对批发分销企业来说，库存是最大的一笔流动资金，也是最难管的一本账。仓库里一边堆着卖不动、快要临期的货，一边又有客户急要的畅销品断货。很多企业的订货仍然依靠采购员的经验和一张 Excel 表，人一换，节奏就乱。AI 需求预测的意义，不在于给出一个“神准”的数字，而在于让订货从凭感觉变成有依据、可检验、能持续改进的决策。
那么，AI 预测到底比传统方法强在哪里，它能做什么、不能做什么，企业又该如何起步？在这篇文章中，我们将介绍批发分销企业库存问题的根源、传统方法与机器学习预测的区别、AI 预测能用到哪些数据以及它的边界、如何衡量预测准不准，以及一套从少数重点 SKU 起步的分步落地方法。
批发分销企业的库存为什么总是“又缺又多”？
缺货和积压同时存在，看起来矛盾，其实是同一个问题的两面。根本原因是订货量和真实需求之间存在系统性的偏差，而大多数企业既看不见这个偏差，也没有办法持续修正它。
批发分销企业的库存难题，通常来自以下几个方面：
- 品项多、客户多，人管不过来。 分销商往往经营大量 SKU（库存单位），面向众多门店、餐厅或下游经销商。采购员只能重点盯住几十个大单品，其余的大多按习惯补货。
- 需求被订单波动放大。 下游客户往往是成批订货、集中备货，节假日前和促销期间订单量会突然跳升。如果把这种短期高峰当成常态，下一轮就会订多；反过来，如果忽视了季节规律，旺季就会断货。
- 临期和损耗压力大。 食品、饮料、日化等品类有保质期，订多了不只是占用资金，还可能临期打折或直接报废。
- 缺货记录不完整。 客户要货时没有库存，订单往往被取消或改成别的商品，系统里只留下“卖了多少”，没有留下“本来想买多少”。用这样的数据订货，会持续低估畅销品的需求。
- 依赖个人经验。 经验在稳定的环境下很有用，但难以复制，也很难回答“这次订多少、为什么”。
例如，一家给餐饮门店供货的冻品分销商，春节前按去年的量备货，结果今年几家大客户提前备货，节前两周就断了货；节后又因为按节前的高峰补货，导致部分品项积压到临近保质期。问题不在于采购员不努力，而在于靠人脑同时考虑季节、客户、促销和交货周期，本身就超出了能力范围。
AI 需求预测和传统方法有什么不同？
传统的订货方法，大多是经验判断，或者用移动平均（取最近几周或几个月销量的平均值）推算下一期需求。机器学习预测的不同之处在于，它能同时考虑大量影响因素，并对每一个 SKU、每一个客户群分别给出预测，而且会随着新数据不断更新。
下表对比了两类方法的主要区别：
| 对比项 | 经验判断 / 移动平均 | 机器学习预测 |
|---|---|---|
| 依据 | 过去一段时间的平均销量和个人判断 | 历史销量加上多种影响因素 |
| 考虑的因素 | 通常只有销量本身 | 促销、价格、季节、节假日、天气、客户订单等 |
| 覆盖范围 | 重点品项靠人盯，其余凭习惯 | 可以对全部 SKU 逐个预测 |
| 对促销和节假日 | 依赖人工手动调整 | 从历史数据中学习其影响 |
| 更新频率 | 按月或按季度调整 | 可以每周甚至每天随新数据更新 |
| 可解释性 | 容易理解 | 需要专门展示主要影响因素 |
| 对数据的要求 | 低 | 需要较完整、干净的历史数据 |
| 适合的场景 | 需求平稳、品项少 | 品项多、受促销和季节影响明显 |
需要强调的是，机器学习并不总是比简单方法好。在需求平稳、品项少的情况下，移动平均可能已经够用；机器学习的优势，主要体现在品项多、影响因素复杂的场景。
学术界对此有较为扎实的验证。著名的 M5 预测竞赛，要求参赛者预测美国零售商沃尔玛 10 家门店、3,049 种商品的日销量。组织者发表在《国际预测学杂志》（International Journal of Forecasting）上的论文显示，冠军方法比表现最好的传统基准方法准确 22.4%，排名靠前的方法大多基于名为 LightGBM 的机器学习算法，而且所有获奖方案都使用了价格、促销、节假日等特殊日期这类外部信息（来源）。但论文也指出，越往细的层级，提升越小：在单个商品乃至“单品 × 门店”层级，各方法比基准的平均提升只有约 3%。这些数字来自零售场景和论文的公开预印本，不能直接套用到批发分销企业，但它说明了两点：外部信息确实有用，而越细的预测越难。
咨询公司的项目经验给出了更乐观的数字。麦肯锡 2022 年的文章《AI-driven operations forecasting in data-light environments》估计，把 AI 预测应用到供应链管理中，可以把预测误差降低 20% 到 50%，并使缺货造成的销售损失减少最多 65%，仓储成本下降 5% 到 10%，管理成本下降 25% 到 40%（来源）。麦肯锡 2021 年的另一篇文章《Succeeding in the AI supply-chain revolution》则提到，与行动较慢的竞争对手相比，率先成功应用 AI 供应链管理的企业把物流成本改善了 15%，库存水平改善了 35%，服务水平改善了 65%（来源）。这些数字来自咨询项目的经验总结，更接近“做得好时的上限”，而不是每家企业都能达到的平均水平。
AI 预测能用到哪些数据？哪些情况它做不到？
AI 预测的效果，很大程度上取决于喂给它的数据。数据越贴近真实需求，预测就越有用；而对于没有历史可循的情况，再好的模型也只能给出参考。
对批发分销企业来说，常用的数据包括：
- 历史销量。 最核心的数据，最好按 SKU、客户、仓库、按天或按周记录。应尽量使用客户的订货量，而不只是实际出库量，因为出库量会受到缺货的影响。
- 促销和价格。 促销时间、折扣力度、价格调整。没有这些记录，模型会把促销带来的高峰误认为是正常需求。
- 季节和节假日。 春节、中秋、开学季、旅游旺季等。很多品类的需求有明显的周期规律。
- 天气。 对饮料、冰品、季节性食材等品类影响明显。麦肯锡在上述文章中也把天气列为预测中常用的外部数据之一。
- 客户订单和计划。 大客户的预订单、门店开业计划、合同约定的供货量，往往比历史数据更能说明未来几周的需求。
- 缺货和替代记录。 记录哪些订单因缺货被取消或替换，有助于还原被压低的真实需求。
同样重要的，是了解 AI 预测的边界：
- 新品。 没有销售历史的新品，模型难以直接预测。常见做法是参考相似商品的历史，或者在上市初期以人工判断为主。
- 突发事件。 疫情、极端天气、供应中断、竞争对手突然降价，这类事件无法从历史数据中学到。麦肯锡也提醒，像疫情期间这样的异常时期会干扰模型，需要对数据做平滑或单独处理；在需求剧烈波动时，过度依赖历史数据的模型会失效。
- 一次性的大订单。 某个客户偶然的大批量采购，如果不加标注，会让模型高估之后的需求。
- 长期预测。 预测的时间跨度越长，不确定性越高。AI 更擅长未来几周到几个月的滚动预测。
例如，一家日化分销商引入一款新的洗衣凝珠时，模型无法给出可靠的预测，采购团队可以参考同品牌其他新品的上市曲线来定首批订货量，等积累了几周的真实销售数据后，再逐步交给模型接手。
如何衡量预测准不准？
衡量预测准确率，目的是判断预测是否在改善、是否值得信任，而不是追求一个漂亮的数字。最重要的不是选哪一个指标，而是用同一个指标、同一种口径，持续地与基线比较。
最常见的指标是 MAPE（平均绝对百分比误差）。它的意思很直观：每一期的预测和实际差了百分之多少，再取平均值。例如，某商品实际卖了 100 箱，预测是 80 箱，这一期的误差就是 20%。MAPE 越低，预测越准。
但 MAPE 有一个对分销企业很重要的缺陷。莫纳什大学（Monash University）学者编写的预测教材《Forecasting: Principles and Practice》指出，当实际销量为零时，百分比误差无法计算，实际销量接近零时误差会变得极大，而且它对高估和低估的惩罚并不对称（来源）。批发分销企业有大量长尾 SKU，很多商品某些天或某些周根本没有销量，直接算 MAPE 很容易得出失真的结果。
因此，实践中可以结合以下几种方式：
- 平均绝对误差（MAE）。 直接计算预测和实际平均差了多少件、多少箱，单位和业务一致，容易理解。
- 按销量加权的误差。 把所有商品的误差加总后除以总销量，畅销品的权重更大，更贴近对经营的实际影响。
- 与简单方法比较。 上述教材介绍的 MASE（平均绝对标度误差）把模型的误差与“用上一期销量当作预测”这种最简单的方法相比，结果小于 1 说明模型比简单方法更好。
- 偏差。 看预测是长期偏高还是长期偏低。持续偏高会导致积压，持续偏低会导致缺货，这比单纯的误差大小更值得关注。
最后，预测准确率只是中间指标。真正要看的，是缺货率、库存周转天数、临期报损金额和订单满足率这些业务结果有没有改善。
如何一步步落地 AI 预测与智能补货？分步指南
落地 AI 预测，不需要一开始就覆盖全部商品。先在少数重点 SKU 上证明效果，再逐步扩大范围，是风险最小、也最容易获得团队认同的路径。
第 1 步：从少数重点 SKU 开始。 选出销售额占比高、或缺货与积压问题最突出的几十到一两百个 SKU，作为第一批试点。例如，选择销售额排名前列的商品，再加上近半年报损最多的品类。
第 2 步：清理和整理销售数据。 导出至少一到两年的历史订单数据，统一商品编码和计量单位，标注促销期、缺货期和一次性的大订单，剔除退货和内部调拨。数据清理通常是最耗时、也最决定成败的一步。
第 3 步：设定基线。 在引入 AI 之前，先记录现有方法（采购员经验或移动平均）的预测误差，以及缺货率、库存周转天数、临期报损等业务指标。没有基线，就无法判断 AI 到底有没有带来改善。
第 4 步：小范围试运行，与现有方法对比。 让模型和现有方法并行运行几个订货周期，用同一套指标比较两者的表现。这个阶段不必立刻按模型的结果下单，重点是观察它在哪些商品上表现好、在哪些商品上表现差。
第 5 步：建立人机结合的审核机制。 模型给出建议订货量，采购员负责审核和调整，尤其是新品、促销品和已知有特殊情况的商品。要求采购员在大幅修改时简单注明原因，例如“大客户下月新开两家店”。这些备注既能提升当期决策质量，也是改进模型的宝贵信息。
第 6 步：把预测转化为补货规则。 预测只回答“会卖多少”，补货还要回答“订多少、什么时候订”。需要结合供应商交货周期、最小起订量、安全库存、仓储容量和保质期，制定清晰的补货规则。例如，对保质期短的商品设置更低的安全库存和更频繁的小批量订货。
第 7 步：持续评估和扩展。 每月复盘预测误差、偏差和业务指标，分析误差较大的商品原因。当试点 SKU 的效果稳定后，再逐步扩展到更多品类和仓库，并定期用新数据更新模型。
关于 AI 需求预测与智能补货的常见问题
中小分销企业的数据量够用 AI 预测吗？ 多数情况下够用。只要有一到两年按 SKU 记录的订单数据，就可以从重点商品开始尝试。麦肯锡在上述文章中也认为，即使数据有限，大多数企业的数据也足以从 AI 预测中受益，只是需要选择适合小数据量的方法。
AI 预测会取代采购员吗？ 不会，但采购员的工作重点会改变。日常的计算和补货建议交给系统，采购员把精力放在供应商谈判、新品引入、异常处理和对大客户需求的判断上。
预测准确率达到多少才算好？ 没有统一标准，不同品类、不同层级的预测难度差别很大。更实际的做法是与自己的基线比较，看误差是否持续下降，缺货和积压是否同步减少。
需要先上新的 ERP 或专门的系统吗？ 不一定。只要能从现有系统中导出完整的订单、库存和商品数据，就可以开始试点。但如果订单和库存数据分散在多个表格中、口径不一致，先整理数据基础往往比引入预测工具更紧迫。
参考资料
- AI-driven operations forecasting in data-light environments，McKinsey，2022 年 2 月
- Succeeding in the AI supply-chain revolution，McKinsey，2021 年 4 月
- M5 accuracy competition: Results, findings, and conclusions（预印本全文），Makridakis、Spiliotis、Assimakopoulos，International Journal of Forecasting，2022 年 10 月（期刊信息）
- Forecasting: Principles and Practice（第 3 版）：预测准确率评估，Rob J Hyndman、George Athanasopoulos，Monash University，2026 年 11 月访问
