AI+ 无代码助力企业供应链优化

内容来自演讲：潘峰 | 预见明日科技（北京）有限公司 | CEO

摘要

本文介绍了企业供应链中的挑战和解决方案。文章指出，供应链成本占企业经营成本的大部分，且存在供给端和需求端的高度不确定性。为应对这种不确定性，企业需要预测并储备库存，但这也带来成本问题。实际操作中，企业还面临数据多、变化多和成本高的挑战。

为此，文章提出一种通过 AI 技术打造的供应链大模型解决方案。该模型能处理大量数据，并根据销售数据特点匹配最适合的预测模型。它还能提供场景化、精细化、精准的需求预测以及差异化捕获建议，帮助企业对未来业务预期达成共识。系统支持常规品类预测、促销品类预测和新品类预测等。

最后，文章提到如何让 AI 成为企业内部各种角色的助手。系统适应企业的内部业务流程，整合不同角色的数据，并自动选择最适合当前状况的预测模型输出预测结果。同时，系统识别预测节点的数据，提示用户进行线下协同的过程。

一、公司简介

我们是一家专注于供应链优化的人工智能技术服务商，同时也是一家 SaaS 公司。我们的产品主要集中在为企业提供智能销售预测和智能库存管理这两个模块，旨在帮助企业提升供应链运营效率并降低运营成本。

“遇见”这个名字寓意着我们希望通过 AI 技术帮助企业提前预见未来，运筹帷幄，决胜千里。虽然我们公司成立于 2022 年，相对较新，但我们的团队并不年轻。我们的团队由一群来自头部互联网公司、快消零售企业和顶级高校的行业老炮组成。这些合伙人相识多年，在各自的专业领域中积累了丰富的经验，这些丰富经验的加持下，我们也为众多企业提供数字化服务。

二、企业痛在哪里？

可能大家对供应链这个概念不是非常了解。但是，我们都有一个共识：企业的供应链成本通常占了整个经营成本的大头，有的企业甚至高达 50%甚至 80%。因此，即使是对供应链的一点点优化，节省了一个百分点的成本，最终都会体现在企业的财务收益上。

然而，供应链有一个显著的特点，就是供给端和需求端的高度不确定性。例如，你很难准确预测下个月某个单品能卖出多少；而向供应商订购一批原料时，他们能否准时、足量地按照预期送达，也是不确定的。为了应对这种不确定性，供应链中出现了许多概念。

我们之所以产生成品库存、原材料库存、产能储备等，是因为我们需要通过这些准备来应对供应链中的不确定性。然而，这些资源的背后意味着成本。如果资源过多，可能会导致高库存、高产能，从而产生损耗等问题；而如果资源过少，则可能错失销售机会，造成履约困难，难以满足客户需求。

例如，在我们服务过的年营收几十亿的快消上市企业中，每年由于高库存过期带来的损失就高达一亿元以上。因此，企业通常追求用刚刚好的资源来满足不确定性的需求，这就需要企业对未来的经营做预测，对供应链中的储备库存做预测。但在实际操作过程中，企业面临许多挑战，包括数据多、变化多和成本高等问题。

三、我们诊断的问题是什么？

首先，数据非常多。对于一个快消企业来说，可能有几十到上百个 SKU，如果是零售企业，可能要处理几千甚至上万个 SKU。每个 SKU 在不同的时间段都可能有不同的促销活动。此外，还需要考虑全渠道的问题，包括线上线下的销售渠道，以及各种经销商等，不同部门可能会有不同的一些预测方式。

其次，变化多。受到宏观因素（如经济、天气）和微观因素（如竞争）的影响，需求波动非常快。同时，新品发售非常频繁，这也会导致需求的变化。

最后，成本高。在我们服务过的众多肩腰部企业中，为了解决这些挑战，他们通常需要投入大量的人力和物力进行销售预测或需求预测。然而，这种高成本的投入往往导致企业在做销售预测时无法做到足够细致。

过去，很多企业使用 Excel 进行销售预测，但在处理大量数据时，往往只能做到某一品类的处理和预测，或者按月粒度进行预测。要想进一步细化到周甚至天的级别，难度非常大。而且，即使某一次预测准确了，能否保持长期稳定也是一个问题。此外，实时性也是个挑战，想要提前做好未来几个月的每周计划，完全依靠人力操作是非常困难的。

因此，由于上述原因，企业的预测很难达到高质量水平，导致库存和损耗都难以降低，而部分商品的有货率和服务水平又无法提高。这就是企业面临的双重困境。

四、我们的解决思路是什么？

我们的解决方案是通过打造一个 AI 供应链大模型，为企业提供场景化、精细化、精准的需求预测以及差异化捕获建议。这个系统可以在 AI 的辅助下，让企业的不同角色在统一的数据、统一的界面中对未来业务预期达成共识。只有各个团队达成共识，才能匹配最佳资源。例如，如果你的工厂产能充足，能够满足需求端的需求，但是物流车队和仓储资源可能无法满足需求，这就存在问题。因此，我们最终需要一个完整的共识来确保所有环节都能够协调一致。

在这一基础上，我们的产品架构底层是遇见科技的供应链大模型，可以处理企业历史沉淀下来的各种数据，包括结构化和非结构化数据。然后，根据企业的销售数据特点，我们会匹配最适合做未来销售预测的模型。在这里我们提供了两个业务场景：预测魔方和库存管理大师，分别服务于预测和企业备货的。在这个平台上，我们可以支持企业的常规品类预测、促销品类预测和新品类预测等。

五、基于 AI 预测的基本原理是什么？

在这里揭秘一下我们基于 AI 的预测原理。首先，我们通过明道云提供的数据连接器和自己做的一些数据连接工作，将企业的内部结构化数据接入系统。这些数据通常来自企业的核心业务系统或 ERP 系统。

然而，很多企业的营促销数据往往是非结构化，这在过去是一个大问题。今年随着生成式 AI 的发展，情况有所改善。我们的大模型能够处理过去销售人员不愿意在系统中维护的大量营促销行为，只需要将过去的营促销历史复盘报告、未来的计划，以文档或邮件形式提供给我们，我们会将其结构化并映射到企业的日历中，告诉你过去在什么时间段进行了哪些营销活动，未来有什么计划。

现在，我们会综合企业的销售数据、未来的营促销规划以及业务需求等所有参数，提供你所需要预测到的时间颗粒度、业务颗粒度，系统会自动选择最适合当前状况的预测模型，并基于此模型输出预测结果。当有真实效果时，我们会进行复盘分析，评估系统预测的准确率。

上面是企业在内部单线依赖数据进行预测的简单流程，但在大型企业中，情况往往更为复杂。

六、如何让 AI 做好业务的“Copilot（副驾驶）”？

在很多情况下，企业内部存在多种角色，如财务、销售和供应链团队等。他们各自有各自的计划和目标，同时还存在历史数据等问题。所以在过去，软件供应商通常会通过咨询的方式先帮助企业梳理业务流程，规范团队协同、预测等。

作为一家 SaaS 公司，我们开发了一个轻量级的工具，特点是“帮忙不添乱”。无论企业原来的协同方式是什么样的，我们会尽可能适应企业的内部业务流程。在这个工具中，不同的角色可以添加不同的数据，比如财务目标 KPI、销售计划等，系统会自动计算并整合历史数据。然后，专门负责销售预测或需求计划的团队会将这些数据汇总到一起，在系统中进行识别和分析。

系统可以识别出预测节点的数据。如果大家对于未来的预测数据比较接近，这部分数据就可以被视为高度共识，企业无需过多关注。但如果有偏差较大的数据，我们会将它们标记出来，并提示用户进行线下协同的过程，我们不会限制企业进行线下协同的方式。

当有了这样一个共识的预测需求时，我们可以制定后面的供应链供应计划、库存计划和补货计划等。这些都依赖于我们背后的大模型能力，它支持数据清洗、企业销售模型分析，并能自动选取最适合的模型给出最优建议。

七、行业新势力面对的挑战

作为行业新势力，我们希望能够更好地服务客户，提供优质、精准且广泛的服务。然而，这对于一个行业新势力来说是很难的。

让我们回顾一下这个行业在中国过去的一个情况。外企的传统软件在这个领域领先国内十几年，他们的产品相对成熟，但本土化能力相对较弱。我们接触的一些大型上市公司的 IT 团队反映，很多外企系统操作门槛高，价格也较高。

在过去，国内企业更多是以比较重的定制化加咨询的项目方式服务于头部企业，对于肩腰部的企业来说，由于成本限制，选择不多。因此，大家期望以更低的成本、更好的体验和效果来使用这些服务。

然而，对于一家刚成立一年的公司来说，既要满足低成本、好体验和好效果的需求，又要拓展渠道、守住擅长领域，这确实是一个挑战。

八、如何更好地服务更多客户？

之前我看过一篇关于任总的采访，他提到了要缩减产品、拥抱集成，还有今天上午他提到的坚守自己的专业领域，我们也很认同这个观点。从公司成立的第一天起，我们一直坚持核心战略思路，即有边界感并聚焦。过去一年多的时间里，我们仅专注于两个产品模块，并分析了自身的特点。首先我们的团队拥有多年行业实操背景，来自各企业的产品、技术和业务高管。同时，我们还有一套供应链大模型。除了这两个优势，企业需要灵活、低成本，并且能适应不同企业需求的业务系统。

所以我们做了这样一个设计，前两部分由我们负责，而整个业务系统的开发则完全交给明道云。

从公司成立的第一天起，我们就专注于极致的业务模式。我们没有编写任何一行前端代码，而是将所有技术工作投入到后端算法的研发上。同时，我们的内部产品团队也集中精力研究如何使用明道云系统来搭建符合客户需求的业务界面。这种专注使我们能够在一个垂直聚焦领域内构建出一套相对灵活且简单易用的系统。

九、预见科技+明道云 为企业带来的实际业务效果

我们这个客户是一家快消企业，专门从事男士护肤品的生产与销售。客户经营全渠道业务，包括线上（如天猫、抖音和京东）和线下商超等销售渠道。此外，产品线非常丰富，从香水、口喷、香皂到护肤品、沐浴露，甚至开始涉足男士胶原蛋白等领域。产品迭代速度快，企业不仅希望保持业务高速增长，还期望保证利润。

过去，供应链团队可以不惜任何成本确保供应，但现在需要考虑库存情况。美妆护肤品行业的供应商订货周期通常为 30 天至 60 天，但终端用户下单后要求 1 至 3 天内交付，这之间存在巨大差异，意味着企业必须准备大量资源，尤其是库存资源来应对这种差距。因此，我们利用刚刚提到的系统给他们搭建了一个预测平台，帮助企业解决这一问题。

在这个项目中，我们涵盖了企业的自动化数据清洗、分析和自动算法选择，从无到有地搭建了一个周期滚动预测，并与智能库存策略联动，为客户提供最合适的库存规划。客户上线使用了一个多季度的时间，在该系统的帮助下，整体预测准确率比过去仅依赖人工 Excel 的拍脑袋做法提升了 20%。

最后，我要再次感谢任总及其团队在日常协同工作中给予我们的大力支持。作为明道云的服务商，尽管客户需求是通过我们转达给明道云，但仍然得到了非常快速的响应，对此我们深表感谢！