InfiniSynapse
什么是库存预测？
库存预测通过组合预期需求、当前库存、已排程供应、补货时间和库存政策，估算未来库存位置。有用的输出包括按时间展开的预计在手库存、短缺或过剩风险，以及潜在净需求的数量与时间。
“预测”一词容易引起混淆。需求预测估计客户或相关使用方可能需要多少；库存预测则把需求作为输入进行库存流量推演：期初库存加可用收货，减去需求和其他出库，再与安全库存、最低库存、容量、保质期或服务约束比较。
预测是决策辅助，而不是承诺。它依赖交易准确性、收货可靠性、需求估计质量、时间桶选择，以及对预测期内哪些供应能够到达的明确假设。如果物料可能在第一周缺货、第四周恢复，只看整月总量通常不够。
库存预测、需求预测与补货的区别
| 领域 | 核心问题 | 典型输出 | 边界 |
|---|---|---|---|
| 需求预测 | 预计需求是多少？ | 基线预测、区间、偏差和误差 | 本身并不知道当前库存或确认收货 |
| 库存预测 | 库存将如何随时间变化？ | 预计库存、风险日期和净需求 | 若未建模供应可行性，推演可能不受约束 |
| 库存计划 | 什么政策与目标应管理库存？ | 服务目标、缓冲、订货规则和场景 | 需要权衡经济与运营因素 |
| 补货执行 | 应释放什么已批准订单？ | 采购、调拨或生产订单 | 需要工作流、约束、审批和交易控制 |
统计与判断预测方法请参阅需求预测指南。库存预测使用需求信号，但回答下游运营问题：现有及预计库存能否在正确日期覆盖需求。
库存预测核心公式
这一库存流量恒等式是分期库存预测的基础。“可用”非常重要：需求日期之后才到达的采购订单、处于质检冻结的收货或已分配给其他用途的供应，不应视为可自由使用。根据定义范围，需求可能包括客户订单、独立预测需求、相关生产需求、调拨、预留、报废或其他出库。
对于连续补货，安全库存公式指南解释不确定性缓冲，而再订货点通常把提前期预期需求与安全库存相加。定期检查的保护期可能覆盖检查间隔加提前期。不能在不换算的情况下把月需求与按天计的提前期混用。
准备可靠的库存预测数据
应在实际决策粒度建立预测，通常是 SKU-地点-时间桶，有时还包括批次、状态、渠道或客户分配。公司总体库存可能健康，但某个地点仍短缺；反之，粒度过细会产生稀疏历史和不稳定模型。必须同时定义计算粒度和复核层级。
请求需求、已履约销量、缺货标记、预测快照、订单、促销、退货、取消、替代和相关需求。
按状态与地点的在手库存、预留、分配、冻结、在途、延期交货、效期、计量单位和库存调整历史。
未结采购、调拨和生产订单；请求、承诺、发运和收货日期；分批收货；供应商日历；最小量及包装规格。
安全库存、目标服务、检查频率、订货规则、保质期、持有成本、缺货后果、容量和已批准调整。
应把期初库存与记录系统核对并为数据提取加时间戳。尽可能修正受缺货压制的销量；无库存期间销量低并不证明需求低。保留预测版本，才能用各决策日真实可获得的信息衡量准确性。
根据需求形态选择库存预测方法
库存推演本身使用库存流量计算，但其需求输入可以来自不同方法。应在实际决策周期内选择并比较方法，而不是因声誉而选择最复杂的模型。
| 方法 | 适用场景 | 注意事项 |
|---|---|---|
| 朴素或季节朴素法 | 基线、稳定物料或重复季节性 | 结构变化和促销 |
| 移动平均或指数平滑 | 具有可管理水平、趋势或季节性的规律需求 | 突变后的滞后和参数漂移 |
| 因果或机器学习模型 | 存在可靠价格、促销、日历、渠道或外部驱动 | 信息泄漏、不稳定特征、解释和维护 |
| 间歇需求或经验方法 | 大量零需求期、块状订单或低量零件 | 正态假设和百分比误差指标可能失效 |
| 判断性调整 | 新品、退市、活动、已知合同或中断 | 需要原因代码、基线比较、责任人和失效日期 |
当预测需求和确认订单都重要时，应分别保存并定义冲销逻辑，避免重复计算。例如，客户订单可能替代部分基线预测，而不是在其上叠加。方法还必须反映是否记录丢失销售、延期交货或替代。
如何逐步建立库存预测
- 定义决策明确用户、SKU-地点范围、预测期、时间桶、刷新频率、服务目标，以及输出是建议还是进入已批准计划流程。
- 创建时点快照用统一时间戳冻结期初库存、分配、未结订单、可用收货、需求版本、政策参数和主数据。
- 生成并核对需求生成基线，加入有记录的业务信息，正确冲销确认订单，并在推演库存前核对层级总量。
- 逐期推演使用有日期的收货和需求滚动期初库存，标记首次跌破零、安全库存、容量、保质期或其他已批准阈值的时间。
- 运行场景并发布比较需求、收货、提前期和政策场景，记录调整、审批、约束以及供后续衡量使用的预测版本。
简单库存预测与净需求计算器
本计算器用于演示一个汇总预测期，假设所输入收货和新增需求都能在期内使用。生产环境必须按日期、提前期、产能和审批状态对数量分期。
假设示例：12 个期间 × 120 件得到 1,440 件预测需求。可用在手库存 600 件、可用收货 500 件、目标期末库存 250 件，则净需求为 max(0, 1,440 + 250 − 600 − 500) = 590 件。新增订货前的负期末库存显示汇总短缺，却不能说明首次短缺日期；行动前必须建立分期计划。
使用库存预测场景，而不是单一确定曲线
单一期望值预测会掩盖风险。应建立少量受治理场景，而不是大量装饰性变体。基线使用已批准需求和确认供应假设；需求上行情景测试预测不确定性或促销提升；供应延迟情景按合理提前期中断移动收货；政策情景调整安全库存、服务目标、订货量或检查频率。
首次预计短缺日、低于安全库存的持续时间、短缺数量、受影响客户或生产以及可行恢复日期。
库存峰值、容量超限、供应天数、过期或过时风险、降价、仓储和营运资金影响。
场景必须在相同时点、粒度、预测期和政策版本下比较，并说明供应是确认、计划还是仅假设。只有通过可行性、经济性、审批和执行控制后，场景才能成为承诺。
常见库存预测错误与特殊场景
- 把销量当作未受约束需求：缺货会压制销量并导致持续低估。
- 计入所有未结订单：延迟、取消、质检冻结、重复或已分配的供应可能不可用。
- 忽略时间：月度总量相等并不能防止月中缺货或容量超限。
- 重复计算订单与预测：应在物料、客户、渠道和时间层级定义预测冲销。
- 所有物料用同一模型：间歇零件、新品、季节品、促销品、退市库存、易腐品和相关需求需要差异化处理。
- 只优化预测准确率：统计误差小幅改善不一定改善服务、库存、浪费或营运资金。
预计库存为负可以作为有用的短缺信号；简单截断为零会丢失未满足需求的幅度。当业务需要区分延期交货、丢失销售和服务影响时，应同时保留实物在手库存和不受约束的预计余额。
结合运营结果验证库存预测
应使用滚动决策日且无未来信息泄漏的方式回测。在每个历史时点，重建当时真实可用的期初库存、需求预测、已知订单、预计收货、提前期假设和政策，再向前推演并与实际库存和服务比较。应按预测期与分群评估，而不是只看公司总体平均。
当实际需求为零或很小时，MAPE 不稳定，因此不能把它作为间歇库存的唯一指标。偏差揭示系统性高估或低估，WAPE 汇总一组物料的绝对误差，库存与服务结果则说明预测是否对决策有用。结果变化不一定由模型造成，因为促销、供应中断、商品组合、价格和政策可能同时变化。
实施受治理的库存预测流程
应从覆盖稳定、季节性、间歇、高价值和受约束物料的代表性试点开始。冻结基线、定义验收标准并发布预测日历。为需求数据、库存准确性、未结订单质量、提前期定义、政策参数、模型表现、调整、审批和系统变更指定责任人。
上线后，应监控数据新鲜度、核对差异、缺失预测快照、收货日期漂移、库存调整频率、调整幅度与增值、预测偏差、短缺日期准确性、实际服务、过剩、过期和计划人员工作量。使用阈值触发复核，不要因为一个期间变化就自动覆盖政策。
供应商、线路、商品组合、仓库、生产、日历、服务政策或计量单位变化后，应重新审视设计。归档每个已发布版本及其时点和假设集，才能在后续分析中区分预测失误与执行变化。
跨关联业务数据分析库存预测
请准备预测快照、需求历史、缺货标记、在手余额、分配、采购与调拨订单、收货事件、供应商提前期、安全库存政策、服务结果和库存成本。InfiniSynapse 可作为分析层，用于探索关联数据、比较 SKU-地点分群、调查偏差，并审查现有预测流程周边的实际结果。
能力边界：InfiniSynapse 可关联预测、库存、订单与提前期数据，帮助调查库存需求和预测偏差。补货、采购、分配、仓储、生产与运输执行仍由相应系统负责，订单审批和 ERP 回写需要按既有权限完成。
打开 InfiniSynapse 在线分析工作区库存预测常见问题
什么是库存预测？
它使用预期需求、当前库存、计划收货、提前期、政策缓冲和已知事件，估算未来各期间库存如何变化。
基本库存预测公式是什么？
预计期末库存等于期初库存加可用收货减需求。简化净需求是在扣除可用库存和收货后，覆盖预测需求与目标期末库存所需的数量。
库存预测与需求预测有什么区别？
需求预测估计未来需求；库存预测把它与库存、供应、时间和政策输入组合，推演库存位置与风险。
库存预测应多久更新一次？
刷新频率应匹配决策速度与数据新鲜度，并在需求、收货、供应商、提前期、商品组合、库存准确性、促销或政策发生重大变化后重新计算。
InfiniSynapse 是库存补货系统吗？
不是。InfiniSynapse 可用于关联预测与库存数据，但不会创建采购订单、分配库存、运营仓库、安排运输或回写 ERP 交易。
权威来源与延伸阅读
实际库存预测逻辑会随需求冲销、可用状态、日历、约束和库存政策变化；本页用于解释分析方法，不替代统计、财务、采购、计划或库存控制建议。以下指南和资料可用于继续学习与核对本文方法：