乳品的生意有两道硬约束：保质期短，压货就是报废；SKU 多，断货就是白丢销量。这家乳品企业有 ERP，销量和库存数据都在里面，可补货这件事一直靠人——业务对着几十张历史表拍量，拍多了占现金、拍少了断货，中间还要手工导单、微信核对、防止重复下单。营销侧的情况类似：标签、素材、内容、权益、渠道都配得挺全，但那是执行流程，前面缺一层“到底该选谁、给什么”的决策。我们进场先做的是把预测、预警、建议、采购、追踪这五步接成一条线，把最小起订量、供应商产能和保质期一起算进补货规则，让建议能一键落成 ERP 采购单；再把决策这层补到营销执行之前，输出最优选人、素材、内容、权益与渠道；日常的问数、复盘和异动预警交给 DataQA，业务自己问、自己看、自己调。
这家乳品企业不缺系统，缺的是把系统里的数变成一张能下单的采购单。ERP 里有销量、有库存、有在途，但这些数取出来之后，要靠业务一格格填进自己的表，再拍一个量。拍完的量对不对，谁也说不准，只能等下个月看是不是断了货、是不是压了库。
客户画像
一家有 ERP 底子的乳品企业，品类以低温奶、常温奶、酸奶与饮品为主，SKU 海量，短保品类占了大头。货要走三条路：经销与商超订单、电商仓、冷链与门店库存，三条路的补货节奏完全不同。需求受季节、开学、促销日历影响很大，一个节气活动就能把某个单品的周销量翻上去，活动一停又掉回来。
原来的做法
预测靠业务经验，有人看去年同期，有人看最近三周，有人直接按上月平推。补货量按“差不多够卖”拍，安全库存靠 Excel 里的固定倍数，最小起订量和供应商产能到下单那一刻才想起来。采购单手工导、微信核对、再导回 ERP，一个 SKU 在不同仓之间重复下单的情况时有发生。库存健不健康，只在月度报表上看得出来——那时候压货已经压了，断货也已经断了。
我们的判断
预测的价值不在准确率，在能不能落成一张单据。一张采购单要能自动带出补多少、什么时候补、受哪些约束，人只需要确认或否决。所以顺序是先接数据、再定规则、最后才是模型精度；模型再准，如果它算出来的量跟起订量、产能、保质期对不上，业务照样只能改回拍脑袋。
能认真算的只有头部几十个单品，长尾 SKU 基本按上月平推或凭印象补。SKU 越多，拍得越粗，错的概率越大。
低温品保质期按天算，多补一周的量就是直接报废；少补一天的量，货架空了就是白丢销量，还带走了复购。
预测在一张表、采购在另一张表，中间靠手工导。导一次错一次，最后没人敢相信系统里的数，还是回去看自己的表。
最小起订量、供应商产能、冷链车次，这些在“该补多少”算完之后才被考虑，于是补货量要么凑整凑多，要么被产能卡住发不出来。
同一个 SKU 在两个仓都提了采购，或者在途已够又下了一单。没有追踪台账，这类错只能靠月底对账时翻出来。
哪个区域掉量、哪个渠道毛利被促销吃掉、哪个单品开始转滞销——业务看不到实时答案，问一次分析师要排三天队。
三段之间有先后。数据没接、口径没对齐，模型算出来的数没人敢用；规则没定，模型给出的量跟起订量、产能对不上，业务只能手工改回去。三段走完，才算真正交到客户手上。
先把 SKU 按动销特征分开：头部、常规、长尾、季节性、临期风险。再盘现有的补货规则——安全库存怎么定、起订量多少、供应商每周能给多少、冷链几天一班。然后核对 ERP 里销量与库存的口径，找出哪几个字段各算各的。
预测分层做：头部 SKU 用模型细算，常规 SKU 按品类聚合后再拆，长尾按规则兜底。补货建议把三项硬约束写进去，出建议的同时给出“为什么是这个量”。建议确认后一键导出采购单，进 ERP 下单，下单之后回到追踪台账。
补货跑顺之后，业务每天还会问很多“为什么”。这类问题交给 DataQA：自然语言直接问，口径由语义层锁定，答案带着拆解，异动先预警。供应链与运营各留一套自己的问数与复盘习惯，FDE 退到旁边看。
供应链的数智化不是买一套预测软件，是把取数、算量、定单、落地这四层按顺序摞稳。底下三层做得再准，第四层落不成单据，业务照样回到自己的 Excel。
| 层 | 放什么 | 解决什么 | 谁维护 |
|---|---|---|---|
| 数据层取数 | ERP 里的销量、库存、在途、供应商与价表，渠道订单、冷链仓与门店库存、促销日历，每天自动同步 | 同一个“销量”在两套系统里算法不同；取一次数要手工导三遍 | 数据团队 + 驻场 FDE |
| 预测层算量 | 单品 / 品类 / 渠道三级预测，多模型并行，短保与季节品单独校准 | 未来四到八周到底卖多少；偏差是系统性高估还是低估 | 算法团队 + 供应链 |
| 决策层定单 | 补货建议引擎（安全库存、起订量、供应商产能、保质期一起算）+ 营销侧的最优选人、素材、内容、权益、渠道 | 该补多少、哪天补、走哪个仓；该发给谁、给什么权益 | 供应链 + 运营 |
| 执行层落地 | ERP 采购单、到货与入库追踪、重复下单稽核、活动推送与门店执行 | 建议再好，落不成单据就等于没发生 | 采购 + 仓储 + 门店 |
五步里最容易被跳过的是第三步和第五步：建议不写理由，人就只能凭感觉改；下单不追踪，重复采购就永远查不出来。这两步做实，闭环才闭合。
| 环节 | 输入 | 输出 | 谁拍板 |
|---|---|---|---|
| 预测算未来 | 过去十八个月销量、促销日历、节假日与天气、渠道铺货计划 | 未来四到八周的单品 / 品类 / 渠道预测量，带区间与置信度 | 供应链计划 |
| 预警看风险 | 预测量、实时库存、在途、临期批次、供应商产能排期 | 断货风险清单、压库与临期清单、产能不足预警 | 计划员 |
| 建议定数量 | 预测量、安全库存、最小起订量、产能上限、保质期剩余 | 补多少、哪天补、走哪个仓，同时给出约束命中说明 | 供应链负责人 |
| 采购落单据 | 已确认的建议、ERP 里的供应商、价表与账期 | 采购单，一键导出进 ERP，直接下单 | 采购 |
| 追踪查闭环 | 下单记录、到货、入库、在途、库存变化 | 重复下单稽核、漏补提醒、建议与实际的偏差台账 | 采购 + 仓储 |
| 营销环节 | 之前只有执行流程 | 现在先过决策层 | 谁受益 |
|---|---|---|---|
| 选人定名单 | 按标签包全量发，包大包小看运营手感 | 决策给出最优人群包、规模与留白比例 | 运营 |
| 素材定画面 | 一套主视觉通投所有资源位 | 按人群与资源位匹配最优素材，尺寸自动适配 | 设计 |
| 内容定说法 | 一套文案，改个数字就发 | 按人群痛点给不同说法：宝妈讲成分，囤货客讲单价 | 内容 |
| 权益定价码 | 统一券面额，全场一个力度 | 按价值分层给权益，贵客给专属、路人给小样 | 会员运营 |
| 渠道定顺序 | 能发的渠道全发一遍，成本不区分 | 按响应概率与触达成本排序，先自有后外部 | 渠道运营 |
前两件是算，后两件是用。算得准不算本事，能让人每天愿意打开、愿意照着做，才算接住了。
海量 SKU 里，头部单独建模、常规按品类聚合后拆到单品、长尾按规则兜底。预测结果带区间，不只是一个数——区间宽说明这支单品本身波动大，业务看到宽区间就不会照着上限备货。历史趋势与未来走势同屏，畅销与滞销一眼能看出来。
预测量与实时库存、在途、临期批次对一遍，出三类清单：哪些 SKU 会在两周内断、哪些会压过安全水位、哪些批次临期要加速去化。安全库存不再是一个拍出来的倍数，而是按品类动销波动与补货提前期算出来，支持一键设定、批量调整。
预测量出来后，先按安全库存算理论补货点，再用最小起订量向上取整、按供应商产能封顶、按保质期剩余天数砍掉补不动的量。每条建议都带命中说明：是因为起订量凑整、还是被产能卡住。业务看得懂为什么是这个数，才敢签字。
“华东上周断货最多的十个 SKU 是哪些”“哪个品类毛利被促销吃掉了”“这周哪些单品开始转滞销”——直接问，语义层锁定口径，答案带图表与拆解。异动会先推送过来：销量异常、库存积压、临期风险三类，不用等月度报表事后发现。
节奏按“能不能用”排，不按“做没做完”排。第二周就要有一条能跑通的补货链路，哪怕只覆盖十个 SKU——先让它跑起来，再扩面。
| 阶段 | 周期 | 主要动作 | 产出 |
|---|---|---|---|
| 一 · 盘数据规则打底 | 2 周 | 拉 ERP 近十八个月销量与库存，核对出库、签收、终端动销三个口径；把 SKU 按动销特征分类；盘点现有安全库存、起订量、供应商产能与冷链排期 | 口径核对表、SKU 分类表、规则盘点清单 |
| 二 · 建模校准算准 | 3–4 周 | 头部单品单独建模、常规品类聚合后拆单品、长尾走规则；把促销日历与节假日写成特征；每周与供应链开一次校准会，逐品类看偏差方向 | 三级预测模型、准确率分层报告、校准记录 |
| 三 · 试跑打通 ERP | 3 周 | 双向打通：销量与库存自动进来，补货建议一键导出采购单；选两三个品类实跑四周，观察建议采纳率与改动原因，修规则 | ERP 对接说明、采购单模板、试跑复盘 |
| 四 · 扩面交接到日常 | 每周期 | 按品类分批扩到全量 SKU；DataQA 问数与预警铺到供应链与运营；月度回看采纳率与重复下单，季度校准模型 | 全量补货规则、DataQA 看板与预警规则、例会机制 |
最容易崩的是第三周：建议出来了，业务不敢用。这不是模型问题，是没让人看懂理由。所以试跑阶段只选两三个品类，每周把改动原因记下来，改到第四周，业务自己会发现“改来改去还是原建议准”，信任是这么建立的。
不是一份咨询报告。每一份都对应一个每周要发生的动作：周一谁看预测、周二谁确认补货、月底谁看采纳率。
| 交付物 | 类型 | 用来干什么 |
|---|---|---|
| 三级预测口径与 SKU 分类表底座 | 文档 + 规则 | 说清每个预测用的是哪个销量口径、哪几支单品单独建模、长尾按什么规则兜底 |
| 预测模型与分层准确率报告算量 | 模型 + 报告 | 头部、常规、长尾分别多准，偏差往哪边偏，哪些品类要人工校准 |
| 安全库存与补货规则表定单 | 规则文档 | 安全库存怎么算、起订量怎么取整、产能怎么封顶、临期怎么砍量，一页说清 |
| ERP 对接与采购单模板落地 | 接口 + 模板 | 销量库存怎么进来、建议怎么一键出采购单、字段怎么映射 |
| 补货追踪与重复下单稽核闭环 | 看板 + 规则 | 建议与实际的偏差、跨仓重复下单、漏补提醒，每月回看一次 |
| DataQA 问数场景与预警规则日常 | 看板 + 手册 | 供应链与运营各有一套常用问题清单、口径字典与三类预警阈值 |
这一页不给一个笼统的准确率，给的是这套体系必须看的六个数——每个都对应一个能当场回答的问题，也对应一个容易骗人的假指标。
| 口径 | 看什么 | 回答什么问题 | 容易骗人的地方 |
|---|---|---|---|
| 预测质量准不准 | 分层准确率（头部 / 常规 / 长尾）、偏差方向与幅度、促销期与非促销期的差 | 算得准不准，还是只是方向对 | 一个总体准确率数字——头部拉高、长尾拖后，混在一起什么都看不出来 |
| 库存健康压不压 | 库存周转天数、滞销 SKU 占比、临期库存金额、安全水位命中率 | 是不是靠压货换来的不断货 | 只看断货率下降，不看周转——把货堆满仓，断货率一定好看 |
| 履约表现断不断 | 断货率、缺货 SKU 数、紧急调拨次数、到货准时率 | 货架上有没有货，供应链响应快不快 | 把断货算成“零”再宣传，实际是长尾 SKU 直接不备了 |
| 补货执行用不用 | 建议采纳率、改动幅度与改动原因分布、从建议到下单的时长 | 业务到底在照做，还是在绕开 | 采纳率越高越好是误解——全盘采纳说明没人校准，模型一旦偏就全错 |
| 资金与成本省不省 | 库存占用金额、冷链车次利用率、紧急调拨的物流费用 | 少压的钱和少花的运费，是不是真的省下来了 | 只报库存下降，不说断货损失，账面好看但卖丢了量 |
| 决策效率快不快 | 问数响应时长、周报产出时长、异动从发生到被发现的间隔 | 业务想知道一件事，要等多久 | 把“报表更多了”当效率提升——报表多不等于问题被更快回答 |
三条口径红线：准确率必须分层看，不拆层就没有改进方向；断货率必须和库存周转一起看，否则可以靠压货做出漂亮数字；建议采纳率不是越高越好，全盘采纳说明人已经放弃校准，模型一旦系统性偏，整个仓一起错。
| 预测准确率的参照口径 | 平均准确率 | 说明 |
|---|---|---|
| 多模型并行的预测方案 | 74.4% | 模型侧测试结果：头部与常规 SKU 拉高整体，长尾拖后 |
| 同业自研预测算法 | 60.1% | 同期横向对照，以单一模型为主，促销期偏差更明显 |
| 人工经验预测的常见区间 | 30%–50% | 按上周或上月平推，遇促销与季节切换大幅偏差 |
这三行是模型能力的横向对照，用来判断“什么水平算够用”，不是这家客户上线后的实测结果。这份材料给的是能力与流程，没有该客户的达成量级，所以本页不写成效数字，也不用等比替换去凑。
模型、算法、系统都能买。这四条判断买不到，它们决定同样一套工具，是做成一条能下单的线，还是做成一个没人打开的看板。
预测的价值不在准确率，在于它能不能变成一张采购单上的数字。落不到单据的预测，三个月后就会被业务弃用——不是它不准，是它对业务没用。
起订量、产能、保质期不是校验项，是输入项。放在最后一步校验，前面所有精细计算都会被打回原形；写进模型，算出来的量才是能下单的量。
决策层不能另开一个系统让人去登录。它要长在原来的执行流程前面，输出直接落进运营已经在用的位置——选人给名单、素材给图、权益给面额，不改变习惯才有人用。
“为什么这个区域掉量”这类问题，如果每次都要走需求排期，一个月后没人再问。把口径锁在语义层、把问数交到业务手里，分析才从项目变成日常。
还有一条不在卡片里：工具替掉的是体力活，不是判断。DataQA 能把一次问数从三天压到几秒，但它不知道哪个数字该上报、哪个异常是个错误；模型能给出补货量，但它扛不了断货的责任。判断权必须留在人手里，否则效率提升得越快，错得越快。
六个条件：有 ERP 底子、SKU 海量、短保品类、三条以上销售通路、促销日历可维护、愿意每周校准。缺哪条先补哪条，别从买模型开始。
反过来判断也成立：没有 ERP 的，先在表格里把预测与补货逻辑跑顺，做“导出建议、人工下单”，别急着上系统；SKU 只有几十个的，规则表比模型更划算，人工算得过来；长保品类的，压货风险小，预测精度要求可以放宽；促销没有日历、全靠临时通知的，先补日历再谈模型，否则模型永远在解释异常；不愿意每周开会校准的，模型三个月就会失效，谁都不敢用。
数花提供 40 分钟免费诊断：先看你的销量、库存、在途能不能自动流转，补货规则里有没有把起订量与产能算进去，预测偏差集中在哪些品类，再判断该先接数据、先定规则，还是先拿两三个品类把闭环跑起来。诊断不收费，也不用先准备完整材料。
不能按原文跑，但能分两步走。补货建议的输入是销量、库存、在途、起订量和供应商产能，这些数据哪怕在 Excel 里也能先跑起来——先做“导出建议、人工下单”，把预测与补货逻辑跑顺；等 ERP 打通后再做“一键导出采购单”。反过来先上系统、数据口径没对齐，补出来的单子没人敢用。
看品类。短保、促销敏感、SKU 头部的品类，七成上下就能指导采购；长尾 SKU 的绝对值不高，但方向对就够用——长尾本来按最小起订量备。真正没用的是一句话的总体准确率：不分层看，头部和长尾混在一起，既看不出问题，也没法改进。
会，所以要提前把可预期的事件写进输入。促销日历要先有——哪个 SKU 在哪个渠道、哪一周做什么力度，这本身是一份要维护的表。模型不负责猜促销，只负责在“已知有促销”的前提下把量算出来；把促销当噪音交给模型去发现，准确率一定上不去。
供应链负责人拍板，模型不拍板。建议是给人做决策用的，人可以改，但改动要留痕：改了多少、为什么改。这些改动记录反过来是最好的模型校准材料——连续几个月都在某个品类上向下调，说明模型对这一类系统性高估。
两条线，共用一套数据。模型负责算“未来会卖多少、该补多少”，DataQA 负责回答“现在发生了什么、为什么”。比如某天某个区域断货率突然抬头，DataQA 会先把它挑出来并给出拆解，人再去判断是补货没跟上还是需求真的异动。
做三件客户自己短期做不动的事：把散在各个系统里的数据对齐成可算的口径；把模型结果翻译成业务能执行的规则与单据；在客户自己的团队能独立跑之前，替他们盯住日常。项目结束的标准不是交付文档，是客户侧的供应链与运营能自己开会、自己改规则。