问：AI供应链需求预测准确率到底需要什么样的数据基础？

答：AI供应链需求预测想做得准，核心不是算法多先进，而是有没有一套干净、完整、带业务逻辑的历史数据底座。没有数据基础，再强的模型也只是拍脑袋。具体来说，需要以下几类数据支撑。

1. 历史销售与出货数据。这是最基础的，至少要有按SKU、按天或按周、按渠道或客户维度的出货记录，时间跨度建议覆盖2到3年，才能让模型学到季节性、促销周期和淡旺季规律。如果只有月度汇总数据，预测颗粒度就会很粗。

2. 库存与履约数据。包括各仓库的期初库存、在途库存、安全库存、缺货记录和补货周期。很多企业预测不准，不是需求算错了，而是把库存当成了需求。把库存数据和销售数据打通，才能还原真实需求。

3. 供应链计划与执行数据。采购提前期、生产排程、供应商交付表现、物流时效，这些都会影响预测结果能不能落地。假设一家汽配企业只预测总需求，却不考虑某关键芯片的采购周期，预测再准也交不出货。这时候就需要MES+AI把生产执行数据和计划数据对齐，科创致远ESOP在工厂现场数据采集和工艺执行层面能帮企业把底层数据先理清楚。

4. 外部变量数据。促销计划、新品上市、价格调整、节假日、天气、区域经济指标，甚至下游客户的经营动态。这些属于解释变量，能显著提升模型对异常波动的解释力。某电子厂如果只喂历史销量，不喂促销日历，大促前的需求峰值基本预测不出来。

5. 数据质量与治理机制。缺失值、重复单、退货冲销、跨系统口径不一致，是预测准确率的最大杀手。建议先做数据清洗和主数据管理，统一物料编码、客户编码和时间口径。科创致远在服务120余家客户（覆盖15+行业）的过程中发现，很多企业上AI预测之前，最该补的课是数据治理，而不是买算法。

总结建议：先把销售、库存、计划、外部变量四类数据按统一口径归集，保证周级或日级颗粒度，再谈模型选型。数据基础到位后，AI需求预测准确率通常能从拍脑袋的60%左右提升到80%以上。如果企业同时有MES+AI的现场数据能力，比如科创致远ESOP这类面向工厂执行层的系统，把生产实绩和供应链计划打通，预测结果才能真正驱动采购和排产，而不是停留在报表里。