需求预测——从拍脑袋到AI概率预测
> 供应链所有的决策都建立在一个假设上：我们知道将来会卖多少。但如果你诚实地面对这个假设——我们从来不知道。我们只是在猜。好的预测和差的预测之间的区别，不在于"谁猜得更准"，而在于"谁承认自己是在猜，并用严谨的概率论来猜"。
一、传统需求预测的真实面目
走进任何一家传统企业的月度产销协调会，你会听到这样的对话：销售总监说"下个月我们保守估计能卖500万"。这个"保守估计"是从哪里来的？通常是从Excel表里拉一下去年同期的销量、乘以一个"增长率"（销售总监凭感觉拍出来的）、再加上两个大客户的"口头承诺"。这就是传统需求预测的真实流程——它既不是"科学"，也不是"艺术"，它更像是"一群有经验的人坐在一起用直觉赌一把"。
这种"拍脑袋预测"造成的后果是连锁的：预测偏高→采购多买了原材料、工厂多排了产能、仓库堆满了库存→发现卖不掉→降价处理→利润被库存减值吃掉。预测偏低→原材料不足、产能排不上、成品缺货→客户等不及→丢失销售机会和客户信任→竞争对手趁虚而入。这两个方向错了都会造成巨大损失，但传统预测在两个方向上的错误率波动非常大。
更深层的问题是预测偏差的责任归属。在传统模式下，销售部门对预测负责，因为他们是"最接近市场的人"。但销售部门的激励结构天然地鼓励"保守预测"——预测低了，实际卖得比预测多，是"超额完成任务"；预测高了，实际卖得不够，是"库存呆滞的责任"。这种激励机制导致预测系统性地偏低——而供应链部门为了应对"预测偏低导致的频繁缺货"，只能加大安全库存，这就形成了"预测偏低→安全库存偏高→库存成本上升→利润被蚕食"的恶性循环。
打破这个循环需要一个全新的机制：让预测不再依赖于一个人的直觉和一个人的激励结构，而是依赖数据和概率。
二、AI需求预测的五层变量金字塔
传统的需求预测只用一个变量——"历史同期销量"。AI的预测模型考虑的是五个层次的变量，我称之为"预测变量金字塔"。
第一层：历史时序数据。这不是简单的"同期销量"，而是对历史销售数据的深度时序分析——趋势（销量是上升还是下降？）、季节性（每年固定时间的波动模式？）、周期性（更长周期的经济波动？）、自相关性（上周的高销量会多大程度地预示本周的高销量？）、事件冲击（什么类型的事件——促销、政策变化、竞争对手动作——导致了历史上的销量异常跳变？）。
第二层：商业驱动变量。这些是企业可控的内部变量——价格变动（提价5%对销量的影响？）、促销强度（折扣深度×推广渠道广度×促销时长）、渠道扩张（新开了多少门店/分销商/电商平台？）、产品更新换代（新旧型号的替代速度？停产信号对最后一批库存的影响？）。
第三层：市场环境变量。这些是外部但可观测的变量——竞争对手的定价和促销活动、替代品的市场渗透率、互补品的市场趋势、行业总需求的宏观数据（如房地产开工面积影响建材品类）。
第四层：宏观与事件变量。这些是从新闻、社交媒体、政策公告中提取的信号——行业政策变化（如新能源汽车补贴退坡）、天气预测（影响空调/取暖器/除湿机等季节性品类）、重大社会事件（体育赛事带动啤酒零食销售、疫情管制影响消费场景）。
第五层：人类输入的软信息。有些信息是"还没有体现在数据中但销售团队已经感知到的"——某个大客户正在考虑换供应商、某个地推团队签下了一个潜在的连锁订单、某个渠道商在抱怨库存积压。这些"软信息"是AI从纯数据中捕捉不到的，必须通过结构化的方式从销售团队中收集，然后编码为模型的一个额外输入。
三、概率预测：从"一个数"到"一个分布"
AI需求预测和传统预测最本质的区别在于输出的形式。传统预测给的是一个数："下个月预计销量是5320件"。这个数给人的心理暗示是确定的、精确的——但实际上它只是一个"最可能的估计"，它的不确定性完全没有被传达出去。
AI预测给的是一个概率分布："下月销量有50%的概率在4800-5800件之间，有90%的概率在4200-6500件之间，极端的上下限（p95预测区间）是3500-7300件"。这个分布包含的信息量与"一个5320"根本不在一个数量级上。
概率预测在供应链决策中创造的价值是革命性的。当你知道"最可能销量是5320件"时，你能做的决策是"采购5320件所需的原材料"。但当你知道"销量有10%的概率低于4200件"时，你就能做风险对冲——"我按4500件的量采购原材料（覆盖80%的置信区间），同时与供应商谈一个柔性条款——如果需要，可以在2周内追加800件的产能"。
更精妙的是，不同品类的供应链决策需要不同的预测分位数。对于缺货成本极高的战略品类（缺货损失的利润远大于库存积压的损失），你应该按较高的分位数（比如p85或p90）做库存规划——宁可多备一些，也不能缺货。对于库存持有成本极高的品类（保质期短、体积大、资金占用高），你应该按较低的分位数（p50-p60）做库存规划——宁可偶尔缺货，也不能让库存积压。
这就是概率预测的革命性所在——它不要求预测"更准"，它要求预测"诚实地告诉你它有多不准"。当你知道了不确定性的大小和分布，你就可以根据你的业务特性（缺货成本vs库存成本）做出最优的风险管理决策。你不是在猜一个数，你是在管理一个概率分布。
四、预测准确率的衡量：告别MAPE崇拜
在传统供应链管理中，有一个被过度崇拜的指标——MAPE（平均绝对百分比误差）。它的计算方法是：每个产品的（|预测值-实际值|/实际值）的平均值。比如你预测了100个SKU的下一周销量，MAPE是25%，意味着你的预测平均偏差了25%。
MAPE确实是一个直观的指标，但它有三个严重的缺陷。第一，它对慢销品极其不友好——你预测某个SKU下周卖1件，实际卖了2件，MAPE是100%——但这个错误在业务上几乎无关紧要（不过是多卖了一件的微小差异）。而一个高销量SKU——预测卖1000件，实际卖了800件，MAPE是20%——这个20%在业务上可能意味着200件的库存积压。
第二，MAPE对"偏低的预测"和"偏高的预测"同等对待，但在供应链中这两种错误的代价是完全不同的——预测太低导致缺货损失，预测太高导致库存积压。
因此，在AI需求预测体系中，应该使用多维度的评估指标：加权MAPE（按销售额加权，让高价值SKU的准确率更被看重）、偏误分析（系统性地偏高还是偏低？这是模型结构性问题而非常规误差）、库存影响评估（直接评估预测误差导致的库存成本和缺货成本，而不只是评估预测误差本身）、预测分位数的校准（AI预测"有90%的概率实际值在预测区间内"——实际数据验证是否真的90%落在区间内？）。
五、将预测转化为决策：S&OP的AI化
需求预测本身不是目的，将预测转化为供应链决策才是目的。传统上这个过程被称为S&OP（销售与运营计划）——一个跨部门的月度会议，销售、市场、供应链、财务坐在一起，对齐需求预测、供应计划、财务预算。
AI时代的S&OP从"月度对齐会议"变成了"持续自动化的供需匹配"。AI Agent持续运行需求预测模型，将每个SKU的概率预测与当前的库存、在途订单、供应商产能、生产排程做自动匹配。当匹配结果出现缺口（需求可能超过供应）或过剩（供应可能超过需求）时，AI自动生成预警和方案。人类管理者不再每个月花两天时间准备和开会，而是每天花15分钟看AI生成的S&OP仪表盘——哪些品类有供需缺口？AI建议了哪些调整方案？他只需要就AI建议做"批准"或"修改"的决策。
这个转变的意义是：S&OP从"回顾历史"变成"前瞻管理"——传统的月度S&OP会花大量时间在"上个月为什么没达标"的回顾分析上（因为数据滞后，只能回顾），而AI驱动的S&OP把80%的时间放在"未来可能会发生什么，我们应该怎么应对"的前瞻决策上。
六、部署AI需求预测的实战建议
不要追求"全域预测"。选择你企业中需求最难预测、库存成本最高的品类作为首发品类——比如季节性很强的品类（预测准确率本身就低，AI的提升空间大）、或者单价较高的品类（库存积压的代价大，预测改善的财务回报高）。在这些高价值品类上验证AI预测的效果后，再扩展到全品类。
不要一上来就用深度学习。先用统计学基线模型（移动平均、指数平滑、ARIMA）建立基准预测准确率。如果AI模型（如LightGBM、XGBoost）不能显著高于基线，就在数据和特征工程上继续投入——而不是增加模型的复杂程度。记住：好数据+简单模型 > 烂数据+复杂模型。
让销售团队提供"增量信息"而非"替代预测"。不要让销售填"下个月预测销量是多少"——这是AI在做的。让销售提供"AI不知道的信息"——哪些大客户在考虑增减采购量、哪些竞争对手在做大促、哪些渠道在调整合作模式。这些"软信息"是对AI模型的补充，而不是替代。
建立预测偏差的可追溯机制。每个月固定一次"预测vs实际"的复盘——不是追责（"谁预测错了"），而是诊断（"为什么预测偏差这么大？是模型忽略了什么信息？还是出现了完全不可预见的黑天鹅事件？"）。这种复盘机制持续改善的是预测体系本身——包括数据的完整性、模型的结构、软信息的编码方式。
本文基于EIOS需求预测Agent的应用实践。该Agent融合时间序列、机器学习和宏观事件分析，在多个行业的实际部署中将预测准确率（加权MAPE）从35-45%改善至15-22%。