AI制造
需求预测AI：离散制造与流程制造的两种落地路径
同样是AI需求预测，离散制造看渠道数据，流程制造盯原材料。本文从两种制造模式的核心差异出发，拆解AI预测的两种落地路径，给出可对照的选型框架。
同样的AI需求预测系统，在家电企业能降低30%的库存，搬到化工厂却水土不服。问题不出在算法，出在对两类制造模式根本差异的忽视。
一、离散制造：在不确定性中捕捉信号
离散制造的需求预测，难在SKU爆炸和渠道噪音。
一家年营收50亿的家电企业，SKU超过2000个，经销商层级3-4级。传统的需求预测靠区域经理"拍脑袋"报数，层层放大后变成著名的"牛鞭效应"——末端10%的波动传到工厂变成30%。
AI改造路径：该企业引入时序预测模型，将历史订单、促销日历、天气数据、社交媒体声量等12类数据源融合建模。核心策略不是追求"预测准确率"的绝对数字，而是构建概率预测——输出需求区间而非单点数值。
效果对比：
| 指标 | 改造前 | 改造后 | 改善幅度 |
|---|---|---|---|
| ------ | -------- | -------- | ---------- |
| 月需求预测准确率 | 62% | 81% | +19个百分点 |
| 安全库存周转天数 | 45天 | 28天 | -38% |
| 紧急调货频次 | 12次/月 | 3次/月 | -75% |
二、流程制造：在确定性中寻找最优解
流程制造的需求预测，难点不在信号嘈杂，而在约束条件复杂。
一家年产30万吨的食品添加剂企业，产品种类只有30个，但每个产品的生产切换成本高达20万元（清洗管道、调试参数）。需求预测的核心不是"明天卖多少"，而是"这一炉什么时候开最划算"。
AI改造路径：该企业采用约束优化+机器学习双引擎。ML模型预测各产品未来4周需求，约束优化模型在产能、库存、切换成本三重约束下求解最优排产窗口。
效果对比：
| 指标 | 改造前 | 改造后 | 改善幅度 |
|---|---|---|---|
| ------ | -------- | -------- | ---------- |
| 产品切换频次 | 18次/月 | 11次/月 | -39% |
| 切换损失成本 | 360万/月 | 220万/月 | -140万/月 |
| 订单交付率 | 87% | 96% | +9个百分点 |
三、两种逻辑的对照框架
| 维度 | 离散制造 | 流程制造 |
|---|---|---|
| ------ | ---------- | ---------- |
| 核心矛盾 | SKU多×信号乱 | 约束多×切换贵 |
| 预测粒度 | SKU-日级 | 品类-周级 |
| 关键数据源 | 渠道POS、促销、竞品 | 原料价格、装置负荷、季节因子 |
| AI技术侧重 | 时序预测+多模态融合 | 约束优化+ML预测 |
| 价值锚点 | 降库存、减缺货 | 降切换成本、提产能利用率 |
| 落地周期 | 3-6个月 | 6-12个月 |
四、选型启示
如果你正在选型AI需求预测方案，先问三个问题：
- 你的产品是"数得清个数"还是"论吨算"？ 这决定了数据颗粒度的起点。
- 最大的成本是库存积压还是生产切换？ 这决定了算法优化的目标函数。
- 最不可靠的数据来自哪个环节？ 离散制造通常是终端销售数据，流程制造通常是原材料供给预测。
本文为场景学社「AI制造」专栏出品，作者王甲佳。