随着企业规模的扩大，供应链问题逐渐凸显。销售计划准确度降低、采购问题突出、业务响应不及时等问题频发。为应对这些挑战，我们需要构建供应链的三道防线：需求预测、库存计划和监控执行。本文将结合 AI Agent 详细介绍这三道防线的搭建方式，帮助读者深入理解并应用。
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。
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。大家也可以私信风叔“供应链 Agent ”，获得更详细的供应链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。
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。
1. 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。
2. 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。
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。
1. 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。
2. 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。
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。
3. 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。
4. 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。
5. 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。
1）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。
2）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。
相关文章
