如何做补货：从预测值到一张采购单

上一篇结尾，预测体系每天凌晨吐出未来几十天的预测曲线。曲线躺在表里不会变成库存，中间还隔着一道工序：把预测翻译成采购单。这道工序叫补货，它才是预测真正接触物理世界的地方。

我刚开始看这块的时候有个误解，以为补货就是”预测多少补多少”。真钻进去才发现，从预测值到采购单之间，隔着三个参数和一个幽灵。

三个参数决定一张单

一张采购建议单的数量，基本由这条公式撑起来：

建议采购量 = 目标库存 − 当前库存 − 在途库存
目标库存 ≈ 预测日均销 × (BP + VLT + 安全天数)

VLT 是供应商物流天数，今天下单，几天后货到仓。它决定了你要为未来多长的”盲期”备货：供应商 5 天后才能送到，你这 5 天的销量就得先垫上。

BP 是采购间隔，这个供应商几天能订一次货。一周只能订一次的供应商，你每次下单都得买够一周的量，这不是预测的问题，是供应商的节奏问题。VLT 加 BP，就是你每次下单要覆盖的总天数。

安全天数是缓冲，盖住预测不准和供应商不靠谱的部分。这个参数看着最简单，实际上是整个系列最难的一篇，卷四我会用三篇讲它，这里先当它是个已知数。

三个参数里，预测只占”日均销”一个位置。这就是为什么预测做得再好，补货也可能一塌糊涂：VLT 录错了、BP 拍脑袋了、在途数对不上，每一个都能单独毁掉一张单。

那个幽灵：缺货还原

补货公式里藏着一个很少被讨论的坑：你用来算”日均销”的历史出库，是真的需求吗？

仓库缺货的日子里，门店想买买不到，出库记录是零或者很小。如果你直接拿这段历史去算日均销，等于把”被缺货压制的需求”当成了”真实需求”，预测会系统性偏低，补货跟着偏低，缺货进一步加重。这个循环一旦转起来，数据会自己把自己越带越偏。

解法叫缺货还原：识别出缺货时段，把被压制的需求回补上去，用还原后的需求口径去驱动预测和补货。我们内部有专门一张表干这件事。它不改变任何一笔真实交易，只是承认一个事实：出库记录是需求和供给共同作用的结果，不完全是需求本身。

这个概念听起来简单，却是我见过的最常见的口径事故来源。很多团队吵”预测不准”，吵到最后发现分母就错了。

人和系统的边界

补货建议出来之后，计划员可以改。改多改少、采纳不采纳，都有记录。这个设计不是对算法的不信任，是承认有些信息只在人的脑子里：门店要装修、供应商要涨价、区域经理压了指标。

但人的干预必须留痕，因为后面所有的效果评估都建立在”这一条建议是系统出的还是人改的”之上。怎么评估，是本系列第 05 篇的主题，那里有一整套归因方法。

AI 来了之后，这一层值多少钱

我的判断：补货层是 AI 在供应链里最容易出真金白银的地方，比预测层还容易。

原因有两个。第一，预测层的改进要穿过补货层才能变现，预测准 1 个点，如果 BP 和 VLT 是错的，库存和缺货不会有任何变化；反过来，直接优化补货参数，收益当天就到。第二，补货层天然是个”决策”问题而不是”拟合”问题，现在的 AI Agent 最擅长干的就是在约束里做决策：扫描每个仓每个供应商的 BP 合不合理、VLT 是不是长期没校准、哪些参数该随季节动。这些事人干是体力活，Agent 干是批量活。

但有个前提：公式和参数得先摆在明面上。一个连”建议量怎么算出来的”都说不清的黑盒系统，AI 来了也无从下手。补货层的第一要务不是上智能，是把逻辑从代码和老员工的脑子里抠出来，写成谁都能读的规则。

下一篇讲一个更超前的工具：当我们想改这些参数、又不敢直接上线的时候，怎么在电脑里先”演”一遍——仿真。

附录：补货参数与缺货还原速查表

四个参数的典型错误

缺货还原判断要点：出库 = 需求 × 供给约束，是两者共同作用的结果；分析需求时必须剥离供给约束。识别缺货时段（如期初库存 < 1 天日均销），用非缺货日的需求水平或预测值回补。

单位换算（高频事故点）：箱转件率为 NULL 或 0 时必须保护，否则除零或数量爆炸；采购按配送单位、出库按基本单位时，换算方向错一个就全盘皆错；仓编码映射（老仓改码）必须在所有公式前统一完成。

一张建议单的完整旅程

预测曲线（4L 产出）
  → 日均销 × 覆盖天数（BP+VLT+安全天数）得目标库存
  → 减当前库存、在途库存得毛建议量
  → 卡限规则（上限/下限，见第 09 篇）
  → 计划员确认或修改（留痕：系统建议值 vs 实际下单值）
  → 采购单 → VLT 天后到货入库

供应链实战系列 · 第 03 篇 · 卷二「补货与仿真篇」｜ 上篇：当业务经验和模型打架 ｜ 下篇：让 AI 帮你做决策 文中数字均为 DEMO 示意，非真实业务数据。