当我加入一家跨国消费品公司的共享库存管理项目时，客户服务团队无法掌握其经销商的库存情况。现有的仪表盘仅显示了过去发生过缺货的位置。缺货和库存积压的问题往往要等到订单已经延误或产品堆积如山时才被发现，届时已为时过晚，无法及时应对。
我的观点是：仪表盘只是描述过去的情况，而商业价值则来源于能够预测问题并及时提出行动建议的模型，以便及时采取行动。
这个问题不仅仅在于缺乏可见性。 销售团队必须针对每个经销商和每个SKU回答两个问题：该经销商是否需要更多产品？如果需要，我可以发多少？第一个问题需要了解该经销商目前还有多少库存，以及预计能卖出多少。 第二个问题则取决于内部限制因素：配额、各发货工厂的库存、托盘装载情况以及生产计划。每天都要针对每个经销商和每个SKU手动交叉核对所有这些信息，这是不可行的。
我们打造了什么。 我们将进货、出货和经销商库存data整合在一起，并训练了一个机器学习模型，用于预测未来30天的销售情况。 基于该预测，我们计算了每个 SKU 的预计缺货日期。随后，我们将该日期与各项约束条件进行交叉比对：可用配额和库存、托盘装载、运输交货期以及已发货的订单，以确保预警信息不会过时。 系统生成的结果是针对每个经销商和 SKU 的推荐订单——在可发货范围内，并附有及时下单的截止日期。当订单无法执行时，该工具会显示阻碍订单的具体限制条件，从而使销售团队在沟通时已清楚了解问题所在。
Power BI 依然存在，但扮演着不同的角色。它不再是分析工具，而是连接其背后智能系统的接口，用于展示预测、风险警报以及早期行动建议。
结果。 我们通过因避免缺货而产生的增量总收入来衡量收益：当预测到的缺货情况通知给经销商，且订单得以及时下达时，我们会估算原本可能流失的销量及其销售额。在系统上线后的第一年，估算的增量收入为509万巴西雷亚尔。
最难的是什么。 最大的挑战之一并非模型本身，而是data。库存和销售data取决于经销商，且必须按照要求的频率和格式提交。 更新频率由合同规定，但要确保遵守这一要求，需要进行后续跟进：我们与业务团队共同建立了一个流程，用于追踪这些输入数据。 我们还了解到，配额和库存会在一天中发生变化，因此订单分析最好在早上第一件事就进行。经过三个月的流程优化，我们与每家经销商都建立了以该工具为议程的每周例行工作。
通用人工智能的补充作用。 当前的解决方案运行良好，且不依赖于生成式人工智能（Gen AI），仅基于机器学习和优化器等传统人工智能模型。 但今天，我们可以进一步强化解释与交互层：针对已发生的问题呈现洞察，用自然语言总结当天的优先事项，将建议扩展到销售团队最常使用的渠道，解释是哪项限制条件阻碍了订单的完成，并起草发给经销商的消息。 这是在可用性以及对洞察的解读和行动支持方面的改进，基于一个已经行之有效的解决方案。
简而言之：
如何付诸实践： 列出贵公司业务领域中那些目前依赖于有人查看仪表盘才能做出的主要常规决策（如补货、授信、资产配置、促销）。选择其中一个：该决策需有明确的负责人、频繁更新的data，且其造成的损失可以以货币形式量化。 既然您已经明确了一个可解决的问题，我们就可以共同构建一个能够预测或优化该决策的模型，而不是在此基础上再搭建一个新的仪表盘。
