丽泽商务区一家做食品贸易的公司来找我，仓库在丰台科技园附近，门店客户和经销商的订单加在一起，每个月要处理上万条。他们的备货一直是老板拍脑袋加采购凭感觉，旺季来之前猛囤，囤多了压在仓库里吃资金，囤少了断货挨客户骂。去年中秋节前备多了三十万块钱的货，过了节在仓库里放了半年才消化完，光占用的资金成本就够招两个质检员的。我跟老板说，你的订单数据都在系统里躺着，缺的只是把它们串起来、让机器替你提前算账的一层东西，这就是订单预测Agent要解决的事。
丰台企业的备货现状，先算清凭经验备货的代价
丰台区是做供应链生意的好地方，紧挨着新发地、岳各庄这些批发市场，物流仓储企业多，丰台科技园里也聚集了一批做制造和贸易的公司。但便利的地理位置，挡不住备货环节的老毛病。大多数中小企业的备货逻辑是：上一周卖了多少，下周就照着进多少，顶多在节假日前后手一抖多下两成。这套玩法在生意平稳的时候勉强能用，一旦碰上季节性波动、促销活动、大客户临时加单，预测就完全失灵，要么缺货丢单，要么积压占用资金。
缺货和积压的成本，要分开算才看得清。缺货的成本是机会成本，客户要的货你没有，他去隔壁家拿了，这一单的毛利没了，还可能连带丢掉后续的复购；积压的成本是资金成本加仓储成本，货压在仓库里，货值要算利息，仓库租金和分拣人工都在烧钱，生鲜类目还要算损耗，一压就是一连串的损失。很多老板只盯缺货骂采购，却忽略积压的钱其实是被自己慢慢烧掉的，账算不全，改的动力就不够。
我建议丰台区的企业老板们先做一件简单的事：把过去二十四个月的订单数据按月拆开看一遍。你会发现大多数品类都有规律，有的跟着季节走，冷饮夏天冲高、火锅食材冬天翻倍；有的跟着渠道走，给商超供货的订单集中在月初，给餐饮客户的是周一到周五。这些规律人眼看不全，但数据里全都有，把规律找出来，预测就不是玄学，是统计。做订单预测Agent，本质上就是把这套找规律的动作自动化、常态化。
订单数据先收齐，五个来源一个都不能漏
预测模型再先进，喂进去的数据不全也是白搭。丰台企业的订单数据来源，我总结下来至少要收五类。一类是内部ERP或进销存系统的历史订单，这是主力数据源，覆盖面最广；一类是电商平台的订单，现在不少贸易公司在天猫京东拼多多开店，平台订单要单独拉取；一类是线下门店和档口的零售流水，新发地周边做批发的，档口收款记录也是订单数据；一类是经销商的订货需求，很多企业靠经销商网络铺货，经销商的下单周期和补货习惯是预测的重要变量；还有一类是大客户的特殊订单，这类单笔金额大、波动剧烈，很可能要单独建模，不能混在常规订单里平均掉。
数据收齐之后要做清洗和口径统一。最常见的坑是重复计算，同一笔订单在ERP里记一次，电商平台导出又记一次，两边加起来翻倍了；还有退款和退货，下单时算了一笔，过两周退回来，数据里要不要冲减，规则要提前定死。时间口径也要统一，按下单日期统计还是按发货日期统计，直接影响预测曲线的形态，选错口径，模型学到的全是噪声。
冷启动是个现实问题。很多企业过去的订单记录不完整，只有一两年，甚至只有半年，模型没东西可学。这时候别硬上复杂模型，先用简单方法过渡，比如按去年同期加上近期趋势修正，或者直接让有经验的采购把经验规则讲出来，人工规则兜底，等数据攒够了再切换成学习型模型。我见过一家做调味品的公司，历史数据只有八个月，硬要上深度学习，预测出来全是乱的，后来退回简单基线加人工修正，反而稳当。工具的进化要跟着数据的积累走，别让模型跑在数据前面。
预测模型怎么选，别一上来就上深度学习
订单预测的模型选择，原则是够用就好，模型的复杂度和数据的成熟度要匹配。起步阶段，三个基线模型就够用了。一个是移动平均，用过去四周的平均值做预测，适合平稳品类；一个是带趋势的线性回归，适合稳定增长的品类；还有一个是季节性分解，把趋势、周期、随机波动拆开看，适合有明显季节规律的品类。这三个模型实现简单、结果可解释，采购人员看得懂，出问题也好排查，先把它们跑起来，预测准确率通常就能超过拍脑袋。
基线跑顺了，再考虑往机器学习上走。常用的是梯度提升树类模型，特征可以加很多，节假日、天气、促销活动、价格变动、渠道结构变化，都可以变成特征喂进去。新发地周边的生鲜商户还能把当季产量、批发价指数这些外部变量加进模型，预测会更贴近实际。机器学习的优势是能自动发现特征之间的组合规律，缺点是黑盒，预测依据不好解释，所以上线之后要保持双轨验证，让模型输出和人工判断对答案，偏差大的品类单独复盘。
预测一定有误差，这一点要提前管理预期。业内常用的衡量指标是MAPE平均绝对百分比误差，成熟的预测系统能把常规品类的误差压到15%以内，生鲜和促销品类的误差天然偏大，到30%都算正常。目标是让误差比人工判断小，而不是让误差等于零。还要做误差分级预警，预测值和实际值偏差超阈值的时候，系统主动弹提醒，让采购人员去看是不是有异常事件发生了，比如大客户流失、竞对促销，这些模型短期学不到，要靠人补位。
预测系统的运转节奏也要定好，跑得太勤浪费计算资源，跑得太疏又会错过补货窗口。对大部分贸易和制造企业来说，每天凌晨把前一天的全量订单汇总入库、跑一次预测，早上采购上班打开系统就能看到当天的补货建议，这个节奏基本够用；生鲜类目时效性最强，建议一天跑两次，早上一版、晚上一版，跟着批发市场的行情走；库存周转慢的品类，每周跑一次集中出建议也没问题。预测不是跑完一次就完事的动作，模型要每天吸收新数据做自我校准，跑得越勤，模型对近期趋势的感知越灵敏，节假日和促销的影响也能更快被吸收进参数里。数据管道要单独盯，每天的数据有没有按时入库、字段有没有异常、预测结果有没有空值和负值、供应商的交货周期有没有变化，这些自动化巡检项要配一条和预测本身并行的监控线，出了问题第一时间报警。数据断了两天没人发现，第三天早上出来的备货建议，就是给采购挖的坑。预算有限的公司，前三个月可以按周抽检代替实时监控，等系统稳定了再补全，这套监控体系搭好之前，别急着砍掉人工复核，安全永远排在效率前面。
库存备货建议怎么落地，安全库存和补货点要算明白
订单预测的终点不是一张预测数字表，而是落到库存备货动作上。库存管理有一套标准的算法框架，核心是两个数：安全库存和补货点。安全库存是为了吸收预测误差和供应波动而多备的那部分量，计算公式和补货提前期、需求波动幅度、服务水平目标挂钩；补货点等于提前期内的预期需求加上安全库存，库存降到补货点以下，系统就提示该下单了。这两个数算出来，采购的动作就从「感觉该进货了」变成「数字说该进货了」。
不同品类的库存策略要分开定，ABC分类法是好用的工具。按销售额贡献把品类分成ABC三类，A类占销售额大头、数量少，管理要精细，每个星期跑一次预测和补货建议，允许定的量要大；B类居中，两周跑一次；C类数量多金额小，用固定周期补货就够，别占用太多管理精力。丰台做批发贸易的企业，品类动辄几百上千个，不分类就给每个品都做精细预测，成本撑不住，分类之后资源集中到关键品类，性价比最高。
备货建议出来之后，一定要保留人工确认环节。Agent给出建议采购量，采购人员可以改，但要留一个字段写改动原因，比如「大客户临时加单」「供应商涨价前的囤货」，这些原因积累下来，就是模型迭代的特征素材。全自动下单在早期阶段不建议做，出一次错就是真金白银的损失，人机协同的节奏是：Agent算，人确认，确认的理由回流给Agent，边跑边学，越跑越准。
上线节奏和踩坑提醒，春节旺季是试金石
订单预测Agent的上线，建议挑一个业务相对平稳的时段做灰度，别赶在旺季紧急上线，更别赶在春节这种极端场景。春节是丰台消费品的试金石，过年期间的备货量是平时的好几倍，节前停工、物流停运、节后需求爆发，所有的复杂情况挤在一起。一家做年货礼盒的公司，第一年系统只跑了四个月就上春节预测，模型没见过这种极端峰值，建议量比实际需求少了四成，过年那几周天天断货，客户骂声一片。第二年数据攒够了，把春节单独建了模型，提前两个月开始滚动预测，节后复盘的时候库存周转提升了两成多。
落地实施有几个动作建议提前做。数据接口要稳定，ERP导出、电商平台下载、档口手工录入，能自动化就自动化，手工导数的环节越多，数据残缺的概率越大；预测结果要可视化，老板和采购不用看公式，看一张备货日历、一张补货清单就知道下周该干什么；预警规则要分层，缺货预警发给采购，库存积压预警发给运营，资金占用的报表发给老板，各看各的，别把所有信息堆在一个群里。工具上线只是开始，运营节奏跟上才有效果。
落到丰台的具体场景里，每个细分行业还都有自己的补货日历。做食品贸易的跟着节气和商超档期走，做建材的五六月开工季和九十月份装修季是两个高峰，做汽配的跟着车型保有量和保险事故率走。这些行业知识藏在一线人员脑子里，做系统的时候要把它们挖出来变成规则，比如某家做餐饮供应的公司，规则里专门有一条：天气预报连着三天最高温超35度，凉菜类食材的备货量要自动上浮两成。行业规则加数据模型，两层叠加，预测才真正接地气。想评估自己的订单数据够不够做预测，或者想算算备货自动化能省多少钱，随时可以聊。
需要相关服务？联系我们免费咨询
九五星球企服提供公司注册、代理记账、商标注册、财税咨询、高新申报、网站开发等一站式企业服务。可以先免费咨询看看，觉得合适再合作，不推销。
免费小工具推荐：
联系方式：
- 电话/微信：18910232032
- 扫码添加专业经营合规顾问，免费咨询 ↓
