去年，许多全球规模最大、技术最成熟的企业在库存采购或生产上超支了数百万美元。究其根本，是消费者的实际行为与预测不符。

规划人员不能简单归咎于消费者未按预测行事——尤其当许多顾客正承受食品、燃料和住房领域的历史性通胀压力时。

“需求规划在过去三年里被搁置了，”FTI Consulting高级董事总经理Rick Jordon表示，“如今他们重新拾起这项能力，因为各处都积压着过剩库存。但他们要么忘了怎么做，要么此前就没做好。”

经历三年疫情中断与经济波动后，跨行业的需求预测与库存规划优化，其紧迫性与难度似乎都达到了前所未有的高度。

为获得更优结果，企业正转向新的数据集，并借助人工智能等新技术工具进行分析。

从电子表格到AI

麦肯锡2022年初的一项高管调查发现，电子表格仍是供应链负责人的主要规划工具，73%的受访者依赖它。

但43%的受访者表示，计划将人工智能和机器学习用于部分规划活动；另有17%表示，计划在未来的某个时间点将AI和机器学习用于大部分活动。

供应链软件公司BlueYonder今年的一项调查显示，需求预测与库存优化是供应链高管应用AI和机器学习技术的首要场景之一。

“我们正明显超越Excel，转向更先进的工具组合，”FTI Consulting高级董事总经理Ron Scalzo表示。

在Jordon看来，AI技术未来将有助于消除预测中的人为偏差，推动更系统化的预测，并能同时运行多个情景推演。

Jordon指出，处理大量数据集并帮助企业理解自身内部数据，需要AI的介入。“大多数组织拥有海量数据，”Jordon说，“他们是否在充分利用这些数据，借助最佳技术并忽略噪音？这将是未来三到四年发展的真正方向。”

找到合适的数据，以正确的方式分析

在最基础的层面，AI接收数据并输出预测。要获得最佳预测，输入的数据本身可能比AI工具更为关键。

“已有系统在接入企业内部数据，包括企业系统、POS系统、门店库存水平等，”Centific AI服务总监Meher Dinesh Naroju表示，“但很少有公司会跳出这个框架，去获取完全非结构化的外部数据源。”

这类数据源包括社交媒体，它可能提供新兴市场趋势的线索。Naroju说，顾客“正在积极互动，留下关于他们在市场或特定品类中意图的评论与线索”。

甚至零售商门店摄像头的图像，也可能在聚合层面包含与顾客行为相关的数据，包括对特定产品、品牌和品类的反应。“这有点牵强，但可能有帮助，”Naroju说。

他还指出，天气数据等其他来源，可为供应链时间线与库存到货提供早期提示。

尽管如此，所有这些数据集都必须置于本地与区域文化及其他差异化特征的背景下加以解读。

“选择你需要的数据，并非常清晰地划分你要分析的数据范围，这一点至关重要，”Naroju说。

一旦企业获得了最佳、最精炼且最有用的数据，AI工具便成为关键。这项技术能从海量非结构化数据中提取洞察，这是“任何人类都无法在如此短的时间内完成的”，Naroju说。

但即便拥有最具创意的数据来源和最先进的工具，预测终究只是预测。

“如果你能破解当今消费者完美预测的密码，你很快就会成为世界首富，”第三方仓储物流公司Smart Warehousing运营副总裁Jake Self表示。

“噪音太多”

几代企业都依赖过去来预判未来。在疫情和随后的通胀打乱常规模式、2020年以来波动周期相互叠加之后，这种做法或许显得过时。

但对许多企业而言，历史趋势仍是最有用的预测数据。“这并不特别吸引眼球，但我们在理念上一直坚持：历史是预测未来的最佳指标，”Destination XL Group首席执行官Harvey Kanter在4月接受Supply Chain Dive采访时表示。

“我认为过去三年多里噪音太多，我们所经历的过山车式波动几乎无法预测，”他补充道，“我不确定最高水平的AI和机器学习能否预测消费者的行为。”

Kanter进一步指出，这家服装零售商仍会参考疫情前的营收，以及过去10年按日、周、月划分的历史营收贡献，他认为这些数据保持了惊人的一致性。

其他企业则根本没有预算来支付或论证先进技术工具的合理性。Smart Warehousing的客户从车库起家的小品牌到财富500强企业不等。Self说，对于一些寻求补货和仓储支持的小公司，其预测流程基本等同于“希望与梦想”。

对这些公司而言，历史数据远胜于没有数据。“我们在补货项目上投入了大量时间，真正建立了一套算法，让它基于历史数据学习和理解我们需要达到的库存水平，”Self说。

Smart Warehousing能做到这一点，是因为其投入预测与补货技术已超过二十年，并拥有一支专门专注于这一技能的专家团队。Self提到，密苏里州冷库补货业务的一套算法“看起来像是《心灵捕手》里的东西”——该片由演员Matt Damon饰演一位不为人知的数学天才。

但即便拥有这些资源，在当前环境下预测依然困难。“如果你不为意外因素做规划，那你的规划可能本身就有问题，”Self说。