全文约900字
上一篇主要分享的是我这个小白如何和AI编程一起，完成了基于Python的基础版库存优化引擎。
事实上，库存专家们很清楚库存与需求波动有极大关系，但要如何处理需求波动，并非是库存专家们的擅长。这个问题常常构成销售和供应链之间的“口舌战”。
企业要交付，销售提出了设置安全库存，企业提出要降库存，这不，供应链对销售的预测准确度提出了要求。
供应链说，我们改善了采购周期和生产周期，我们将产能扩大了30%，你们的需求预测太不准了，变化太离谱。
销售说，我不管，市场就是这样，你们可以放库存啊。供应链影响客户销售要承担责任的。
你来我往，库存堆得越来越高。老板桌子一拍，指着销售老大和供应链老大，必须给我解决问题。
一个预测准确度带来的问题就三个字：不确定！这大概是库存专家们最头疼的事，可是，不确定似乎已经成了当下供应链必须跨越的天然屏障。
头疼治头，该怎么治？
一个线索开始显露出来，线索在哪里？它就在上篇文章的一段代码里导入自动补货系统前，让我们深度学习一套三层七模块补货技术组件3 — 库存优化引擎
首先，我说明下，假如企业的计划体系不需要需求预测，我们就没必要继续探索下去。比如，客户允许企业根据收到的销售订单开展供应链活动；比如，客户提供并承诺需求预测。（我们已经在之前讲过生产模式了）
可假如企业的业务就得依靠需求预测推动供应链活动，我们就必须继续探索下去。
回到图示线索：预测方法和库存策略的映射关系示例，这里表达了四个不同的计算模型。
如果企业使用预测软件，我们根本就搞不清预测软件的计算逻辑，即使知道预测算法模型，对于非数学专业人士，我们也是搞不清那些公式的来龙去脉。
当然，我是建议需要需求预测的企业使用预测管理软件，毕竟这是一个相当专业的业务流程。
如果企业使用手工计算需求预测，我猜测最多会用到简单指数平滑，大多数估计还只用平均和移动平均计算出需求计划。
再者，假如企业的销售数据处于一个复合和复杂分布，不合理的安全库存系数必然引起高库存弱交付的尴尬状态。
这就是人工计算的缺陷，这会导致历史销售数据分析不当使用错误的预测方法，从而匹配错误的库存策略和防止不必要的库存水平。
可能有人会说需求预测不能单依赖历史数据，说得没错，是不可以完全依赖历史。
准确的做法是在历史的基础上，揉进计划好的的市场策划。
然而，如果连历史数据都是被错误估计，那就谈不上预测的准确度。
所以，接下来，我需要开启与AI编程的下一个模型，需求预测引擎，让我这个编程小白与AI编程帮大家完成这个实践。
当完成需求预测引擎，我会将整套代码分享给我的读者。
敬请期待！
图文：Cia
文中涉及编程由元宝AI智能编程完成
编辑：Cia
数字化时代的企业与供应链思考与探索，
喜欢就关注和转发
欢迎一起探讨
