场景难度：中更新于 2026-06-05
供应链：需求预测
典型业务问题
需求波动大，库存要么积压占用资金、要么缺货丢单；促销、节假日等外部冲击难以预测。
AI 可以怎么做
融合历史销量、季节、促销与节假日信号做需求预测，指导补货与安全库存；京东物流等企业在大促期间通过更准的预测降低库存与履约成本。
适合的企业
有较完整历史销量数据的企业
不适合的情况
销量极不稳定且无结构化记录的企业
数据与流程准备
需要历史销量、促销日历、节假日、价格与库存周转数据，且口径一致。
建议验证指标
- 预测误差（MAPE/WMAPE）
- 库存周转
- 缺货率
- 呆滞库存占比
POC 建议
4 周试点：选一个品类做预测对比（AI vs 现有经验法）；第 1 周对齐数据口径，第 2–3 周训练并做滚动预测，第 4 周对比缺货与积压，验证「预测准了是否真降库存」。
常见失败原因
- 忽略促销与外部冲击（天气/舆情）
- 数据口径不一致，训练集与真实脱节
- 预测与补货执行脱节，门店不采信
预测模型的价值在持续迭代，而非一次性上线——预测误差要直接回写到补货策略，并让一线能看到、能采纳。
成功前提
- 京东物流等公开资料显示：大促期间更准的需求预测能降低库存与履约成本，前提是历史数据质量与实时反馈闭环。
- McKinsey：约 65% 的组织已在常规工作中使用生成式 AI，需求预测是供应链侧最成熟的统计/机器学习场景之一。
参考来源（2）
1. 京东物流需求预测与智能调度实践行业来源
发布主体：JD Logistics使用政策：可摘要京东物流等企业将 AI 用于需求预测、仓储调度与路由优化，公开资料显示其在大促期间通过更准的预测降低库存与履约成本；前提是历史数据质量与实时反馈闭环。https://www.jdl.com/2. McKinsey《The state of AI》全球 AI 应用年度调研权威研究
发布主体：McKinsey & Company使用政策：可摘要McKinsey 2024 全球 AI 调研：约 65% 的受访组织已在常规工作中使用生成式 AI（较上一年约 33% 接近翻倍）；逾 75% 的受访者预计 GenAI 将给所在行业带来显著乃至颠覆性变化；传统 AI（非生成式）的组织采纳率多年维持在约 50% 左右。https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai