订货靠拍脑袋,库存永远在断货和积压之间摇摆。AI 订的不是一个数字,是天气节日事件的组合。

🦩 第 37 篇 · 2026 年 2 月 20 日
便利店主老张的烦恼:订货全凭经验——看天吃饭、看节备货、看竞品调价。结果呢?雨天订多了,水全部退回仓库;节假日订少了,爆款卖空错过高峰。老张的困境是所有零售门店的困境:订货靠拍脑袋,库存永远在断货和积压之间摇摆。AI 订货解决的就是这个问题。
一句话
智能订货不是"AI 告诉你订多少",而是把影响销售的所有因素(历史销量、天气、节日、事件、竞品、促销、价格)全部纳入计算,生成一个动态的安全库存建议。核心不是"预测",而是"决策"——在不确定的环境下做出最优库存决策。
传统订货 vs 智能订货
传统订货(经验驱动)
老板经验 → 拍脑袋决定订货量
↓
结果:要么断货、要么积压
↓
卖不完 → 折价处理 / 退回
卖空了 → 错过销售机会
↓
下个月继续拍脑袋
问题:
- 靠经验,但经验有盲区(忽略了新开竞品、忽略了天气变化)
- 无法量化(不知道断货成本是多少、积压成本是多少)
- 无法规模化(每个门店靠店长个人能力)
智能订货(数据驱动)
多维度数据输入
↓
需求预测模型(AI 算)
↓
安全库存计算(AI 算)
↓
订货建议输出(AI 提)
↓
人工确认 / 自动下单
↓
结果反馈 → 模型优化
优势:
- 所有因素量化计算
- 每个门店有专属模型
- 持续学习,持续优化
智能订货的 5 个核心输入
输入一:历史销售数据
基础维度:
- 过去 7/14/30/90 天的日均销量
- 销量波动(标准差)
- 季节性(本周 vs 上周 vs 去年同期)
- 品类关联(买了面包的人有多少会同时买牛奶)
数据质量要求:
- 至少 6 个月历史数据
- 剔除异常值(补货、团购、闭店)
- 按 SKU 粒度(不是按品类,是按具体商品)
输入二:外部因素
天气:
- 未来 3-7 天天气预报(温度、降水、空气质量)
- 历史同天气条件下的销量对比
节日/事件:
- 国定假日(春节、五一、十一)
- 本地事件(音乐节、球赛、展会)
- 竞对动作(新店开业、大促)
价格因素:
- 本店价格 vs 竞品价格
- 本店历史价格对销量的影响(价格弹性)
输入三:供给侧数据
- 供应商交货周期(今天订、几天到货)
- 供应商稳定性(准时率、历史表现)
- 最小起订量(MOQ)
- 批量折扣门槛
输入四:库存状态
- 当前库存
- 在途库存(已订未到)
- 安全库存(最低陈列量)
- 保质期限制(生鲜/短保食品)
输入五:业务目标
- 目标库存周转天数(不要太长也不要太短)
- 资金约束(不能超过多少库存资金占用)
- 爆品优先(核心 SKU 不能断货)
AI 订货的计算逻辑
第一步:需求预测
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
def predict_demand(sku, days):
# 加权历史法:近期权重更高
recent_weight = 0.4 # 近7天
mid_weight = 0.3 # 8-14天
old_weight = 0.2 # 15-30天
seasonal_weight = 0.1 # 去年同期
demand = (
recent_avg * recent_weight +
mid_avg * mid_weight +
old_avg * old_weight +
seasonal_avg * seasonal_weight
)
# 外部因素修正
weather_factor = get_weather_factor(sku, days) # 天气修正系数
event_factor = get_event_factor(sku, days) # 事件修正系数
price_factor = get_price_factor(sku, days) # 价格修正系数
adjusted_demand = demand * weather_factor * event_factor * price_factor
return adjusted_demand
第二步:安全库存计算
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def calculate_safety_stock(sku, target_service_level=0.95):
# 安全库存 = Z值 × 需求标准差 × 供货周期标准差
# Z值:95% 服务水平对应 1.65
demand_std = calculate_demand_std(sku) # 需求波动
lead_time = get_supplier_lead_time(sku) # 供货周期(天)
lead_time_std = calculate_lead_time_std(sku) # 供货周期波动
z = 1.65 # 95% 服务水平
safety_stock = z * sqrt(
(lead_time * demand_std**2) +
(demand_avg**2 * lead_time_std**2)
)
return safety_stock
第三步:订货量计算
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
def calculate_order_quantity(sku):
demand = predict_demand(sku, days=7) # 预测7天销量
current_stock = get_current_stock(sku)
in_transit = get_in_transit_stock(sku)
# 可用库存 = 当前库存 + 在途库存
available_stock = current_stock + in_transit
# 安全库存建议量
safety_stock = calculate_safety_stock(sku)
# 目标库存 = 7天销量 + 安全库存
target_stock = demand + safety_stock
# 订货量 = 目标库存 - 可用库存
order_qty = target_stock - available_stock
# 约束:最小起订量、批量折扣、保质期
order_qty = apply_constraints(order_qty, sku)
return max(0, order_qty)
智能订货 Agent 的实战架构
Agent 1:数据采集 Agent
职责:采集所有订货相关数据
- 销售系统 → 拉取历史销量(每小时增量更新)
- 天气 API → 未来7天天气预报
- 节日 API → 未来30天节假日和本地事件
- 竞品监控系统 → 竞品价格和促销信息
- 库存系统 → 当前库存、在途库存
- 供应商系统 → 交货周期、最小起订量
Agent 2:预测 Agent
职责:计算需求预测和安全库存
- 需求预测模型(按 SKU × 天粒度)
- 安全库存计算
- 价格弹性分析
- 竞品影响评估
Agent 3:决策 Agent
职责:生成订货建议
- 汇总所有预测结果
- 应用业务规则(资金约束、爆品优先)
- 生成最终订货单
- 标注高风险 SKU(断货风险/积压风险)
Agent 4:执行 Agent
职责:执行订货流程
- 内部供应商 → API 直接下单
- 外部供应商 → 生成采购单 → 人工确认 / 自动邮件下单
- 异常处理(供应商无法满足 → 备选方案)
Agent 5:复盘 Agent
职责:持续优化预测模型
- 每日复盘(预测 vs 实际销量)
- 误差分析(为什么预测不准)
- 模型调整(自动调参)
- 新数据加入(持续训练)
关键指标
| 指标 定义 目标 | 现货率 有货 SKU / 总 SKU > 97% | 库存周转天数 平均库存 / 日均销量 12-18 天 | 滞销率 30 天未动销 SKU / 总 SKU < 8% | 缺货率 缺货订单数 / 总订单数 < 3% | 预测准确率 1 - ( 预测-实际
落地建议
Phase 1(Month 1):只预测爆品(Top 20% SKU 贡献 80% 销量)
- 爆品订货准确率提升 → 立刻看到效果
- 积累数据 → 为 Phase 2 打基础
Phase 2(Month 2-3):扩展到全品类
- 爆品模型 → 全品类模型
- 加入外部因素(天气、事件)
- 开始自动下单(先自动内部供应商)
Phase 3(Month 4+):全面智能订货
- 全品类 + 全自动
- 供应商自动协同
- 预测模型持续迭代
一个门店的智能订货系统能不能成功,不在于算法多复杂,而在于数据能不能跑通。先让数据跑起来,再上算法。
延伸阅读
- 本地生活智能体团队,4 个行业实战案例
- 大促的提醒与售后,Agent 怎么撑住高峰
- 办公 Agent 想落地,先啃会议和流程两座山
- 办公助手不只是聊天,它真能替你跑活
- 办公助手能自动化的场景,别再当翻译机
- 宝贝该复查了,宠物店怎么提醒不烦人
- 本地生活门店的 Agent 团队,一次真实复盘
- 本地生活上 Agent,最先补的三个场景不是客服
- 本体论:让 AI 理解业务而不是背答案
- 本体论加工作流,让 Agent 真懂业务
相关阅读
标签
双号关注
扫码关注「广说新零售」公众号 + 视频号
本地生活 AI 落地、Agent 实操、真实门店怎么跑起来。扫码关注公众号与视频号「广说新零售」,持续看可收藏的做法;有场景也可私信聊合作。

公众号

视频号
继续读
同栏目相关文章,方便对照着看。
AI 上线头一周,先盯紧这四件要事别放
AI 落地项目上线第一周别只看 demo。盯四件事:在不在跑、对不对、人的反应、出错怎么兜。
客户说 AI 不懂我,八成是这三种原因
AI 客服不懂客户,多半不是模型问题:不知道你是谁、没接准意图、不记得你们发生过什么。
AI 项目为什么大多死在第二个月就停
AI 落地项目第一个月有掌声,第二个月只剩没人愿意干的脏活:维护、接真业务、说服使用的人。
A2A 不只是连 Agent,门店之间也要协同
A2A 的价值不止让 AI 互相说话。A 店缺货、B 店有货,门店之间能对上话才是关键。先在一家店验证。
AI 当员工还是当工具,结果完全不同
AI 落地半年后差距很明显:有人越用越省事像多带个员工,有人越用越累只把它当工具。
