痛点类别	具体表现	业务影响
需求波动	季节性、促销、突发流量导致预测偏差 > 40%	缺货损失 / 滞销积压
多层级库存	总仓、分仓、门店数据孤岛，补货策略割裂	周转率下降，物流成本上升
人工经验依赖	计划员凭直觉补货，无法量化安全库存	库存持有成本增加 15%~25%
长尾商品	SKU 多，历史数据稀疏，传统统计方法失效	资金占用，滞销风险高
供应链牛鞭效应	需求信息扭曲，上游过度备货	资源浪费，利润侵蚀

• 数据质量差 — 历史销售数据缺失、异常值多，清洗成本高
• 补货提前期不稳定 — 供应商交期波动，导致安全库存设置困难
• SKU 爆炸 — 千店千面，传统 Excel 无法支撑精细化运营
• 库存健康度不可视 — 缺货与呆滞并存，缺乏预警机制

• 时序预测 + 特征工程 — 融合促销、天气、节假日等外部特征，提升准确率 30%+
• 智能安全库存 — 基于分位数损失 / 强化学习动态调整，降低缺货率
• 多层级协同 — 端到端优化，从供应商到门店的库存均衡
• 异常检测与预警 — 自动识别需求突变、供应商延迟，提前干预

# 课程实战片段 · AI 库存预测伪代码 (Python)
import pandas as pd
from sklearn.ensemble import GradientBoostingRegressor

# 加载特征 & 目标
data = pd.read_csv("inventory_features.csv")
X = data.drop(columns=["demand", "sku", "date"])
y = data["demand"]

# 训练模型 (XGBoost 风格)
model = GradientBoostingRegressor(n_estimators=300, learning_rate=0.08)
model.fit(X, y)

# 预测下一周期需求
pred_demand = model.predict(X_test)
# 结合安全库存生成补货建议
reorder_qty = max(0, pred_demand - on_hand + safety_stock)