库存决策不是一次预测：把补货、例外与反馈连成闭环

从一次假设的库存复盘开始：一款产品售罄，模型说需求高于预期，计划人员说营销临时加大推广，采购说供应商交期已经延长。三种解释都可能成立，却没有一种能单独指导下一次补货。因为库存不是预测表上的一列数，而是对未来需求、供应约束和资金风险作出的共同承诺。

库存优化的核心不是寻找一个永远最准的预测，而是建立从信号到情景、从情景到订单、再从结果回到假设的反馈闭环。 预测只提供条件判断；补多少、何时补、接受何种缺货或积压风险，仍是有责任、有约束的经营决定。

为什么准确率提高，库存仍会失衡

首先，分析单位容易错误。总品类销量看起来稳定，具体规格、地点和时间却可能严重缺货。反过来，过度追求每个最细 SKU 的独立预测，又会因样本稀疏和新品缺历史而产生噪声。合理单位通常是“商品—地点—时间窗”，并能在品类、商品和规格层级之间共享信息。

其次，观察到的销量不等于真实需求。缺货期间没有销量，并不表示没有人想买；降价和推广会暂时提高销量，却不能直接代表常态需求；大额项目单、内部调拨和取消也会扭曲曲线。如果模型把这些结果当普通历史学习，就会复制过去的执行约束。

第三，预测与供应决策分离。模型输出需求区间，采购还需考虑在途、起订量、交期、产能、保质期、替代关系、资金和服务水平。若这些约束只存在于人员表格和经验中，所谓智能预测仍要靠手工拼接才能下单。

最后，人工覆盖没有留下原因。计划人员知道某产品即将推广、某客户可能延期、某供应商近期不稳，于是调整建议；结果好坏却只被记为“模型误差”或“人工误差”。没有保存当时的信息和选择，下一轮无法判断应该改模型、改规则还是改协作流程。

“库存五拍循环”

“库存五拍循环”把一次补货决定拆成连续五拍，每拍都有输入、责任人、输出和检查点。

第一拍：观测。 汇集销售、订单、库存、在途、退货、缺货、交期和已知商业事件，标记来源与时间。运营与数据团队共同区分需求发生、需求被满足和需求无法被观察。输出是可追溯的商品—地点—时间数据，而非一条已被清洗到看不见异常的曲线。

第二拍：校正。 识别促销、降价、缺货、一次性项目和数据故障对历史的影响，形成常态需求、事件增量和未知部分。新品可以参考相似商品或上层品类，但必须说明相似依据与置信范围。领域人员对业务事件负责，数据人员对处理方法与版本负责。

第三拍：推演。 预测不只给出单点，还要形成基准、上行、下行情景，并把营销计划、价格、交期或供应中断作为可调整假设。计划人员可以比较不同服务水平和资金占用，而不是直接改写一个最终数。输出是需求区间与关键敏感因素。

第四拍：承诺。 把情景放入实际约束，形成补货、调拨、替代、促销或暂不行动的候选方案。采购、计划、财务和业务负责人按照金额与风险审批，记录选择理由和覆盖。最终输出是可执行订单或任务，而不是预测报告。

第五拍：学习。 结果成熟后同时比较预测、人工调整、实际执行和业务结果。缺货是需求判断不足、供应未履约还是订单未按建议执行？积压是预测偏高、推广取消还是起订量约束？复盘把误差分配到可改进机制，并更新事件规则、供应参数和模型。

循环的关键，是每一拍使用同一个决策标识。否则预测版本、审批意见、采购订单和最终库存无法关联，企业只能得到总体误差，不能知道哪个假设值得修正。

五拍的节奏不必相同。短交期商品可以每周循环，长交期物料可能在下单数月后才看到完整结果；促销事件还需要单独的观察窗口。系统应在结果未成熟时保持“待学习”状态，避免把暂时销量当成最终反馈。计划负责人定义决策频率，采购负责人维护交期与履约事实，财务确认资金和处置结果，模型负责人只能在相应反馈成熟后更新规则。这样可以防止快速刷新制造出虚假的快速学习。

从一类关键商品建立闭环

第一步由供应链或运营负责人选择一类价值高、决策频繁且历史可回看的商品，明确当前要改善的是缺货、积压、资金占用还是响应速度。计划人员描述实际决策路径，采购与财务列出约束，数据团队盘点系统记录。输出是当前闭环图和基线；检查点是每次补货能否找到当时输入、审批和结果。

第二步建设最小数据单元。IT 或数据团队连接订单、库存、在途、采购和商业事件，保留缺货标记、取消、退货及来源新鲜度；业务专家标注典型异常。不要为了完整而先覆盖所有商品。输出是可回放样本，检查点是历史某一天的可用库存与已知事件能否被重建。

第三步建立基准预测和情景界面。模型负责人提供简单可解释的基线与误差区间，计划人员能在授权范围内调整事件、交期和置信假设。每次调整必须带原因，不能覆盖原始预测。检查点包括不同层级的一致性、新品的参考依据和极端情景下的边界。

第四步进行影子运行。系统生成候选方案，但原流程继续下单；团队比较建议、人工决定和实际约束，记录未采纳原因。观察的不只是预测误差，还包括建议是否及时、是否可执行、计划人员复核时间和约束遗漏。

第五步把低风险范围接入审批和执行。系统可以创建补货草案、调拨建议或异常任务，负责人确认后写入既有系统。重大金额、新品、长交期或高不确定性场景保持人工审批。每个周期复盘缺货损失、积压、资金占用、覆盖原因、供应履约和误差来源分布。

模型无法替企业决定风险偏好

单纯追求总体准确率会偏向销量大的稳定商品，掩盖关键但低频商品的风险。指标应按经营代价加权，并同时观察偏差方向、服务水平和资金占用。预测非常准确也可能因交期参数过时而下错订单。

另一个失败是把缺货后的低销量学成低需求。需要记录库存可得性并估计被截断的需求，但估计本身应标记不确定。促销、价格变化和替代商品也会改变需求，不能只靠历史平均吸收。

人工覆盖既不是天然正确，也不应被视为噪声。覆盖原因若可重复且有结果支持，可以转成事件或规则；若只来自无法验证的直觉，应保留但降低自动扩散。绩效考核若惩罚所有覆盖，会让人员不敢提供模型看不到的业务信息。

最后，预测闭环不等于自动采购。供应商承诺、现金压力、合同义务和重大客户关系包含不可逆后果。系统应暴露方案、证据与敏感性，由相应责任人审批，并具备暂停、回退和审计能力。

下一张订单的决策准则

一个补货建议只有同时说明需求区间、供应约束、资金与服务风险、人工覆盖理由和结果回看时间，才有资格进入审批。预测更准却无法执行，不应下单；方案可执行但超出风险偏好，应缩小或升级审批；结果尚未成熟，不应提前改写规则。库存能力最终体现在每张订单为何被接受、拒绝或调整都能被解释，并成为下一轮判断的有效反馈。

Luminent 对库存场景的切入点，是先把预测、补货审批、供应约束和结果回写串成可回放流程，再选择需要 AI 辅助的判断环节。方案价值应由缺货、积压、资金占用与人工覆盖的共同变化验证。