在《聊聊AI Agent在供应链场景下的运用（上篇）》中，风叔从供应链五大环节出发，先容了每个环节中AI Agent能够带来的提效。但是对付AI Agent的运用细节，风叔点到为止了，没有详细展开解释。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，发卖操持的准确度越来越低，市场竞争愈发激烈，消费者喜好难以预判，原来制订发卖操持的手段，已经很难再跟上市场的变革。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、库存积压开始举头，有些地区供不应求，而有些地区又无人问津。第三，业务相应不及时，有些渠道缺货很严重，但供应链相应迟缓，每每须要良久才能补上渠道的缺货。这都是在业务扩展的过程中，非常普遍的问题。因此我们须要搭建供应链的基本防线，以应对难以预测的需求大水。
第一道防线是需求预测，也便是发卖预测，预测得越准确，应对效果就会越好，但是发卖预测不可能100%准确，常日我们的目标是达成80%的准确率，抵挡80%的大水。
需求预测拦不住的需求，会流到第二道防线，也便是库存操持。库存操持越科学，越能有效缓冲需求颠簸，而库存操持的关键便是安全库存和订货点。
如果库存操持也拦不住，需求会流到第三道防线，也便是监控实行。通过供应链的快速反馈来知足额外的需求，比如缺货预警、自动补货、门店间调拨、需求延迟知足和补偿，都是非常有效的实行手段。
下面，风叔结合AI Agent，详细先容这三道防线的搭建办法。大家也可以私信风叔“供应链Agent”，得到更详细的供应链资料后逐步理解和学习。
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，后面库存和实行的压力就越小。
销量预测紧张包括商品、韶光和渠道三个维度。商品维度是各个产品的销量，尤其对付零售、餐饮、快消等行业，渠道售卖的品类每每会比较多；韶光维度便是日、周、月、季度、年，详细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？根本缘故原由在于供应链的相应能力有限。
试想一下，当消费者购买商品时，如果企业能做到急速有货，那就根本不须要销量预测了。就像我们日常生活中从来不会做用水量预测一样，由于打开水龙头极大概率都是可以直接打水利用的。
正是由于供应链的相应韶光短则一天，长则一周乃至数周，我们才须要做合理的销量预测，以填补供应链相应时效的不敷。相应周期越长，相应能力越有限，对销量预测的依赖度就越高。
那么详细该如何做销量预测呢？包括拟合和估算两个环节。
1. 拟合
拟合是指利用历史的销量数据，通过线性回归算法，打算每个因子对付销量的影响权重，然后再预测未来的销量，个中影响销量的核心因子包括地点、门店、日期、时令、景象、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。之以是要取三年的数据，是考虑到时令成分，很多品类会受到时令影响；AI Agent利用干系性算子，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；对过去三年的韶光段做随机分配，将80%的周作为演习样本，20%的周作为演习样本；利用演习样本的数据集，利用提取到的核心关键因子，通过线性回归模型进行演习，打算每个关键因子的详细权重；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%，当利用模型预测某一周某个门店的销量时，如果偏差率不超过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，则认为模型演习完成。利用演习好的模型，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，比较适宜销量相对稳定、客群相对分散的产品，而对付需求相对集中的产品，利用拟合就不得当了。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革，都能对产品的整体销量造成很大影响。
因此，这种情形下可以采取估算法，估计该客户在未来一段期间内对该产品的需求上升或低落的比例。
“上帝的物化主，凯撒的归凯撒”，放在这里便是“拟合的归拟合，估算的归估算”。我们要见告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利用估算法，对付剩下的需求相对稳定且客户分散的部分，利用前面提到的拟合法。
当企业给出需求预测的结果之后，还有一件事情非常主要，即对接企业的发卖端和供应链端，以及关键的供应商，担保高下游部门和互助伙伴根据同一个数字进行协同。
这个时候，AI Agent就可以再次发挥代价，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，库存操持
再准确的销量预测也不可能达到100%准确，常日来说需求预测能抵挡住80%的需求，就已经非常空想了。接下来的需求大水，就得靠库存操持来抵挡了。
比如预测来日诰日门店会有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，便是门店库存。
很多人对库存的理解存在误区，认为库存都是不好的。实在，合理的库存是供应链的粘合剂，可以应对需求的不愿定性，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，须要极永劫光的消化，乃至完备无法消化。
常日来说，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，这便是周转库存。安全库存：用来应对需求和供给的不愿定性，以达到特定客户做事水平的库存。安全库存是库存操持的核心，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大水。过剩库存：超出周转库存和安全库存，但是能够在一定韶光内消化掉的库存。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，但只管即便肃清过剩库存和风险库存。
对付安全库存，其高低取决于三个成分，需求的不愿定性、供给的不愿定性和做事水平的哀求。
1. 需求的不愿定性
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，最多高下颠簸5件，那安全库存只要5件就足够了。但如果门店本日售出20件、来日诰日售出200件，那就必定须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成分呢？
第一类是环境成分，比如景象，对付线下门店来讲，下雨天的客流量就会明显下滑，环境成分带来的需求颠簸会比较大，且常日来的比较溘然，难以预测；第二类是节日和匆匆销成分，在大型节假日、周年庆、满减活动期间，需求常日会涌现上涨，但这类成分是可以提前预判，方便提前备货；第三类是竞争成分，比如周围开了同类型的门店，会分走大量的线下流量，我们须要密切关注市场竞争的变革趋势，只管即便让竞争的影响来的相比拟较缓慢；第四类是用户成分，比如用户本身的需求和偏好发生了变革，导致需求变少，这类成分不会溘然发生，群体偏好的变革一样平常会有一个漫长的过程；还有一类是意外成分，比如溘然涌现的热点或负面舆论，也会让需求涌现大幅颠簸。对付需求的颠簸，须要找到一种量化需求不愿定性的办法。
可以利用统计学上的标准差，常日我们假设需求的颠簸是符合正态分布的，那标准差便是量化实际值与预测值的差距。
标准差的打算办法有标准的公式，因此也可以利用AI Agent，剖析历史发卖数据，打算每个渠道、每个品类的标准差，理解产品在不同韶光段、不同渠道下的需求变革情形，从而量化需求不愿定性。
2. 供给的不愿定性
供给的不愿定性每每是指供应周期的不愿定性，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，完备知足一周的发卖需求，就不须要设置安全库存。而如果供应商的供应周期很不稳定，有的时候是一周，有的时候须要2周、3周乃至更久，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。
有哪些会对需求产生明显影响的成分呢？
第一类是供应商成分，供应商的生产能力、财务状况、管理水平等成分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成分，运输过程中的耽误、损耗、事件以及海关清关等问题可能导致供应链中的供给颠簸。第三类是政策和法规成分，比如某国家溘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颠簸，影响企业的生产本钱和产品供应。第四类是自然成分和突发事宜，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，进而影响了环球汽车市场的供应。可以看到，影响供给的因子都是比较难提前预判的，以是企业都要设置相应的安全库存，以应对供给的颠簸。
对付供给的颠簸，我们同样采取标准差的打算办法，即假设供应商的供应周期也是知足正态分布的。因此也可以利用AI Agent，剖析每个品类的供货历史数据，理解每个供应商的交货周期、产品质量、价格颠簸等方面的信息，从而量化供给的不愿定性。
3. 做事水平的哀求
做事水平是指，当需求产生时，有多大概率能够用现有库存来知足需求。做事水平越高，安全库存就越多；做事水平越低，安全库存就越少。
试想一下，如果消费者来门店消费，必须立时有货，没有货消费者可能就会投诉，那就须要配置更多的安全库存；而如果消费者对付是否有现货没有那么高的哀求，过几天再来取货也可以接管，那就不须要配置很多的安全库存，由于还有韶光进行补货和调货。
95%的情形能急速知足客户需求，和80%的情形能急速知足客户需求，这两者的做事水平是不一样的。但是我们不直接用概率来代表做事水平，而是Z值。
Z值表示离需求正态分布轴线间隔多少个标准差。以下图为例，如果放置1个标准差的安全库存，做事水平会从50%提高到84.13%；再额外放置1个标准差的安全库存时，做事水平会提高到97.7%；再放置一个标准差的安全库存时，做事水平能提升到99.9%。
做事水平就会以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。不丢脸出做事水平越高，本钱就会越高。
为了达到99.9%的有货率，我们须要配置3个标准差的安全库存，导致库存太高，库存周转率太低。企业要平衡好做事水平和本钱的关系，当然从用户体验出发，做事水平越高越好，但我们也可以有其他办法来知足。比如95%的情形下急速由当前库存知足，99%的情形能在2天内发货，100%的情形能在3天内发货。
4. 安全库存的打算
在确定需求的不愿定性、供给的不愿定性和做事水平之后，就可以打算终极的安全库存。在上图中，根号下的前半部分是需求的不愿定性，由均匀补货周期、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愿定性，由均匀需求预测值、补货周期的标准差决定。这里做单位换算的缘故原由，是为了担保需求预测的韶光单位和补货周期的韶光单位同等。
这也是标准公式，可以演习AI Agent完成干系的打算。
安全库存的利用非常广泛，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成分中，做事水平和企业的代价主见息息相关，比较难调度这个指标。为了降落安全库存，我们要从降落需求和供给的颠簸性动手。
1）降落需求的不愿定性：
第一，是提高需求预测准确性，AI Agent可以利用更前辈的统计方法、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，以适应市场的变革。第二，还可以利用AI Agent自动爬取网络，网络关于消费者需求、行业趋势、竞争对手等方面的信息，即时理解市场的真实需求。2）降落供给的不愿定性：
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互助关系，降落因单一供应商涌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，降落人工寻源的本钱。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，对付表现不佳的供应商，及时采纳方法改进或改换。第三，是加强供应链协同，通过信息共享、协同操持等办法，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，监控实行纵然安全库存设置的再合理，偶尔也会有一些突发情形产生，比如溘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，就须要第三道防线来承接，也便是监控和实行。
所有的操持都是不足准确的，这是操持的先天不敷，以是须要实行来填补。关于供应链的实行，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，即按照发卖操持和库存操持，以效率最高、本钱最低的办法进行落实。由于发卖操持和库存操持都是详细的数字，须要通过信息化系统的培植，搭建完全的流程，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，自动发起采购要求。
其次是驱动供应链快速、有效地相应没有提前预见的情形。比如当面对突发的需求暴涨时，可以通过给予用户权柄等手段进行安抚，同时向上游快速反响市场的需求变革，通过协同、催货等办法，加速供应链心脏的跳动。
现在，很多精良的企业，已经利用AI Agent将监控实行做到自动化。当Agent检测到存在非常情形，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、电话的办法，对干系卖力人进行关照提醒。
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）和环球定位系统（GPS）等技能手段，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、产线上的生产速率、哪些环节有预警等等数据，都可以通过可视化系统，从全局上节制供应链的运行情形。
总结
本篇文章，风叔详细先容了如何搭建供应链的三道防线，以应对变幻莫测的市场需求。随着AI和大数据的发展，这些事情也由传统的基于人工履历，越来越转向自动化和智能化。
供应链也是一个非常适宜AI大模型落地的业务领域，对付立志想在AI ToB领域做出一番事情的朋友，可以重点考虑这个方向。
在后续文章中，风叔还会先容AI大模型在营销、门店、HR、法务等领域的运用处景和实现方法，敬请期待！
作者：风叔，微信"大众号：风叔云
本文由@风叔 原创发布于大家都是产品经理，未经作者容许，禁止转载。
题图来自Unsplash，基于CC0协议。
该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事。