前言

在《聊聊AI Agent在供应链场景下的应用（上篇）》中，风叔从供应链五大环节出发，介绍了每个环节中AI Agent能够带来的提效。但是对于AI Agent的应用细节，风叔点到为止了，没有具体展开说明。在这篇文章中，风叔就来聊聊这个话题。

在企业发展的过程中，随着规模日渐扩大，供应链的问题也会逐渐凸显出来。

• 首先，销售计划的准确度越来越低，市场竞争愈发激烈，消费者喜好难以预判，原先制定销售计划的手段，已经很难再跟上市场的变化。
• 其次，采购问题越来越突出，供应商供货不及时、货品质量有问题、库存积压开始抬头，有些地区供不应求，而有些地区又无人问津。
• 第三，业务响应不及时，有些渠道缺货很严重，但供应链响应迟钝，往往需要很久才能补上渠道的缺货。

  
  

这都是在业务扩张的过程中，非常普遍的问题。因此我们需要搭建供应链的基本防线，以应对难以预测的需求洪水。

第一道防线是需求预测，也就是销售预测，预测得越准确，应对效果就会越好，但是销售预测不可能100%准确，通常我们的目标是达成80%的准确率，抵挡80%的洪水。

需求预测拦不住的需求，会流到第二道防线，也就是库存计划。库存计划越科学，越能有效缓冲需求波动，而库存计划的关键就是安全库存和订货点。

如果库存计划也拦不住，需求会流到第三道防线，也就是监控执行。通过供应链的快速反馈来满足额外的需求，比如缺货预警、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。

下面，风叔结合AI Agent，详细介绍这三道防线的搭建方式。大家也可以回复关键词“供应链三道防线”，获得更详细的资料后慢慢理解和学习。

第一道防线，需求预测

销量预测是第一道防线，销量预测越准确，后面库存和执行的压力就越小。

销量预测主要包括商品、时间和渠道三个维度。商品维度是各个产品的销量，尤其对于零售、餐饮、快消等行业，渠道售卖的品类往往会比较多；时间维度就是日、周、月、季度、年，具体的颗粒度要看业务划分；渠道维度包括所有的渠道售点，比如每个门店、每个电商平台，方便进行渠道铺货。

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，当消费者购买商品时，如果企业能做到立刻有货，那就根本不需要销量预测了。就像我们日常生活中从来不会做用水量预测一样，因为打开水龙头极大概率都是可以直接取水使用的。

正是因为供应链的响应时间短则一天，长则一周甚至数周，我们才需要做合理的销量预测，以弥补供应链响应时效的不足。响应周期越长，响应能力越有限，对销量预测的依赖度就越高。

那么具体该如何做销量预测呢？包括拟合和估算两个环节。

拟合

拟合是指使用历史的销量数据，通过线性回归算法，计算每个因子对于销量的影响权重，然后再预测未来的销量，其中影响销量的核心因子包括地点、门店、日期、季节、天气、节假日、优惠活动、产品价格等等。

可以构建一个帮助每个门店预测未来一周销量的AI Agent，其构建流程如下：

• AI 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，并且将数据按周聚合。之所以要取三年的数据，是考虑到季节因素，很多品类会受到季节影响；
  
• AI Agent使用相关性算子，提取出影响销量的关键因子，避免引入过多因子造成过拟合；
  
• 对过去三年的时间段做随机分配，将80%的周作为训练样本，20%的周作为训练样本；
  
• 使用训练样本的数据集，利用提取到的核心关键因子，通过线性回归模型进行训练，计算每个关键因子的具体权重；
  
• 利用测试样本进行模型测试，并不断微调因子和模型参数。设置一个销量预测准确率的阈值，比如80%，当使用模型预测某一周某个门店的销量时，如果误差率不超过20%，则认为这个测试点是准确的。然后统计所有测试点的准确度，当测试集中准确率超过80%时，则认为模型训练完成。
• 利用训练好的模型，每周预测一次每个门店下周的销量。

估算

拟合的方法虽然很有效，但是有一定的局限性，比较适合销量相对稳定、客群相对分散的产品，而对于需求相对集中的产品，使用拟合就不合适了。比如某个渠道的某个产品，单个客户占了其销量的30%，这个客户需求的略微变化，都能对产品的整体销量造成很大影响。

因此，这种情况下可以采用估算法，估计该客户在未来一段时期内对该产品的需求上升或下降的比例。

“上帝的归上帝，凯撒的归凯撒”，放在这里就是“拟合的归拟合，估算的归估算”。我们要告诉AI Agent哪些属于占销量比重很大的客户，要先把这部分单独挑出来使用估算法，对于剩下的需求相对稳定且客户分散的部分，使用前面提到的拟合法。

当企业给出需求预测的结果之后，还有一件事情非常重要，即对接企业的销售端和供应链端，以及关键的供应商，保证上下游部门和合作伙伴根据同一个数字进行协同。 

这个时候，AI Agent就可以再次发挥价值，比如每周做完销量预测后，将销量预测的报告结果自动通过邮件发送给关联部门。

第二道防线，库存计划

再准确的销量预测也不可能达到100%准确，通常来说需求预测能抵挡住80%的需求，就已经非常理想了。接下来的需求洪水，就得靠库存计划来抵挡了。

比如预测明天门店会有100件的销量，但实际售出了120件，这多出来的20件从哪里来交付，就是门店库存。

很多人对库存的理解存在误区，认为库存都是不好的。其实，合理的库存是供应链的粘合剂，可以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，是指库存过多，需要极长时间的消化，甚至完全无法消化。

通常来说，库存分为四类，周转库存、安全库存、过剩库存和风险库存。

• 周转库存：业务正常经营用的库存，由周转周期决定，比如如果周转周期是一周，门店日常都会备一周的货，这就是周转库存。
• 安全库存：用来应对需求和供给的不确定性，以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，设置合理的安全库存，有助于我们应对攻击第二道防线的需求洪水。
• 过剩库存：超出周转库存和安全库存，但是能够在一定时间内消化掉的库存。比如在某些行业，过剩库存是指在1个月内能消化掉的库存。
• 风险库存：整体库存中剩余的部分，即存在巨大风险，很难在短期被消化掉的库存，极易形成库存坏账。

我们的目标是有充足的周转库存和安全库存，以应对市场需求，但尽量消除过剩库存和风险库存。

对于安全库存，其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

需求的稳定性越好，安全库存就越少，需求的稳定性越差，安全库存就越多。试想一下，如果门店每天稳定售出100件，最多上下波动5件，那安全库存只要5件就足够了。但如果门店今天售出20件、明天售出200件，那就必定需要更多的安全库存来应对。

有哪些会对需求产生明显影响的因素呢？

• 第一类是环境因素，比如天气，对于线下门店来讲，下雨天的客流量就会明显下滑，环境因素带来的需求波动会比较大，且通常来的比较突然，难以预测；
• 第二类是节日和促销因素，在大型节假日、周年庆、满减活动期间，需求通常会出现上涨，但这类因素是可以提前预判，方便提前备货；
• 第三类是竞争因素，比如周围开了同类型的门店，会分走大量的线下流量，我们需要密切关注市场竞争的变化趋势，尽量让竞争的影响来的相对比较缓慢；
• 第四类是用户因素，比如用户本身的需求和偏好发生了变化，导致需求变少，这类因素不会突然发生，群体偏好的变化一般会有一个漫长的过程；
• 还有一类是意外因素，比如突然出现的热点或负面舆论，也会让需求出现大幅波动。

  
  

对于需求的波动，需要找到一种量化需求不确定性的方式。

可以利用统计学上的标准差，通常我们假设需求的波动是符合正态分布的，那标准差就是量化实际值与预测值的差距。

标准差的计算方式有标准的公式，因此也可以使用AI Agent，分析历史销售数据，计算每个渠道、每个品类的标准差，了解产品在不同时间段、不同渠道下的需求变化情况，从而量化需求不确定性。

供给的不确定性

供给的不确定性往往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；供应周期越不稳定，安全库存就越多。

试想一下，我们先固定需求因子，假设每天稳定售出100件，如果供应商能做到非常稳定地每周送货700件，完全满足一周的销售需求，就不需要设置安全库存。而如果供应商的供应周期很不稳定，有的时候是一周，有的时候需要2周、3周甚至更久，我们就不得不设置更多的安全库存，以应对供应商迟迟不送货时的市场需求。

有哪些会对需求产生明显影响的因素呢？

• 第一类是供应商因素，供应商的生产能力、财务状况、管理水平等因素都会影响供给的稳定性，比如供应商因财务问题导致生产线停产，这将直接影响企业的原材料供应。
• 第二类是运输和物流因素，运输过程中的延误、损耗、事故以及海关清关等问题可能导致供应链中的供给波动。
• 第三类是政策和法规因素，比如某国家突然提高了对某种原材料的出口关税，导致该原材料的国际市场价格波动，影响企业的生产成本和产品供应。
• 第四类是自然因素和突发事件，可能导致供应链中断，比如2011年日本福岛地震导致当地多家汽车制造商的零部件供应中断，进而影响了全球汽车市场的供应。

可以看到，影响供给的因子都是比较难提前预判的，所以企业都要设置相应的安全库存，以应对供给的波动。

对于供给的波动，我们同样采用标准差的计算方式，即假设供应商的供应周期也是满足正态分布的。因此也可以使用AI Agent，分析每个品类的供货历史数据，了解每个供应商的交货周期、产品质量、价格波动等方面的信息，从而量化供给的不确定性。

服务水平的要求

服务水平是指，当需求产生时，有多大概率能够用现有库存来满足需求。服务水平越高，安全库存就越多；服务水平越低，安全库存就越少。

试想一下，如果消费者来门店消费，必须马上有货，没有货消费者可能就会投诉，那就需要配置更多的安全库存；而如果消费者对于是否有现货没有那么高的要求，过几天再来取货也可以接受，那就不需要配置很多的安全库存，因为还有时间进行补货和调货。

95%的情况能立刻满足客户需求，和80%的情况能立刻满足客户需求，这两者的服务水平是不一样的。但是我们不直接用概率来代表服务水平，而是Z值。

Z值表示离需求正态分布轴线距离多少个标准差。以下图为例，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%；再额外放置1个标准差的安全库存时，服务水平会提高到97.7%；再放置一个标准差的安全库存时，服务水平能提升到99.9%。

服务水平就会以Z值来表示，如果要实现95%的有货率，那通过查表可知Z值为1.64，即放1.64个标准差的安全库存即可。不难看出服务水平越高，成本就会越高。

为了达到99.9%的有货率，我们需要配置3个标准差的安全库存，导致库存太高，库存周转率太低。企业要平衡好服务水平和成本的关系，当然从用户体验出发，服务水平越高越好，但我们也可以有其他方式来满足。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，就可以计算最终的安全库存。在上图中，根号下的前半部分是需求的不确定性，由平均补货周期、需求预测的颗粒度、需求预测的标准差来决定。根号下的后半部分是供应的不确定性，由平均需求预测值、补货周期的标准差决定。这里做单位换算的原因，是为了保证需求预测的时间单位和补货周期的时间单位一致。

这也是标准公式，可以训练AI Agent完成相关的计算。

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。我们不能将胡子眉毛一把抓的来看安全库存，一定要按渠道和品类进行拆分。

安全库存的优化

AI Agent还可以用来进行安全库存的优化。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息息相关，比较难调整这个指标。为了降低安全库存，我们要从降低需求和供给的波动性着手。

降低需求的不确定性：

• 第一，是提高需求预测准确性，AI Agent可以运用更先进的统计方法、机器学习算法等工具进行需求预测，并且定期更新预测模型，以适应市场的变化。
• 第二，还可以利用AI Agent自动爬取网络，收集关于消费者需求、行业趋势、竞争对手等方面的信息，即时了解市场的真实需求。

  
  

降低供给的不确定性：

• 第一，要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现问题导致的供给中断。AI Agent可用于供应商寻源、条件筛选、资质审查，降低人工寻源的成本。

• 第二，优化供应商评估和管理，定期对供应商的质量、交货期、价格等方面进行评估，对于表现不佳的供应商，及时采取措施改进或更换。

• 第三，是加强供应链协同，通过信息共享、协同计划等方式，提高供应链的整体稳定性。这也是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

即使安全库存设置的再合理，偶尔也会有一些突发情况产生，比如突然某一天客户需求大幅上升，第二道防线也抵挡不住的时候，就需要第三道防线来承接，也就是监控和执行。

所有的计划都是不够准确的，这是计划的先天不足，所以需要执行来弥补。关于供应链的执行，包含两个层面：

首先是严格落实第一道防线和第二道防线的政策，即按照销售计划和库存计划，以效率最高、成本最低的方式进行落实。因为销售计划和库存计划都是具体的数字，需要通过信息化系统的建设，搭建完整的流程，保障供应商、工厂、仓储、渠道的协同。比如当AI Agent查询到库存到达安全库存水位线以下时，自动发起采购请求。

其次是驱动供应链快速、有效地响应没有提前预料的情况。比如当面对突发的需求暴涨时，可以通过给予用户权益等手段进行安抚，同时向上游快速反映市场的需求变化，通过协同、催货等方式，加速供应链心脏的跳动。

现在，很多优秀的企业，已经利用AI Agent将监控执行做到自动化。当Agent检测到存在异常情况，比如提前售罄、库存过多、供货不及时等，系统会自动以邮件、短信、电话的方式，对相关负责人进行通知提醒。

还有的企业已经建立供应链可视化系统，通过供应链管理系统（SCM）和全球定位系统（GPS）等技术手段，实现供应链各环节数据的实时采集和监控，比如各个门店的实时销量和库存、各个仓库的剩余库存、在路途中的在途库存、产线上的生产速度、哪些环节有预警等等数据，都可以通过可视化系统，从全局上掌握供应链的运行情况。

总结

本篇文章，风叔详细介绍了如何搭建供应链的三道防线，以应对变幻莫测的市场需求。随着AI和大数据的发展，这些工作也由传统的基于人工经验，越来越转向自动化和智能化。

供应链也是一个非常适合AI大模型落地的业务领域，对于立志想在AI ToB领域做出一番事情的朋友，可以重点考虑这个方向。

在后续文章中，风叔还会介绍AI大模型在营销、门店、HR、法务等领域的应用场景和实现方法，敬请期待！