用 AI 和 ERP 数据做需求预测：库存与采购的务实指南

在贸易和制造企业中，几乎每一项运营决策都始于同一个问题：我们能卖出多少？这个问题的答案决定了向供应商订多少货、准备多少原材料、仓库排多少班，以及有多少资金被压在库存上。在许多企业里，答案仍然来自采购人员的直觉，或者电子表格里最近三个月的平均销量。

借助 AI 进行需求预测，承诺了一种更好的方式。但这种承诺常被夸大，仿佛先进的模型能够精准预知未来。本文以务实的态度讨论需求预测：需要哪些 ERP 数据、哪些方法适合中型企业、如何衡量预测是否真的在改善，以及如何把预测结果与采购和生产决策联系起来。

要点概览

• 预测永远不会完全准确，目标是减少误差并认识不确定性，而不是消除它
• ERP 中的历史销售数据是基础，但必须先剔除缺货、促销和一次性订单等失真因素
• 先用简单的统计方法作为基准，只有在证明更准确时才采用机器学习
• 按物料组定期衡量预测的准确度和偏差，而不只看整体平均值
• 只有当预测与 ERP 中的采购、生产和安全库存计划相连，并为人工判断留出空间时，才能创造价值

为什么需求预测很重要

预测误差最终都会转化为成本。预测过高，仓库里就会堆满滞销品，占用营运资金，损坏或过期的风险也随之上升。预测过低，就会出现缺货，客户流向竞争对手，团队不得不以更高价格紧急采购。两者都会直接影响现金流。

更好的预测不必完美也能带来回报。仅仅降低高价值或高销量物料的误差，就能同时提升服务水平并降低库存。正因如此，需求预测常常是最容易与可衡量业务成果挂钩的 AI 应用之一。

需要从 ERP 获取的数据

预测模型的好坏取决于输入的数据。所需的大部分数据其实已经存在于 ERP 中，前提是记录得规范完整。

• 按物料、地点以及按日或按周统计的销售或发货历史
• 库存历史，用于判断何时缺货，因为缺货期间的销量并不反映真实需求
• 促销、折扣和价格变动的历史
• 物料资料：类别、上市日期、在售或停售状态，以及替代物料
• 企业对企业销售中的客户或渠道数据，因为单一客户的大额订单可能扭曲规律
• 供应商交货周期和最小订购量，在把预测转化为采购计划时需要用到

主数据的质量至关重要。如果同一产品以多个编码记录，或者替代物料没有与旧物料关联，模型看到的就是支离破碎的历史。

销量不等于需求

最大的陷阱之一，就是把销量当作需求。如果某件物料缺货两周，这段时间销量为零，但客户其实一直在找它。如果直接使用这些数据，模型就会预测出更低的需求，库存越来越少，缺货也越来越频繁。在用数据训练模型之前，必须标记并修正缺货期。

促销也是同样的道理。大幅折扣期间的销量激增并非正常规律，而且之后往往会因为客户已经囤货而出现回落。来自大客户的一次性项目订单，也应与日常需求分开处理。

预测方法：由简到繁

基础统计方法

移动平均、指数平滑以及考虑趋势和季节性的模型已经使用了数十年。这些方法易于理解、计算迅速，对于需求稳定的物料往往效果已经足够好。更重要的是，它们是必不可少的基准。任何 AI 模型都必须证明比这些简单方法更准确，才值得采用。

机器学习

机器学习模型，例如基于决策树的模型或神经网络，可以同时考虑许多因素：价格、促销、节假日、天气、发薪日，以及相似物料的数据。它的优势体现在拥有成千上万种物料、多个地点且促销影响显著的业务中。一个模型可以从整个产品组合中学习规律，因此历史较短的物料也能借助同类物料的规律获得帮助。

但机器学习并不是万能的。对于物料少、数据历史短的企业，复杂模型可能因为过度拟合过去的偶然现象而输给简单方法。此外，难以解释的模型往往得不到采购团队的信任，结果就被束之高阁。

语言模型与生成式 AI

大语言模型等生成式 AI 并不是计算预测数字的主要工具，更适合扮演辅助角色：概括某个物料的预测为何发生变化、用日常语言回答计划人员的问题，或帮助处理营销团队的促销计划等非结构化信息。关于这些局限的更多讨论，请参阅运营中的 AI 风险。

并非所有物料都应采用同一种预测方式

物料组合通常由几类特性不同的物料组成。用同一种方法处理所有物料，很少能得到最好的结果。

• 需求稳定的畅销品：统计方法或机器学习通常效果良好，重点在于准确度
• 季节性物料：需要多个季节的历史数据，并特别关注季初和季末
• 需求稀少且不规则的物料，例如备件：需要针对间歇性需求的专门方法，往往更适合用最低库存规则管理
• 没有历史数据的新品：参考相似物料的规律和销售团队的判断，并在早期数据进来后迅速更新
• 即将停售的物料：有计划地减少采购，避免留下呆滞库存

这种分组方式可以与库存计划与补货一文中按价值划分物料的方法相互补充。

衡量预测是否在改善

没有衡量，就很难判断 AI 项目是否真正带来了收益。需要关注两项指标。第一是准确度：预测与实际相差多少。常用的衡量方式包括平均绝对百分比误差，以及按销量或销售额加权的绝对误差。第二是偏差：预测是否总是偏高或总是偏低。持续的偏差往往比随机误差危害更大，因为它会不断堆积库存或不断造成缺货。

要在与决策相关的层级上衡量准确度。如果采购是按物料、按仓库每周进行的，准确度也必须在这个层级衡量，而不只看公司每月的总销量。始终要与简单的基准方法以及之前使用的人工预测进行比较。

从预测数字到业务决策

存放在独立报表里的预测很少能改变什么。只有当预测流入 ERP 的计划流程时，它的价值才会显现：计算再订货点、根据预测不确定性和供应商交货周期设定安全库存、编制生产计划，以及生成供采购人员审核的采购订单草稿。

安全库存不应对所有物料设为固定数值。预测经常偏离或供应商不可靠的物料，需要比需求稳定的物料更大的缓冲。同时要把计划与供应商绩效评估联系起来，因为交货周期不稳定与预测失准同样代价高昂。

人工判断的作用

销售和营销团队常常掌握数据中没有的信息：大客户即将开设新分店、竞争对手正在断货，或下个月将推出一项营销活动。好的系统会为人工调整留出空间，但会记录是谁修改的、调整幅度多大以及原因是什么。有了这些记录，企业就能判断人工调整究竟是改善了预测，还是增加了偏差。

如何起步

1. 01选择一个重要且数据相对规范的物料类别作为试点
2. 02收集至少覆盖几个季节的销售和库存历史，并标记缺货期、促销和一次性订单
3. 03计算当前所用预测的准确度，作为起点
4. 04建立简单的统计方法作为基准，再用它来检验更复杂的模型
5. 05把最佳预测接入 ERP 中的再订货点计算和采购订单草稿
6. 06每月跟踪准确度、偏差、物料供应率和库存价值，然后推广到其他类别

如果数据仍分散在多个系统中，第一步可能是先把数据整合起来，例如借助数据仓库。对于刚刚起步的企业，在运营中启动 AI 自动化一文介绍了如何选择切实可行的第一个 AI 项目。

常见错误

• 用未修正缺货期的原始销售数据训练模型
• 只在总量层面衡量准确度，导致物料层面的大误差被掩盖
• 不设简单基准就直接采用复杂模型
• 预测止步于报表，没有与采购流程相连
• 忽视销售团队的意见，或者反过来允许不留记录、不做评估的人工调整

结语

AI 需求预测不是魔法，但也不只是潮流。凭借干净的 ERP 数据、以证据为依据选择的方法、诚实的准确度衡量，以及与采购和生产流程的整合，中型企业可以同时减少库存积压和缺货。从一个类别开始，衡量结果，再逐步推广。持续且可衡量的成果，远比团队自己都不信任的最先进模型更有价值。