供应链AI优化：需求预测与补货优化

可视化演示

演示供应链需求预测与补货优化：融合历史销量与外部特征预测需求，计算安全库存与再订货点，并优化多级补货决策。

需求预测基础

老周开了一家小馆子，每晚打烊后都要做一道“算术题”：明天备多少菜。备多了，青菜烂在冰箱里；备少了，客人点单时只能尴尬地说“不好意思，卖完了”。他随身带着一个小本子，记下每天来了多少桌客人、点了什么菜——这个本子，就是最早的“需求预测系统”。预测这件事，供应链里每天都在发生，只是规模从一张餐桌放大到了全国仓库。

供应链里说的“需求预测”，本质就是老周写日记这件事：用过去发生的销售数据，推断未来一段时间客户会买多少。把每天、每周的销售量按时间顺序排成一列，就得到“时间序列”——它像一卷记录生意兴衰的胶片。胶片上通常叠加着三股力量：长期趋势、周期性季节、随机噪声。老周翻日记发现，客流逐年上涨是趋势，周末翻倍是季节，偶尔下雨生意冷清就是噪声。

预测前还要回答两个问题：预测谁的（粒度）和多远的未来（周期）。粒度可以是单品、门店、SKU 级别的日销量，也可以精细到小时；周期则从几天到数月不等。粒度越细、周期越长，噪声占比越高，难度越大。实践中常用“门店 + 品类 + 日粒度”作为起点，既保留决策需要的精度，又不会让模型被随机波动带偏。

老周把日记翻出来，发现可以用“平均客流 + 周末加成 + 随机波动”来估算明天的客流量——这就是最简单的分解预测。理解了这个结构，后面所有高级算法，本质上都是在更聪明地估算这三个成分。

预测核心方法

老周最初的办法很朴素：看最近七天的客流，取个平均值当作明天的预估，这叫“移动平均”——它像用一块抹布在时间序列上滑动，抹平毛刺。后来他发现自己记性太好，总是不自觉地给上周五的客流更大的权重。这歪打正着，撞上了“指数平滑”的核心思想：越是近期的信息，越值得被信任。

指数平滑的递推只有一句话：当期平滑值 = 平滑系数 × 当期实际 + 剩余权重 × 上期平滑值。这里的 α 像老周的“记性开关”：α 越大，模型越健忘，越相信最新数据；α 越小，模型越沉稳，越依赖历史积累。它只有一个参数，却往往够用，因此成了工业界的常青树，尤其适合销量波动平稳的商品。

不过老周很快发现，光靠平滑不够——下雨、大促、节假日这些“外部特征”也会影响客流。于是他把特征（天气、促销力度、星期几、竞品动态）喂给机器学习模型，比如梯度提升树（XGBoost）。这类树模型能自动捕捉“下雨 + 周末 + 促销”这样的组合规律，不需要人工设计交互项，成为现代需求预测的主力模型。特征工程的质量，往往比模型选择更决定预测的上限。

如果说移动平均是只记得最近几天的“小徒弟”，那么树模型就是集齐了多年经验、还会看天气的“老师傅”。现实系统中两者常常组合使用：平滑法兜底保证稳定性，树模型捕捉复杂信号提升精度。

补货优化原理

预测出明天来 100 位客人，不代表老周就备 100 份菜。他还要回答“备多少、什么时候补”——这正是补货优化。冰箱空间有限，多备一份菜就要多付一份菜钱和冷藏费，这叫持有成本；少备一份可能得罪一个老主顾，这叫缺货成本。补货的全部艺术，就是在“怕浪费”和“怕缺货”之间找平衡点。

平衡点用一个数字来刻画，就是服务水平（service level）：客户来买东西时有货可买的概率。95% 的服务水平意味着平均 100 次需求里，95 次能被现货满足。为了达到这个水平，老周需要在预期需求之上额外留一份“底气”——这就是安全库存。它好比冰箱深处那袋平时绝不碰的“救命食材”，专门应对供应商晚到、客流骤增这类意外。

安全库存的大小由三个要素决定：服务水平系数 z（95% 约对应 1.65）、需求波动 σ、采购提前期 L（从下单到到货的天数）。波动越大、提前期越长，不确定性累积得越多，安全库存就要越高。有了安全库存，再订货点 ROP = 提前期内的平均需求 + 安全库存；一旦库存跌破 ROP，立即触发补货，这就是最常用的连续盘点（s, S）订货策略。

这就好比老周在冰箱深处永远藏着一袋不会动用的“救命食材”：风平浪静时它静静躺着，供应商晚到两天或客流骤增时，它就是保证不熄火的底气。备少了心虚，备多了心疼——安全库存就是那个经过计算的“刚刚好”。

关键评估指标

每天晚上打烊，老周会在本子上写一行：预测 100，实际 110。日积月累，这本“错题本”就是评估预测模型好坏的依据。只看一两天没意义，要长期统计误差的大小和方向。供应链里的评估指标，本质上都是对这本错题本的量化总结。

最常用的指标是 MAE（平均绝对误差）：把所有“预测值减实际值”的绝对值取平均，回答“平均每天猜错多少”。它直观、稳定，不怕个别极端值捣乱。RMSE（均方根误差）则先平方再开方，对大错误惩罚更狠——就像老周最怕的不是天天差 5 份，而是偶尔一次差 50 份。想要对比不同商品的预测水平，还会用 MAPE（平均绝对百分比误差），把误差归一化成“百分比”。

除了误差大小，更要看偏差（bias）：如果预测长期偏高 10%，仓库就会越堆越满；长期偏低，则反复缺货伤客。供应链最终考核的是业务结果指标——缺货率（缺货次数占总需求次数的比例）和库存周转率（售出成本除以平均库存），模型分数再高，业务指标不改善就是白搭。

错题本不仅要记“错了多少”，还要记“错在哪个方向”。一个把误差压得很低但天天偏向高估的模型，就像天天备菜都多备三份的老周——看着稳当，实际上冰箱一直在悄悄浪费钱。

端到端架构

老周的生意越做越大，日记本换成了收银系统，他还雇了个“智能帮厨”。这个帮厨每天自动读收银流水，整理每个菜的销量、天气、节假日信息，调用预测模型算出明天的需求，最后按补货规则生成采购单。老周清晨只需扫一眼采购单，签个字就行——这就是一套端到端的预测补货系统。

这套架构在大型供应链里有标准的四个环节。数据采集：从 POS、ERP、WMS 等系统收集销量、库存、订单数据，像帮厨从各处收拢食材。特征平台：把原始数据加工成模型能吃的“特征”，如历史销量均值、促销标记、星期几、天气。预测服务：把训练好的模型封装成接口，每日定时输出未来若干期的需求预测。决策引擎：把“预测 + 库存现状 + 服务水平”翻译成具体的补货建议，再对接采购系统自动下单。

模型层面，预测服务的核心是一个带参数的函数：输入是 t 时刻的特征向量，输出是下一期的需求期望。工程上优秀的系统不会只输出一个单点预测，而会输出 10%、50%、90% 三个分位数，对应“保守、中性、乐观”三档场景。决策引擎可以根据商品利润率和缺货成本，自由地在三者之间选择——高利润商品用乐观档备货，低值易耗品用保守档控库存。

老周不需要亲手翻账本、算算术，他只需要在每天清晨扫一眼采购单——人的精力被释放到真正的经营决策上。这也是一套成熟系统的价值：把“经验”沉淀成“服务”，把“拍脑袋”升级为“可复盘的流程”。

落地挑战

系统上线第一个月，老周很满意；直到有一天市政修路，门口客流骤降一半，预测系统却还在按老节奏备菜。更糟的是，那天收银机坏了半天，订单记录缺了一段——模型把“假数据”当成了真规律。再聪明的帮厨，也怕“脏数据 + 环境突变”这对组合拳。

落地中最常见的问题有三类。数据质量：缺单、重复单、退单混入都会污染标签，必须做清洗、去重、异常剔除。冷启动：新菜品没有历史销量，预测无从下手，可以用相似品类的销量做参考，配合人工校准。需求突变：大促、疫情、政策变化让历史规律失效，模型需要监控“概念漂移”，引入外部信号提前预警，并定期重训。

监控模型最直接的办法是追踪预测偏差：把每期“预测减实际”的差平均起来。如果偏差连续几周显著偏离 0，说明规律变了，该重训了。同时，系统要保留“人工覆盖”接口——老周听说下周有大型展会，可以一键让系统把预测上调 20%。好的系统不是剥夺人的判断，而是把人的判断变成可执行的规则注入流水线。

再聪明的帮厨，也需要老周时不时敲打。AI 补货的终点不是“取代人”，而是“人机协同”：系统处理日常 80% 的常规决策，人类处理突发事件与策略调整。就像老周现在只在暴雨天、修路时亲自下指令——其余时间，他安心当甩手掌柜。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""需求预测与补货优化小示例 用指数平滑预测下一期需求, 再结合提前期与服务水平计算安全库存,最后模拟一段时间的补货过程, 观察库存是否跌破再订货点。"""import math SALES = [132, 141, 138, 156, 149, 163, 158, 171, 166, 178,         184, 175, 192, 188, 201, 195, 210, 206, 219, 224]ALPHA = 0.3LEAD_TIME = 3Z = 1.65      # 95% 服务水平对应系数ORDER_QTY = 180  def exp_smoothing(data, alpha):    """返回指数平滑后的序列, 最后一个值即下一期预测"""    series = []    level = data[0]    for value in data:        level = alpha * value + (1 - alpha) * level        series.append(level)    return series  def compute_metrics(data, alpha):    """计算一步预测误差的 MAD 与标准差估计"""    series = exp_smoothing(data, alpha)    errors = []    for t in range(1, len(data)):        errors.append(data[t] - series[t - 1])    mad = sum(abs(e) for e in errors) / len(errors)    sigma = 1.25 * mad    return series, mad, sigma  def run_simulation(data, alpha, lead_time, z, order_qty):    """预测 + 安全库存 + 补货模拟"""    series, mad, sigma = compute_metrics(data, alpha)    avg_daily = sum(data[-7:]) / 7.0    safety_stock = math.ceil(z * sigma * math.sqrt(lead_time))    reorder_point = math.ceil(avg_daily * lead_time) + safety_stock    inventory = reorder_point + 60    stock_list = []    order_times = []    for t, demand in enumerate(data):        if inventory <= reorder_point:            order_times.append(t)            inventory += order_qty        inventory -= demand        stock_list.append(inventory)    return {        "next_forecast": round(series[-1], 1),        "mad": round(mad, 2),        "safety_stock": safety_stock,        "reorder_point": reorder_point,        "final_stock": stock_list[-1],        "order_times": order_times,    }  def main():    result = run_simulation(SALES, ALPHA, LEAD_TIME, Z, ORDER_QTY)    print("下一期需求预测:", result["next_forecast"])    print("安全库存:", result["safety_stock"])    print("再订货点:", result["reorder_point"])    print("模拟期末库存:", result["final_stock"])    print("触发补货的期数:", result["order_times"])  if __name__ == "__main__":    main()

1. level = alpha * value + (1 - alpha) * level指数平滑的核心递推式，α 控制新信息权重。
2. errors.append(data[t] - series[t - 1])用上一步的平滑值做一步预测，记录与实际的误差。
3. sigma = 1.25 * mad从平均绝对偏差估算标准差，这是工程上的常用近似。
4. safety_stock = math.ceil(z * sigma * math.sqrt(lead_time))把安全库存公式落到代码里。
5. reorder_point = math.ceil(avg_daily * lead_time) + safety_stock再订货点等于提前期需求加安全库存。
6. if inventory <= reorder_point:库存跌破警戒线就触发补货，模拟老周的“救命食材”机制。
7. inventory += order_qty下单后库存立刻回升，实际系统还要等提前期到货。
8. if __name__ == "__main__":可执行入口，直接运行就能看到完整的预测补货报告。

常见误区

面试题