2024供应链AI Agent三道防线排行榜

在之前的《聊聊AI Agent在供应链场景下的应用（上篇）》中，我们主要梳理了供应链五大环节里AI Agent能带来的提效空间。但具体怎么落地，很多细节还没展开。今天这篇文章，就来深入聊聊这个话题。

企业在扩张过程中，供应链的压力往往是悄悄累积的。最开始可能只是销售预测的准确度开始滑坡——市场竞争越来越激烈，消费者的喜好越来越难捉摸，以前那套拍脑袋定销售计划的方法，显然已经跟不上节奏了。紧接着，采购端的麻烦也冒出来了：供应商送货不准时、货品质量参差不齐、库存积压开始抬头。更头疼的是，这边某些渠道缺货缺得厉害，那边供应链反应迟钝，补货周期长得让人心急。

这些问题在业务扩张期几乎是标配。要应对这种难以预判的需求洪水，搭建供应链的基本防线就成了必修课。

第一道防线是需求预测，也就是销售预测。预测越准，后续的压力就越小。但话说回来，销售预测不可能做到100%准确，行业里通常把目标定在80%的准确率——能挡住80%的洪水，就已经是非常理想的状态了。

那些没被第一道防线拦住的“漏网之鱼”，会流到第二道防线：库存计划。库存计划越科学，缓冲需求波动的能力就越强。而库存计划的核心，就是安全库存和订货点的设定。

如果第二道防线也失守了，需求就涌到了第三道防线：监控执行。这一关靠的是供应链的快速反馈能力——缺货预警、自动补货、门店间调拨、需求延迟满足和补偿，都是非常有效的执行手段。

接下来，我们就结合AI Agent，详细拆解这三道防线的搭建方式。

第一道防线：需求预测

销量预测是第一道防线，也是整条供应链的“减压阀”。预测越准，后面库存和执行的负担就越轻。

销量预测通常需要覆盖三个维度：商品（各个产品的销量，零售、餐饮、快消这些行业尤其品类多）、时间（日、周、月、季度、年，具体粒度看业务需要）、渠道（每个门店、每个电商平台，方便铺货调配）。

为什么要做销量预测？根本原因在于供应链的响应能力有限。试想一下，如果消费者下单的瞬间你就能立刻出货，那还要预测做什么？就像我们从来不会去做“用水量预测”一样，因为打开水龙头，水大概率是直接能用的。

正是因为供应链的响应周期——短则一天，长则一周甚至数周——我们才不得不做预测，去弥补这个时间差。响应周期越长，对预测的依赖度就越高。

那么，具体怎么做销量预测？主要分两大环节：拟合和估算。

拟合

拟合的思路是用历史销量数据，通过算法计算每个因子对销量的影响权重，然后外推未来销量。核心因子包括地点、门店、日期、季节、天气、节假日、优惠活动、产品价格等等。

举个例子，可以构建一个帮助每个门店预测未来一周销量的AI Agent，流程大致是这样的：

• Agent对接订单系统，抽取过去三年每个门店、每个品类的销量数据，按周聚合。之所以取三年，是为了把季节性因素考虑进去——很多品类都受季节影响。
• 用相关性算子提取出影响销量的关键因子，避免引入过多因子导致过拟合。
• 把过去三年的数据随机分配，80%的周作为训练样本，20%作为测试样本。
• 用训练样本的数据集，通过线性回归模型训练，计算每个关键因子的权重。
• 用测试样本做模型测试，不断微调因子和参数。设定一个阈值——比如预测准确率80%——如果模型预测某一周某个门店的销量，误差在20%以内，就算这个测试点准确。统计所有测试点的准确率，如果超过80%，模型训练就完成了。
• 训练完成后，每周预测一次每个门店下周的销量。

估算

拟合法虽然有效，但也有局限性——它更适合销量相对稳定、客群相对分散的产品。如果某个渠道的某个产品，一个客户的销量就占了30%，那客户需求稍微一波动，整体销量就会剧烈震荡。

这种情况下，就得改用估算法：先判断这个大客户未来一段时期的需求是上升还是下降，估算出一个比例。

“上帝的归上帝，凯撒的归凯撒”——放到这里就是“拟合的归拟合，估算的归估算”。要告诉AI Agent，哪些是占销量比重很大的“大客户”，先把这部分单独挑出来做估算；剩下的需求稳定、客户分散的部分，再用拟合法处理。

需求预测结果出来后，还有件非常重要的事：对接企业的销售端、供应链端以及关键供应商，保证上下游部门和合作伙伴都盯着同一个数字去协同。这时候AI Agent又能派上用场——比如每周做完销量预测后，自动把报告通过邮件发送给关联部门。

第二道防线：库存计划

再精准的销量预测也不可能做到100%准确。通常来说，第一道防线能挡掉80%的需求洪水，就已经是超额完成任务了。剩下的20%，就靠库存计划来扛。

比如预测明天门店能卖100件，结果实际卖了120件，多出来的20件从哪来？答案就是门店库存。

很多人对库存有误解，觉得库存都是不好的。其实，合理的库存是供应链的粘合剂——它能应对需求的不确定性，有效对接需求和供给。真正有害的是“风险库存”，也就是库存过多、需要极长时间消化甚至完全消化不掉的那部分。

通常来说，库存分四类：

• 周转库存：业务正常经营用的库存，由周转周期决定。比如周转周期是一周，门店日常都会备一周的货。
• 安全库存：用来应对需求和供给的不确定性，达到特定客户服务水平的库存。安全库存是库存计划的核心，也是第二道防线的“主力部队”。
• 过剩库存：超出周转库存和安全库存的部分，但能在一定时间内消化掉（比如一个月内）。
• 风险库存：剩下的部分，很难在短期内消化，极易形成库存坏账。

目标很明确：保证充足的周转库存和安全库存来应付市场需求，同时尽量消除过剩库存和风险库存。

安全库存的高低取决于三个因素：需求的不确定性、供给的不确定性和服务水平的要求。

需求的不确定性

需求越稳定，安全库存就越少；需求波动越大，安全库存就越多。举个例子，如果门店每天稳定售出100件，最多上下波动5件，那安全库存备5件就绰绰有余。但如果今天卖20件、明天卖200件，那就得多备一些了。

影响需求波动的因素有不少：

• 环境因素：比如天气，线下门店下雨天客流量明显下滑，这类波动来得突然，难以预测。
• 节日和促销因素：大型节假日、周年庆、满减活动期间，需求通常会冲高，但这类因素可以提前预判，方便提前备货。
• 竞争因素：附近开了同类型的店，会分流大量线下客流。
• 用户因素：用户需求或偏好发生了变化，这类变化一般比较缓慢，不会一夜之间发生。
• 意外因素：突然出现的热点或负面舆论，也能让需求大幅波动。

要量化需求的不确定性，通常用统计学上的标准差。假设需求的波动符合正态分布，标准差就是实际值与预测值的差距。AI Agent可以分析历史销售数据，计算每个渠道、每个品类的标准差，从而量化需求的不确定性。

供给的不确定性

供给的不确定性，通常是指供应周期的不确定性。供应周期越稳定，安全库存就越少；越不稳定，安全库存就越多。

假设每天稳定售出100件，如果供应商能稳定地每周送货700件，那根本不需要安全库存。但如果供应商的供应周期很不靠谱——有时候一周，有时候两周甚至更久——那就不得不备更多的安全库存，以防断货。

影响供给的因素同样不少：

• 供应商因素：供应商的生产能力、财务状况、管理水平都会影响稳定性。比如供应商财务出问题导致停产，直接影响原材料供应。
• 运输和物流因素：延误、损耗、事故、海关清关等都可能造成波动。
• 政策和法规因素：比如某国突然提高某种原材料出口关税，导致价格波动，影响生产成本和供应。
• 自然因素和突发事件：2011年日本福岛地震导致多家汽车零部件供应商中断，影响全球汽车市场——这就是典型案例。

这些因素都很难提前预判，所以企业必须设置相应的安全库存。同样，可以用标准差来量化供给的不确定性——假设供应周期也符合正态分布。AI Agent可以分析每个品类的供货历史数据，了解供应商的交货周期、产品质量、价格波动等信息，从而量化供给的不确定性。

服务水平的要求

服务水平，指的是当需求产生时，有多大概率能用现有库存来满足。服务水平越高，安全库存就越多；反之亦然。

试想，如果消费者来门店必须马上有货，否则就投诉，那就得配置更多安全库存。如果消费者对现货没那么高要求，过几天再来取也能接受，那安全库存就可以少一些。

95%的情况能立刻满足需求，和80%的情况能立刻满足需求，服务水平完全不一样。但通常我们不用概率直接表示，而是用“Z值”。

Z值表示离需求正态分布轴线多少个标准差。举个例子：如果放置1个标准差的安全库存，服务水平会从50%提高到84.13%；再放1个标准差，能到97.7%；再放一个，能到99.9%。

如果要实现95%的有货率，查表可知Z值是1.64——也就是放1.64个标准差的安全库存。不难看出，服务水平越高，成本就越高。为了做到99.9%的有货率，需要3个标准差的安全库存，但库存周转率会非常低。企业需要平衡服务水平和成本。当然，从用户体验出发，服务水平越高越好，但也可以用其他方式组合——比如95%的情况下立刻由当前库存满足，99%的情况能在2天内发货，100%的情况能在3天内发货。

安全库存的计算

在确定需求的不确定性、供给的不确定性和服务水平之后，就可以套用标准公式计算安全库存了。公式里，需求的不确定性由平均补货周期、需求预测颗粒度和需求预测标准差决定；供给的不确定性由平均需求预测值和补货周期标准差决定。单位换算的目的，是保证需求预测的时间单位和补货周期的时间单位一致。

这个公式也是标准化的，完全可以用AI Agent来完成计算。

安全库存的使用非常广泛：门店有门店的安全库存，品类有品类的安全库存，仓库有仓库的安全库存。不能“胡子眉毛一把抓”，一定要按渠道和品类拆分开来。

安全库存的优化

AI Agent还可以用来优化安全库存。在影响安全库存的三个因素中，服务水平和企业的价值主张强相关，不容易调整。要想降低安全库存，就得从降低需求和供给的波动性入手。

降低需求的不确定性：

• 第一，提高需求预测准确性。AI Agent可以用更先进的统计方法、机器学习算法进行预测，并定期更新模型以适应市场变化。
• 第二，利用Agent自动爬取网络信息，收集消费者需求、行业趋势、竞争对手的动向，实时了解市场真实需求。

降低供给的不确定性：

• 第一，避免过度依赖单一供应商。与多个可靠的供应商建立合作关系，降低因单一供应商出问题导致的断供风险。AI Agent可用于供应商寻源、条件筛选、资质审查，降低人工成本。
• 第二，优化供应商评估和管理。定期评估供应商的质量、交货期、价格，表现不佳的及时改进或替换。
• 第三，加强供应链协同。通过信息共享、协同计划等方式提高整体稳定性。这正是AI Agent的强项——保持企业和供应商之间高效的信息流动。

第三道防线：监控执行

即使安全库存设置得再合理，偶尔也会遇到突发状况——突然某天客户需求爆发，第二道防线也扛不住。这时候，第三道防线就得顶上来了。

所有计划都天然存在不准确性，这是计划本身的“先天不足”。所以，执行环节就是用来弥补这种不足的。供应链的执行包含两个层面：

第一，严格落地第一道防线和第二道防线的政策。按销售计划和库存计划，以最高效率、最低成本的方式去执行。销售计划和库存计划都是具体数字，需要通过信息化系统搭建完整流程，保障供应商、工厂、仓储、渠道的协同。比如，当AI Agent检测到库存降到安全库存水平线以下时，自动发起采购请求。

第二，驱动供应链快速、有效地应对没有预料到的情况。比如面对突发需求暴涨，可以通过给予用户权益等方式安抚，同时快速向上游反馈市场需求变化，通过协同、催货等手段加速供应链响应。

现在，很多优秀企业已经利用AI Agent把监控执行做到了自动化。当Agent检测到异常情况——提前售罄、库存过多、供货不及时等——系统会自动通过邮件、信息、电话通知相关负责人。

还有些企业建成了供应链可视化系统，通过SCM、GPS等技术手段实现数据实时采集和监控。各个门店的实时销量和库存、仓库的剩余库存、在途库存、产线上的生产速度、预警信息等，都能通过可视化系统从全局掌握。

总结

这篇文章详细拆解了供应链三道防线的搭建方式——从需求预测、库存计划到监控执行，层层递进来应对变幻莫测的市场需求。随着AI和大数据的发展，这些工作也从传统的基于人工经验，越来越转向自动化和智能化。

供应链是一个非常适合AI大模型落地的业务领域。对于想在AI ToB方向有所作为的朋友，这个方向值得重点考虑。