什么是智能补货？预测式的库存管理

便利店店长每天睁眼第一件事是订货：订少了，货架空着，客人白跑；订多了，鲜食过期，直接算损耗。这道让几代店长头疼的「订多少」难题，如今由 AI 接手——智能补货，就是让算法来回答何时订、订多少、从哪个仓调。

订多少货这个问题难在哪

难在三个变量同时在动。需求会动：周末比工作日卖得多，下雨天外卖涨、店内跌。供应会动：供应商交货有时快有时慢，路上还有延迟。约束会动：仓库就那么大，冷藏位更紧，资金也有占压上限。人工经验能处理其中一两个变量，三个一起抖动时人脑就算不过来了。模型的价值正是同时盯着这几十个变量，把每一单补货都建立在最新数据上，而不是上周的印象上。

预测从历史里读出了什么

预测模型的原料主要是历史销量流水，它能从中读出三层规律：周期性，比如每周五矿泉水卖得多；趋势性，比如某款儿童零食连续八周缓慢爬坡；事件性，比如大促前销量翻倍、附近学校开学带动文具。扣子这类平台可以把模型输出接进进销存系统，让补货建议直接变成采购单草稿，店长只做确认。带走一个判断：预测准不准，先看历史数据干不干净——退货、赠品、内部领用没剔除干净，模型学到的规律就是歪的。

缺货与压货：两种代价都要算

补货算法的底层是一道权衡题：缺货的代价是失去这单生意还可能失去回头客，压货的代价是占资金、占仓位，生鲜食品还面临直接报废。模型会给两种损失各定一个权重，再据此给出建议量，权重偏向哪边，取决于品类特性——保质期三天的东西天然偏保守，耐储的标准件则可以激进些。顺带一提，缺货最直接的连锁反应在服务端：咨询量上升、升级率抬头，都是缺货的隐性代价，算进两种损失里才完整。这也是为什么同一个模型不能照搬到所有品类，权重必须分品类调。用 DeepSeek 之类的模型辅助复盘时，让它对比「建议量」与「实际动销」的偏差并解释原因，比直接要一个数字更有用。

落地之后人与模型怎么配合

常见的分工是：模型负责常规品类的日常补货，人负责异常情况——新品没有历史数据、供应商临时断供、突发舆情导致需求骤变。突发情况下的应对经验还能反过来写进模型的规则里。链条上游的选什么货，决定了补货模型的输入质量，可参考AI 选品的数据基础；而页面文案与大促节奏影响需求的形状，电商详情页的 AIGC 化里提到的改版周期，宜与补货周期同步对齐，否则预测会被自己的营销动作打乱。

智能补货自查清单

• 历史流水是否剔除了退货、赠品、内部领用？
• 供应商交货周期有没有按实际记录更新？
• 缺货与压货的权重是否分品类设置过？

补货做到位，前台缺货率与后台周转天数会同时改善，这是少数能让两边都满意的改造。当有人再向你推销「智能补货系统」，先问它的预测用了哪些数据、两种代价怎么加权，答不上来的多半只是个报表工具。

聊聊智能补货的常见疑问

• 它和自动采购是一回事吗？：补货是算出建议量，自动采购是把建议直接变成订单，中间要不要人工确认，取决于企业风控要求。
• 数据量很小的店能用吗？：能，但更多依赖品类级参考数据，自家数据积累到三个月以上再逐步切换到自预测更稳。
• 大促期间还准吗？：大促属于事件性需求，要把活动计划作为输入喂给模型，纯靠历史外推一定失真。

本文只介绍技术概念，实际采购与库存决策请结合自身经营状况判断。