点击标签，查看该标签下的文章、视频和新闻
oms implementation 返工多半不是系统没装好，而是订单、库存、渠道三类主数据没对齐：这篇给出一份上线前的数据准备清单与切换排练标准。
很少有 AI 厂商愿意正面回答：“how much data does warehouse AI need”——仓库 AI 到底要多少数据才够用？跟踪了数十个公开部署案例后，我发现答案不是一个数字，而是一张分场景的门槛表；真正的分水岭也不在试点，而在从试点到上线的路上。
买 AI 之前，先把仓库 AI 数据准备做完：主数据、运营事件数据、反馈数据这三类数据，决定了任何 AI 模型在你家仓库的天花板。内含自测清单与算账框架。
预测模型调参调不出好结果？老米用20年一线经验告诉你：仓库需求预测的功夫全在特征工程——哪些数据值得喂、滞后特征怎么搭、数据泄漏怎么防。
日单几百到几千的小仓库，上 AI 不需要大平台——从 Excel+BI 看板起步，用 3～5 个轻量 SaaS 工具拼装，老米讲清楚哪些值得先做、哪些别碰、账怎么算。
去年一家 Ontario 的 3PL 仓找我做顾问，说想上 AI 需求预测，供应商 demo 做得漂亮，合同都快签了。我去现场待了两天，回来跟老板说的第一句话是：这钱现在花了就是打水漂。不是算法不行，是他们家 2 万多个 SKU 里，有 4000 多个连条码都没贴全，拣选员靠记忆认货。算法再聪明，也算不出"靠脑子记"的那部分库存。
新文章发布时，第一时间发到你的邮箱。
