供应链协同管理平台
多级分销的消费品品牌，库存数据分散在工厂 ERP、区域仓 WMS、门店 POS 三套系统里：补货靠 Excel + 邮件 + 电话，牛鞭效应让旺季断货与淡季积压并存，计划员每天在「救火」而不是「做计划」。这个原型是「企业 AI 提效设计」中面向供应链计划的设计——第一阶段做全链路数据可见，第二阶段用 AI 做需求预测与智能补货，把计划员的经验从「拍脑袋补货」升级为「看预测决策」。
供应链 AI 化的第一步不是预测算法，而是链路可见——库存、在途、需求三张网打通之前，任何预测模型都在放大噪声。所以我把它设计成「先控制塔、后智能」：控制塔先解决「看得见」，让计划员信任数据；AI 预测与补货建议在可信数据之上叠加，系统算、人拍板——AI 输出预测与建议，计划员确认后执行，提效不越权。
工作过程
从链路调研，到 AI 预测建模，再到原型验证
画出链路全图
画出从工厂、区域仓到门店的完整链路图，访谈计划/仓储/采购三类角色，定位 6 个数据断点（在途不可见、门店库存 T+1、预测口径不一），并梳理计划员做补货决策时「拍脑袋」的环节——它们就是 AI 的切入点。
预测与补货建模
设计统一库存数据模型（四态库存 × SKU × 区域）与 AI 预测方案：时序模型输出基线预测，LLM Agent 融合促销计划、季节因子等结构化上下文修正预测，输出带置信区间的补货建议而非单点数字。
模拟数据验证
用模拟的 3 个月链路数据驱动控制塔原型，验证两个问题：计划员敢不敢信视图里的数字（数据可信），以及 AI 补货建议能不能用（计划员是否愿意确认执行）。
产品原型
AI 供应链控制塔 · 交互原型预览
全链路库存健康度 82 · AI 已生成补货建议 17 条 · 平均置信度 87%
控制塔聚合工厂/区域仓/门店三层数据，AI 预测引擎分钟级刷新
确认补货建议 →产品特色
四个用 AI 重构供应链计划的关键设计
供应链控制塔
工厂—区域仓—门店的库存、在途、销售一屏可见，数据延迟分钟级。四态库存（在手/在途/在制/冻结）统一视图——这是 AI 的地基：数据不可信，预测就是在放大噪声。
AI 需求预测 Agent
时序模型输出基线，LLM Agent 融合促销计划、季节因子、外部信号（天气/节假日）修正预测，按 SKU × 区域滚动输出 4-13 周预测——不只给数字，还给出置信区间与修正理由，让计划员知道能信几分。
智能补货 Copilot
安全库存动态计算（供应周期 × 需求波动），自动生成补货建议（补多少、到哪个仓、何时下单），计划员确认后执行——AI 把「算」的活干了，人只做「拍板」，补货从每天 2 小时的 Excel 作业变成 15 分钟的确认工作流。
AI 异常预警中心
断货、积压、库龄、需求突变四类风险提前 N 天预警，并附 AI 建议动作与影响面评估（延误影响哪些下游计划）。计划员的工作从「出了问题找原因」变成「看预警做决策」。
技术方案
多源系统 → 统一库存视图 → 时序预测 + LLM 修正 → 补货建议 → 计划员确认
设计权衡与开放问题
已决策
- 先做控制塔（链路可见），再叠加 AI 预测与补货
- AI 补货建议必须人工确认后执行，系统不自动下单
- 预测输出置信区间与修正理由，而不是单点数字
- LLM 只做上下文修正，基线预测交给时序模型
开放问题
- 预测偏差导致断货时，责任在 AI 还是在计划员
- LLM 修正预测的可解释性：计划员凭什么信修正理由
- 历史脏数据如何清洗回补，预测精度的数据债怎么还
- 供应商数据不在线时，AI 预测的边界在哪里