• 11:15 am

用 AI 预测补货窗口的实践经验

数据准备

  • 收集 24 个月历史销量，确保 SKU × 区域完整。
  • 引入节假日、天气、促销等“外生变量”。
  • 建议将配件拆分成 A/B/C 重要性等级，设置不同预测频率。

特征工程

import pandas as pd
from feature_engine.creation import CyclicalFeatures

df = pd.read_parquet("sales.parquet")
cyc = CyclicalFeatures(variables=["weekofyear"], drop_original=True)
df = cyc.fit_transform(df)

训练与上线

  1. 使用 Prophet 或 AutoGluon 快速迭代基线模型。
  2. 将最佳模型导出为 ONNX，上载到 AutoPartsCube AI Replenish 模块。
  3. 通过 Webhook 将预测结果回写到 ERP，并在控制台生成补货任务。

经过三个月试点，重点 SKU 的缺货次数下降 27%，库存周转加快 1.4 天。