一、智能补货是什么

智能补货不是 ” 一个更聪明的公式 ”，而是一个 独立于现有备货系统运行的影子工作台。它用自己的数据、自己的算法、自己的页面，独立给出补货建议，然后和现有正式结果做对比——而不是直接覆盖。

一句话理解：智能补货 = 独立预测 → 和正式结果对比 → 评估效果 → 人工复核 → 达标后才能小范围试点发布。

它的核心思路来自行业共识：真正智能的补货系统，不是单点算法，而是 “ 数据底座 + 预测模型 + 库存策略 + 采购执行 + 反馈闭环 ” 五层协同的系统工程。

二、核心思路：它和 ” 老方法 ” 有什么不同

2.1 不是预测一个数，而是预测一个范围

传统补货公式给出的是 单点值 ——” 建议生产 100 件 ”。智能补货的思路是给出 概率分布——” 需求大概率在 80-130 件之间，缺货风险 15%，建议备 120 件以覆盖 P90 场景 ”。

为什么这很重要？因为补货本质上是在 管理不确定性，而不是拟合一个平均值。缺货的成本和积压的成本完全不同——MAE、RMSE 这类 ” 平均误差 ” 指标假设高估和低估代价一样，但在实际业务中根本不是这样。

2.2 不只靠历史销量，还看外部信号

智能补货的预测会尝试纳入：

  • 需求驱动事件：促销、价格变化、广告投放、节假日
  • 商品关系：替代品、互补品、新品分流效应
  • 缺货截断：如果某天断货了，当天的销量不能代表真实需求
  • 生命周期：新品、在售、停售使用不同策略

这套思路的共识来自 Amazon、AWS Supply Chain、Google Cloud 等平台的实践——行业经验表明，影响补货质量的关键往往不是模型多复杂，而是 有没有把外部驱动因子、需求模式、新品替代关系和生命周期边界这几件事先做对。

2.3 先画像，再预测

不是所有 SKU 都用同一种预测方法。系统会先给每个 SKU 做 需求模式画像，区分：

模式 特征 处理方式
平稳型（smooth） 销量稳定、波动小 常规时序预测
间歇型（intermittent） 大量零销量，偶有订单 间歇需求专用方法
波动型（erratic） 销量不低但波动剧烈 需更多人工关注
块状型（lumpy） 间歇且波动大 最高不确定性，优先复核

画像置信度低的 SKU，会自动标记为 ” 需要人工复核 ”，不会直接进入自动发布。

2.4 从 ” 预测优化 ” 走向 ” 决策优化 ”

最终方向不是 ” 先预测一个数，再人工拍板 ”，而是把 缺货成本、库存持有成本、服务水平约束 直接整合进决策逻辑。这意味着将来系统可以回答 ” 在 95% 服务水平下该备多少 ” 而不是只给一个数字。

这是行业从 ” 报表工具 ” 升级为 ” 决策工具 ” 的方向，也是我们分阶段推进的原因。

三、现在能做什么：已实现的功能

3.1 运行记录（Runs）

查看每次智能补货运行的记录：是否成功、覆盖了哪些市场和日期、评估结果如何。帮助确认 ” 今天系统有没有跑 ”。

3.2 影子对比（Compare）

运营最核心的页面。对比 ” 正式建议量 ” 和 ” 智能影子预测量 ”，按 SKU、站点展示差异、可信度、原因标签和解释。

3.3 预测质量评估（Evaluation）

回答 ” 智能结果到底准不准 ”。使用 WAPE（加权绝对百分比误差）、Bias（偏差方向）、WQL（分位预测质量）等指标。支持按 T+7 窗口、A 类 SKU、分组等多维度评估。

3.4 离线 Benchmark

对比离线 AI 模型和现有规则基线的效果，回答 ”AI 是否真的比当前规则更好 ”。结果作为试点证据，不直接驱动正式发布。

3.5 人工复核（Review）

运营真正参与决策的页面。对高差异 SKU 进行确认、驳回或调整，沉淀结构化反馈——包括需求驱动事件和商品关系候选审核。

3.6 发布门禁（Publish Gate）

判断哪些影子预测具备进入试点条件。展示模型状态、白名单、阻断原因和建议动作。这不是发布按钮页面，是门禁判断页面。

3.7 审批预检 + 审批申请 + 发布审计

完整的试点发布管控链路：预检 → 双人审批 → apply → 审计追踪 → 必要时 rollback。支持 dry-run（预演）、正式试点写入和回滚。

四、当前阶段

智能补货目前处于“ 受控试点 ” 阶段。已完成从预测、对比、评估、复核到审批发布、回滚的完整闭环。

当前固定边界：

  • 默认不替代旧 Dashboard 的正式备货结果
  • 默认不自动写入正式备货数据
  • 不允许批量正式发布
  • 不允许无人审批自动 apply
  • 离线 Benchmark 结果不能直接替代正式规则

也就是说，系统 已经能用 ——能观察、能对比、能评估、能复核、能受控试点——但 不能全量自动替代旧系统，也不能无人值守自动采购决策。

推进路径

阶段 目标 状态
A. 只读影子 独立跑预测，页面只做对比，不影响正式补货 ✅ 已完成
B. 复核与反馈 运营可确认、驳回、调整，沉淀结构化反馈 ✅ 已完成
C. 受控试点 小范围灰度接管正式建议，支持审批和回滚 ✅ 已完成
D. 扩大覆盖 验证收益稳定后逐步扩容 ⏳ 后续

五、运营每天该怎么做

如果刚开始接触智能补货，建议每天固定看 4 个页面，按顺序：

  1. Compare（影子对比）——看差在哪：筛选高差异 SKU，结合可信度判断是否值得复核
  2. Evaluation（质量评估）——看准不准：先看 T+7 总体指标，再看 A 类 SKU 指标
  3. Review（人工复核）——留业务判断：对高差异 SKU 做确认、驳回或调整
  4. Publish Gate（发布门禁）——看能不能进试点：确认没有阻断后再推进审批

记住：运营在当前阶段最重要的职责不是 ” 直接拿智能结果替代旧结果 ”，而是帮系统筛高价值样本、把业务判断结构化沉淀下来、协助识别哪些结果可以进入试点、哪些还必须继续 shadow 观察。

六、什么情况下应该停下来

出现以下情况，不要继续推进发布：

  • Evaluation 中样本明显不足
  • A 类 SKU 指标恶化
  • Publish Gate 中阻断原因很多
  • 预检中质量风险高
  • Compare 中差异看起来异常但无法解释
  • Review 中业务大量驳回且原因集中在数据问题

这时正确动作是：保持 shadow 观察 → 记录问题 → 让技术继续修口径 / 修数据 / 修规则。

本文基于 SCM 智能补货模块研究综述、实施方案和阶段复盘整理，面向运营、采购和业务负责人。