上海
看计划系统的架构图，多数人的目光会落在中间那几块预测上：模型多不多、算法先不先进。但在项目里踩过坑的人知道，决定这套系统跑不跑得起来的，往往是首尾两层。近两年制造企业上计划系统的热情明显高了，效果分化也大——同样是买预测能力，有的库存周转明显改善，有的上线半年就闲置。差别通常不在算法。
下面是数据层：主数据加数据集。主数据不只是物料清单，还包括组织与编码规则、库存与采购组织、替代料关系、产品 BOM、生命周期状态，以及供应网络和 BOD 维护——这些决定了同一件货在不同仓之间是什么关系。数据集一侧负责把 ERP、WMS、TMS 和经销商系统的数据接进来：接口定义与调度、清洗规则、数据校验、异常数据处理、入湖存储，配上数据血缘、数据权限和质量报告，特征管理与样本管理也在这里。这一层不出彩，却决定了上层模型能吃到什么。
往上是处理层，也就是算法平台，管的是模型的全生命周期：模型注册与版本管理、训练任务与超参寻优、拟合策略、回测管理、模型推理、A/B 测试、上线后的监控。这里容易被忽略的一点是，回测和监控比模型数量更重要——前者回答历史上准不准，后者回答现在还准不准。聚龄 SPP 的 AI 模型库在这一层集成了五十多种机器学习、深度学习和统计运筹学模型，按统计学、机器学习、深度学习和优化算法四类组织，让不同特性的物料各跑各的，用回测结果挑。
中间的业务层，是标题里那三件事。需求预测平台管预测策略（BOD、EOQ、储备、安全库存、替代、取整）和预测编制（中心仓、RDC、终端、新品、停产、质量预测），出完走审批发布；库存计划平台管库存网络建模、标准库存规则与计算、新品系数，再做全局库存优化、安全库存优化、调拨优化和战略库存模拟；采购预测平台把结果转成采购计划、库存部署计划、建库与调拨安排。三者是递进的：预测给方向，库存建模把方向换算成该备多少、备在哪，采购部署再把它变成可执行的动作。
再往上两层常被当成报表而轻视。展现层是数据驾驶舱——经营指标、运营总览、预警中心、回测报告、准确率分析、库存健康看板；回测与准确率能随时调阅，是业务部门愿不愿意信这套系统的前提。管理层是审批与执行：审批流配置、预测审批与历史、购物车同步、采购订单生成、执行跟踪。少了它，计划就停在计划员的电脑里，还得有人再誊一遍进 ERP。
把五层串起来看，几个案例的变化才说得通。长安福特过去采购预测不合理，积压与缺货并存；引入 SPP 后用 AI 算法库做高精度需求预测和采购推荐，同时建库存优化模型动态监控呆滞风险，把预测、采购、调度连成一条链，无效库存占比才降下来。徐工在备件供应链平台里用 SPP 预测销售需求、优化库存并给出采购建议，订单一次性满足率提升 90%、库存水平降低 15%；长安汽车建立计划系统后，终端需求满足率提升 5%、库存周转率提升 9%、资金周转率提升 19%。三个落点各不相同，但都不是只换了个算法——底下的数据、中间的模型和上面的执行一起动，数字才会动。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
