结论也是实打实的：AI 补货把缺货率砍了一半，积压库存压下来 25 万元。但注意看最后一行——促销季每周仍有十几个 SKU 需要人工干预改单，系统不是上了就不用管了。

第二个场景反过来：2025 年初，一家做跨境汽配的客户，SKU 6000 多个但 70% 是长尾低频 SKU（月均销量不到 10 件），老板问我要不要上 AI 补货。我算完账劝他别上：长尾 SKU 的历史数据稀疏，模型预测准确率还不如有经验的计划员拍脑袋；而且低频 SKU 的缺货损失小、积压金额也小，省下来的钱连软件订阅费都覆盖不了。这钱花得冤。

反常识：AI 补货最准的，恰恰是不需要它的地方

说一个很多人不愿意承认的真相：AI 补货预测最准的，是销量稳定的成熟 SKU——而这些 SKU，人工补货本来也不会错得太离谱。 真正让计划员头疼的，是三类货：

**促销季的爆款。**历史数据里没有"今年这次大促"的参照，模型只能按去年的促销系数外推，误差经常翻倍。这时候人工拍板反而更准——计划员知道今年的投流预算翻了三倍，模型不知道。
**新品。**零历史数据，模型只能找"相似 SKU"类比，准不准全看运气。新品前三个月的补货，老老实实人工盯。
**季节性强、波动大的 SKU。**比如防晒、暖宝宝这类，模型在换季拐点处经常慢半拍。

所以正确的姿势是分层：**稳定 SKU 交给 AI 自动跑，促销/新品/高波动 SKU 人工接管。**别指望一套模型吃遍天，也别因为模型在某些 SKU 上不准就全盘否定。补货是分层管理，不是一刀切。