本文共约3800字
工业领域，所谓的AI大模型也好，AI Agent也好，具身机器人也罢，它们或者在车间，或者在办公区域，或者接入管理系统，或者本身就是一个智能系统，只不过人类希望它们更像人一样工作。
而供应链的发展，本身与信息技术和数字技术有着千丝万缕的关系，这也使得供应链管理从组织和流程层面逐渐趋向数字化和智能化，进而应用AI，给予我们的场景是以精益和敏捷为管理文化的半自动化、完全自动化和拟人化。
未来供应链最终如何打破工业化大生产，演变成怎样的新生态局面，我不敢想象，比如，产品也许不再通过大生产获得，而完全由“打印”技术完成，比如，供应链组织和流程的完全AI化。。。
不管如何，一切都得从现在出发，并牢记我们无法跳跃时代，我们仍然在踩着巨人的肩膀，朝着人类自以为准确的方向前行。
今天和大家分享的话题仍然围绕供应链计划体系，因为，我们正在见证自动补货技术的发展。
本文就自动补货技术的发展阐述以下几个内容：
补货技术的发展路径
自动补货应用场景
补货系统核心技术组件
自动补货技术未来趋势
AI Agent的自我理解
当前补货系统的应用现状
>>> 补货技术的发展路径
一种最快速简便的学习方法来自时间序列，比如补货技术是怎么发展来的，通过其时间序列，我们发现其完全由一组工业化大生产的经营和管理需求激发而来的术语组成，这些术语背后所代表的流程形态可以场景化地展示出来，它们之间并非“你来我往”和“孤立存在”，尽管它们先来后到，但进化者总是遵循取其精华，舍弃糟粕。
补货技术发展的时间序列
>>> 自动补货应用场景
零售与快销品
1974年，第一件带有通用产品代码的条形码商品被扫码，这是线下商超的福音，当然也是以电子身份所代表的物联网起步的信号，而POS机的普及，使得POS数据可以结合货架库存嵌入补货系统，系统产生补货订单自动向配送中心和供应商进行补货。
我只知道阿里巴巴是国内较早成功的
电商平台，查阅资料才知第一个电商平台是8848，8848没成功据说是因为没有坚持B2C。如今，根据实时销量，购物车数据，页面浏览量，预测需求，系统可以自动触发拣货和补货指令，将采购指令直达供应商
最早尝试VMI的应该是联想，我大概是在98年觉得这个模式太伟大了，货物放在自家仓库，库存完全属于供应商，账面库存是零，总觉得企业好像耍无赖一样。当然企业和供应商是需要签比较谨慎和友好的合作协议，承诺双方承担共管责任。
制造业
渴望能实现自动补货的制造企业越来越多了，看着网上那些炸眼的“AI狂想”，自以为是很容易实现”一键补货“。自动补货如同JIT模式，JIT这个代表丰田精益屋左边柱子的伟大概念，同样是需要一系列时间序列堆积而成，例如降低作业时间，快速换模，节拍生产，看板管理，拉动生产，一个流，VSM，自动补货恰恰是实现JIT的关键应用，所以，假如我们熟悉看板系统原理，自动补货自然可以迎刃而解，这也是自动补货技术在制造企业最好的应用场景，而当我们进一步剖解看板管理系统线上线下结合的作业模式时，一个叫DDMRP的应用正在逐步被制造企业探索。
餐饮与生鲜
获得较为精确的需求是驱动计划稳定性的最为重要的因素，自动预测是自动补货技术的输入保障。AI智能算法分析已经从简单的移动平均法进化到利用时间序列分析，回归模型等统计方法。鲜为人知的亚马逊拥有其特有的预测性发货专利，身在其外的人是无法熟知那近似“自主规划”的自动化补货模型，我只能想象当今的机器学习完全可以进行高精度需求预测，对于大部分常规标准品的日常补货是完全可以实现自动化，而一些异常情况，如极端波动，新产品，供应链终端等，仍然需要人的决策。前阵子，有位食品企业供应链领导表达了对自动补料系统的应用愿望，大概也是基于这样的构想。
>>> 自动补货技术组件
我们来谈谈补货技术的系统组件。
在我看来，供应链计划体系的核心便来自于这个补货技术系统，从MRP到ERP，最大的区别是什么？前者涉及物料需求，后者上升为资源需求，两个概念的差别将企业的计划体系有了质的飞跃。
当我们提到MRP，大概率的场景是BOM转换，可提到ERP，瞬间的错综复杂会进入我们的大脑，经营层面的销售需求，经济层面的财务核算，不仅如此，我们还会从ERP联想到供应链。
如果没有补货技术，也不可能有供应链的发展和供应链管理的流程建设。你或许不信，但倘若深入补货技术发展的时间序列，你我都会惊讶于工厂早期的困惑还真不是在于如何能够做出一个产品，这一点，我们只要弄懂EOQ的历史来源便可真相大白。
补货技术的重点并非只在于实现补货，更在于以什么方式实现补货对于企业来讲是经济的。
我在文章从供应链计划的两图两表跳出传统供应链的历史叙述，用工程化的思维进行解构计划系统中给读者画过一个供应链数据流图示，其中有两个重要数据节点：需求特征和库存策略。
某供应链数据流
（红圈考虑需求特征和库存策略，箭头代表主要流程节点)
现代自动补货系统通常整合了需求预测引擎、库存优化模型、订单策略引擎，并与ERP、WMS、TMS等系统无缝对接。
从EOQ到ERP，到APS的成熟，计划体系历经近百年，为什么我们仍然有不少企业挣扎在交付链的各种信息障碍中，除去需求的不断变化，我想，企业对自生经营和管理的供应链数据流上总是找不准它们之间合理的逻辑，特别是忽略混合型需求特征，复杂的多层次BOM和多工序生产，以及不够灵活的提前期管理，而这些正是计划体系失效的本源。
供应链计划体系失效根源的分析表
无论多复杂的供应链数据流，今天的AI已经成长为人类的“外挂脑”，而目前AI的存在是以数据逻辑为根本，可以说，AI可以解决大部分我们还没掌握的知识，并帮助我们进行解决方案思路的梳理，而我们必然成为那个思路的践行者。
三层七模块的自动补货技术组件架构
>>> 自动补货技术未来趋势
从工业化的角度，任何技术趋势都会与商业范式进行深度融合，讨论未来技术自然脱离不了AI的话题。
人工智能与预测的深化：
-
生成式AI：用于模拟不同市场场景下的需求变化，生成更稳健的补货策略。
-
因果AI：不仅能预测“是什么”，还能解释“为什么”，例如能精准量化一次营销活动或一个竞争对手动作对需求的影响，从而做出更明智的补货决策。
-
全域与全渠道库存可视化与优化
超自动化与自主决策
结合RPA,Robotic Process Automation（机器人流程自动化），实现从需求感知、预测、订单生成、审批到物流协调的全流程无人化干预，系统被赋予更多权限，在预设规则内做出自主决策。
-
物联网与实时感知的普及
智能货架、RFID,Radio Frequency Identification 标签
提供百分百准确的实时库存数据。
-
无人机/机器人盘库成为常态，数据更新频率从“天”缩短到“小时”甚至“分钟”，使补货响应极其敏捷。
可持续性与弹性供应链：
-
区块链与供应链金融集成
补货订单、物流信息、库存状态上链，实现不可篡改的透明化，这可以自动触发智能合约,简化对账流程，甚至实现基于真实贸易数据的自动融资（供应链金融），让资金流与实物流、信息流同步。
>>> AI Agent的自我理解
我对AI Agent的理解最早来自于呼叫中心，设置一个智能体进行拨号和处理来电，其实就是完成以前人做的一些事情，这听起来理应简略些，毕竟设计话语表达和套路对于营销领域来说环节还不是那么复杂。可当我们将思路转移到自动补货系统，上面我们分析的种种不可确定和复杂层级就会制约一个真正的AI Agent的到来。
让我们来学习下在自动补货场景中AI Agent 应具备的以下关键特征：
-
自主感知 持续、主动地从多种数据源（销售、天气、舆情、物流状态、库存视频/传感器）获取信息，而不仅是被动接收预设数据流
-
自主分析与规划
能理解复杂目标（如“在保证98%现货率的前提下，最小化总持有成本和碳排放”），并动态制定和调整补货策略
自主决策与执行
在无需人工干预的情况下，直接生成并发送补货订单、调整安全库存参数、甚至与供应商聊天机器人谈判。
持续学习与反思
能从决策结果中学习，比如发现某个促销预测模型失效后，能自动调整或尝试新模型
>>> 当前补货系统的应用现状
目前全球领先的零售企业和科技公司，如亚马逊、沃尔玛、Target，以及一些SaaS服务商如Relex、Blue Yonder等部署的系统，可以称为 “AI增强的自动补货系统” 或 “智能补货引擎” 。
它们已经具有了强大的预测与优化能力，比如使用机器学习进行高精度需求预测，使用用运筹学进行库存优化。
在对待标准品的日常补货等大部分常规决策上已经高度自动化或者完全自动化。
这种高度自动化满足了人机协同的完美配合需求，90%的常规决策实现了系统处理，系统也会将10%的异常情况（如极端波动、新产品、供应链中断）标记出来并推荐几个选项，交给人类决策。
我相信国内零售业也正在开展智能补货引擎和自动补货AI Agent 的开发和应用，希望有一天，这些技术得以普及。
文：Cia，部分内容由AI提供
图:Cia，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
