工厂库存管理系统如何接入 AI 预测？

结论：工厂库存系统接入 AI 时，先预测需求，再结合现有库存、在途量、采购提前期和安全库存计算补货建议。首期只让系统给建议、由采购确认；连续回测证明能减少缺货和积压后，再开放低风险 SKU 自动补货。

库存预测不是把 WMS 流水交给一个大模型，让它猜下个月卖多少。预测对象通常是“某个 SKU 在某个仓、某个时间粒度内的需求量”；补货量则是预测需求与库存策略共同计算的结果。两者混在一起，会让团队无法判断错误究竟来自模型、采购周期，还是库存台账。

三条实施路线直接对比

路线	适用数据	能解决什么	主要局限	直接建议
固定安全库存与补货点	历史数据少、需求稳定、SKU 不多	规则清楚，业务容易解释	无法及时适应季节、促销和趋势变化	应作为所有 AI 方案的基线
分组时间序列 / 机器学习	有 1–2 年连续出入库与订单数据	可按季节、价格、活动和提前期预测	新品、间歇性需求和突发事件仍难预测	大多数工厂首选
预测模型 + 优化引擎自动补货	数据完整、约束明确、采购接口稳定	可同时考虑 MOQ、箱规、仓容和资金占用	错误可能直接形成采购损失	只对验证稳定的 SKU 分批开放

数据先达到什么条件

至少要统一 SKU、仓库、单位和时间。销售订单、实际出库、退货、调拨、缺货未满足需求不能混成一条“销量”；采购单日期和实际到货日期要分开，否则模型看不到真实提前期。还应标记促销、停产、换型、设备检修、节假日和一次性大单，因为这些事件不一定会按历史规律重复。

不同 SKU 不能套同一个方法。稳定快周转品可以用季节性时间序列；需求稀疏的备件要用间歇性需求方法；新品没有足够历史，可参考相似品并让业务人员给出首批判断；已停产或即将替代的型号则不应继续按历史趋势外推。

接入现有 ERP / WMS 的实际链路

系统每天或每周读取订单、出库、库存、在途和采购提前期，生成分位数预测或区间，而不只给一个看似精确的数字。随后按安全库存、服务水平、最小起订量、包装倍数、供应商日历和仓容计算建议采购量，并在采购工作台显示“建议值、上下界、主要原因、与原规则差异”。采购人员可以采纳、修改或拒绝，修改原因会成为下一轮分析的反馈，但不能未经审核直接当作训练标签。

前 8–12 周应使用影子模式：系统产生建议，但不改变真实订单。按历史时间顺序滚动回测，禁止随机拆分训练集和测试集造成未来信息泄漏。上线后同时保留规则基线，一旦数据延迟、模型漂移或异常活动发生，系统可退回原补货逻辑。

验收看经营结果，不只看预测误差

预测层可按 SKU 分组统计 WAPE、偏差和预测区间覆盖率；库存层应记录缺货率、订单满足率、库存周转天数、呆滞库存金额、紧急采购次数和人工调整比例。MAPE 不适合直接评价大量零需求 SKU，也不能用全品类平均值掩盖高价值物料的错误。最终判断标准是：在相同服务水平下资金占用是否下降，或在相同库存水平下缺货是否减少。

滚水科技会先打通 工厂进销存解决方案 所涉及的库存、采购和订单数据，在一个仓库、一类 SKU 上做基线与影子测试，再决定是否接入自动补货。交付应包括数据字典、SKU 分组、回测报告、建议工作台、异常回退和接口日志，不在数据盘点前承诺统一提升比例。

参考依据

• Forecasting: Principles and Practice—What can be forecast：说明可预测性取决于影响因素、历史数据和未来与历史的相似程度。
• Forecasting: Principles and Practice—Time series cross-validation：用于核对按时间顺序滚动评估的方法，避免随机切分带来的未来信息泄漏。
• 滚水科技工厂管理数字化案例：用于说明站内已有的工厂业务数据采集与系统集成经验；具体预测效果仍需客户数据回测。

预测只能减少不确定性，不能消除供应中断、突发订单和人为录入错误。自动采购的权限与金额上限应由企业制度决定。