AI 驱动的供应链补货:安全库存、销量预测、多仓调拨与采购协同
共 7 篇文章
季节品与促销品的补货,难点不在公式而在节奏:备货期、高峰期、清尾期各有完全不同的目标函数。本文给出季节指数法、促销 uplift 估算、分阶段补货与清尾策略的完整打法。
以金蝶云星空为例,完整走通补货建议 → 方案确认 → 拆单 → 采购订单 Save/Submit/Audit → 到货回填的闭环链路,讲清字段映射、幂等设计与失败重试的工程要点。
缺货与滞销是同一枚硬币的两面。本文盘点补货模型建设与使用中最常见的五个误区——一刀切参数、均值陷阱、促销污染、单边考核、参数不复盘,并给出对应的纠偏思路。
多仓场景下「总库存够、局部缺货」是常态。本文给出先调拨后采购的决策顺序、仓间再平衡的触发条件、分仓安全库存的分摊方法,以及调拨执行的数据口径要点。
面向电商补货场景,系统对比移动平均、指数平滑(SES/Holt/Holt-Winters)、Croston 间歇需求法与机器学习方法的适用边界、数据要求与常见陷阱,给出按 SKU 分层的选型建议。
从统计原理讲清安全库存的经典公式、z 值与服务水平的对应关系、需求与交期双波动下的组合公式,并给出可直接套用的计算示例与代码实现。
拆解传统经验订货的四大失效场景,给出数据驱动补货的四个构成要素与渐进式落地路径,帮助电商与零售企业理解智能补货到底改变了什么。
