需求感知 vs 需求预测：仓库补货，差的是这 4 周

需求感知和需求预测，差的不是算法，是时间尺度。

去年夏天，美国中西部一场热浪比往年早来了两周。一位做饮料分销的朋友跟我讲了他们 6 月的遭遇：当月的销售预测是 12 万箱，这个数字是按历史同期销量和季节性模型算出来的，从建模的角度看无可挑剔。热浪一到，便利店渠道的 POS 数据在第二周就冲到了接近 9 万箱。等到月度预测流程在月底完成"修正"，部分区域的货架已经空了近两周，紧急从外州调货的成本远高于正常水平。他跟我说了一句话："预测本身没错，是时间错了。"

这个故事恰好说明了需求感知（demand sensing）和需求预测（demand forecasting）最根本的区别：它们回答的不是同一个时间尺度的问题。

预测定方向，感知做修正

根据公开的行业资料，这两者的分工相当清晰。传统需求预测的时间跨度一般是 3~18 个月，数据源主要是历史销量、季节性规律和宏观变量，更新节奏跟着月度或双周的产销协同（S&OP）会议走。它的假设是未来大致会重复过去，因此擅长回答的是方向性问题：明年要不要扩仓、旺季前备多少安全库存、要不要签长期运力。

需求感知则盯着未来 0~8 周。它的输入不是历史，而是现在正在发生的事：门店和电商的实时 POS 销量、在途库存水位、天气预报、社媒声量、促销的实际执行效果。更新频率是每天甚至每小时，服务的是执行层问题：这周补多少货、要不要跨仓调拨、下周排几个班。

两者的关系不是替代，而是分层：预测定方向，感知做修正。一个值得注意的细节是，感知对数据新鲜度的要求极高——如果 POS 数据延迟超过 3 天，感知模型基本就失效了。这意味着感知首先是一个数据工程问题，其次才是一个算法问题。

需求感知在仓库里到底长什么样

对仓库运营者来说，感知落地有三个具体的抓手。

第一，信号进补货。把日粒度的 POS 销量和天气预报接进来，对未来两周做 SKU 级别的销量修正，自动调整安全库存水位。热浪案例里，如果第二周 POS 冲高时系统自动把安全库存上调，断货本可以避免。

第二，信号进人力。感知到下周某个品类销量可能上涨四成，提前五天排班；而不是周五晚上临时打电话叫人来加班。人力是仓库里最刚性的成本，也是对预测误差最敏感的一环。

第三，信号进库位。可能爆发的 SKU 提前挪到黄金拣选位，避免旺季时拣选员在货架深处来回跑。

2024 年底还有一个值得记录的案例：一款储物箱在短视频平台上突然走红，某家居品类的 3PL 仓周一的日单量还是 200 单，到周五冲到了 3000 单。月度预测还在按原来的节奏走，仓库端靠运营人员每天刷社媒评论的"土法感知"顶了三天，第四天才把临时工和库位加上。这就是没有感知层的典型状态：仓库永远在事后追，而不是提前动。

一笔账：需求感知的 ROI 怎么算

AI 栏目不谈情怀，只算账。下面是一个测算框架，参数需要按自家数据替换：

收益项	测算逻辑
缺货损失减少	年缺货损失 × 感知带来的缺货率下降幅度
紧急调拨费用减少	年紧急调拨次数 × 单次溢价 × 下降比例
临时加班减少	年临时加班小时数 × 加班工资溢价 × 下降比例
投入项	数据接口开发、模型服务订阅、约半个数据岗的人力

有一个公开研究可以作为测算的起点：Kinaxis 与 Kearney 在 2023 年的一项联合研究发现，在传统预测之上叠加需求感知的企业，预测准确率提升了 5~20%。取 5% 的保守值代入，一家年缺货损失在数十万美元量级的经销商，单"缺货减少"一项的年收益就可能覆盖一套轻量感知方案两到三年的投入。

但这里有一个前提条件，研究报告里写得很直白：感知在 4 周以外的预测 horizon 上基本没有增量价值。如果你的品类需求稳定、季节性规律极强，感知的 ROI 会大打折扣。先判断自己是不是"高波动、快周转"的品类，再谈投入。

一个反常识的判断

很多人以为需求感知的 ROI 在"少断货"。根据我的观察，大头其实不在缺货率，而在仓库的人力和库位。

逻辑链是这样的：预测每偏离 10%，排班计划、波次计划、库位预留就跟着错 10%。断货是偶发事件，一年可能就几次；但人力和库位的"无效准备"是每天都在烧的钱。一个 200 人的仓，排班误差带来的加班和闲置，一年下来是持续性的损耗。感知把"未来四周"看准了，首先省下来的是这部分天天发生的钱，其次才是偶发的断货损失。

第二个反常识的判断是：感知最大的敌人不是算法，是组织。感知要求"每天根据新信号改一次计划"，但很多公司的计划流程是"每月开一次会定一次盘"。系统上了，流程不改，感知信号只会躺在报表里没人看。落地感知之前，先问一句：我们有没有"每天改计划"的组织能力？没有的话，先改流程，再买系统。