仓库配货为什么总有缺口：AI 做库存预测的边界在哪

过去两年，几乎所有做零售和制造的企业都在试 AI 库存预测。一个反复出现的现象是：模型的预测准确率从 68% 提到 82%，缺货率几乎没变，库存周转也没改善。于是项目被判定为”效果不佳”。

但问题往往不在预测环节。库存优化的链条上有四个环节——预测、补货策略、执行、履约——预测只是第一环，而且通常不是最薄的那一环。

环节一：预测，AI 相对有优势的地方

预测这件事，AI 确实比人工强，尤其在有这些特征的场景：

• SKU 多（几百到几万），人工根本看不过来
• 需求有促销、节假日、天气等外生变量
• 有历史销量且相对稳定，可以学到季节性和趋势

AI 相对传统时间序列方法的增量，主要来自三点：能自动处理多层级（单品/品类/门店/区域）的一致性、能把文本类信号（促销计划、舆情）纳入、以及能做非线性的交叉影响。

要注意的边界：新品预测、长尾低频 SKU、以及被促销扭曲过的历史，这三类 AI 并不可靠。新品没有历史，模型只能靠相似品推理，误差极大；长尾 SKU 的销量是零散随机事件，预测精度提升对决策毫无意义——你总不能为一个月卖两件的商品建一个精密的补货模型。

一个务实的分层策略：头部 20% 的 SKU 用重模型精细预测，中段用简单规则，长尾直接按最大最小值（min-max）备货。

环节二：补货策略，才是缺口的主要来源

这是最常被跳过的一环。预测告诉你”下周大概卖 300 件”，但要不要补货、补多少、什么时候下单，是另一回事，取决于：

• 供应商的交期和交期波动
• 最小起订量与包装规格
• 仓储空间与资金占用
• 服务水平目标（缺货率容忍度）

常见错误有三个：

1. 沿用固定的安全库存天数。 交期波动大的供应商需要更高安全库存，交期稳定的可以压低。一个全局参数必然在某些 SKU 上过松、某些上过紧。
2. 忽略补货批量约束。 模型算出”补 87 件”，供应商最小起订 100 件，实际补 100 件，多出的 13 件就形成了新的呆滞风险。
3. 补货周期与销售节奏错位。 促销前两周需求会跳升，而补货一次要十天，等你看到销量增长再补已经来不及。

这一环的改进，往往比把预测准确率提高 5 个点带来的收益更大。一个中等精度的预测配一个好的补货策略，胜过精准预测配粗暴策略。

环节三：执行，让数据回流

补货单发出去了，货到没到、到货量对不对、有没有部分缺交——这些信息必须回流到系统里，才能修正下一次的预测和补货。

这一环在多数企业里是断的：补货单在 Excel 里，到货信息在收货台账里，两者对不上。AI 在这里能做的事很具体：用文档抽取把供应商的到货通知、对账单、物流单结构化，自动匹配补货单，标出差异。

这件事看起来不”智能”，却是整个链条里投入产出比最高的一步之一——因为它让后面所有的预测和策略有真实反馈可以学习。

环节四：履约，门店之间的调拨

当某个门店缺货、隔壁门店有货时，最快的办法是调拨，而不是等补货。这属于分配优化问题，规则可以做得很有效：按各门店的预测需求、当前库存、调拨成本计算优先级。

AI 在这里的价值主要是处理规模和组合复杂度，规则并不复杂。

从哪一步开始做

投入产出排序（从高到低）：

1. 先把到货数据打通。 没有真实交期，后面都是猜。
2. 把补货策略参数化，按供应商/品类分组，用历史数据回测服务水平。
3. 再做分层预测，只对头部 SKU 上重模型。
4. 最后做调拨优化。

反过来做的团队（先上预测大模型），通常得到的是一份漂亮的准确率报告和一堆”怎么还是缺货”的追问。

一个必须说清的期望值管理

库存优化本质是在缺货成本和持有成本之间做权衡。AI 能把这个权衡做得更细、更及时，但它不能消灭权衡本身。见到很多项目把目标定成”缺货率下降一半、库存同时下降两成”，这两个目标在数学上通常互斥，除非原有的策略真的很差。

设目标时，把两个数字同时写进验收标准，并约定好权重。否则项目最后往往会陷入”究竟算成功还是失败”的争论，而这本可以在启动前就避免。