答:可行,但前提是把预期从"大模型一上就准"调成"用轻量模型把关键SKU的预测误差压到可用区间"。中小工厂的数据量、品类复杂度和IT预算决定了它走不了大厂那套全链路AI路线,但在单品级需求预测上,用历史出货数据加轻量机器学习模型,做到比人工经验更稳的预测水平,是完全落地的。
一、先看数据底子够不够
需求预测模型的输入无非是历史出货、季节性、促销或订单波动、客户集中度这几类。中小工厂常见的问题是历史数据只有两三年、SKU编码混乱、退货和换货没单独标记。这种情况下不建议一上来做全品类预测,先挑出货频次高、金额占比大的前20%SKU做试点,通常能覆盖六七成的营收。数据清洗的工作量往往比建模本身还大,这一步省不掉。
二、模型选型别追大
中小工厂适合的是时间序列类方法(如指数平滑、ARIMA)和梯度提升树(XGBoost、LightGBM)这类轻量模型,特征工程围绕滞后销量、滚动均值、节假日标记展开即可。深度学习和Transformer类模型需要更长的历史序列和更强的算力,中小场景性价比不高。行业里常说的预测准确率指标是MAPE(平均绝对百分比误差)和WMAPE(加权MAPE),后者对高销量SKU更敏感,选型评估时建议以WMAPE为主。
三、准确率的合理区间怎么判断
不要拿"95%准确率"当目标。快消类、需求平稳的品类,WMAPE做到20%以内算不错;多品种小批量、订单驱动的五金或汽配类,30%到40%也属正常。关键看两点:一是比现有手工预测的误差低多少,二是预测结果有没有真正进入排产和采购决策。模型再准,计划员不用也等于零。
相关追问:中小工厂做需求预测,ERP里的数据直接能用吗?
多数不能直接用。ERP记录的是订单和出入库流水,缺少需求信号与订单信号的区分,退货、赠品、内部领用混在一起会污染样本。一般需要先做数据治理,把SKU主数据、客户维度、时间粒度统一,再抽取建模宽表。
相关追问:预测频率多久跑一次合适?
看采购提前期。提前期长的原材料,按月或按周滚动预测;成品和短周期物料可以按周跑。频率过高会增加计划员核对负担,过低则失去调整意义,通常周度滚动加月度复盘是比较务实的节奏。
相关追问:需不需要专门的算法人员?
试点阶段可以用厂商提供的标准化预测模块,配合计划员做人工校准。等跑顺了再考虑是否配置专职数据人员。中小工厂更现实的做法是让懂业务计划的骨干兼做模型结果的复核人。
适合与不适合的边界:适合SKU数量可控、历史出货数据至少两年、有基本ERP或进销存系统在用的中小工厂,先从高价值品类切入。不适合数据几乎空白、订单完全项目制且无重复性、或者连基础物料编码都没统一的企业——这类情况先把数据基础打好,比上预测模型更划算。选型时重点看厂商能否说清数据治理路径、模型可解释性和与现有ERP的对接方式,而不是只看准确率宣传数字。