问：AI供应链需求预测准确率有哪些常见误区？

答：AI供应链需求预测准确率最大的误区，是把“模型跑出来的准确率”当成“业务能用的准确率”。这两者之间差着数据口径、预测颗粒度、业务节奏和人的判断，很多企业栽就栽在拿实验室指标去套真实供应链。

一、误区一：只看整体准确率，不看SKU和时段结构

不少团队汇报时喜欢说“整体预测准确率到了85%”，听起来不错。但拆开看，快消品里A类爆款可能95%，长尾慢动销品可能只有40%，而恰恰是长尾品占用了大量库存资金。某电子厂做备件预测，整体准确率看着还行，结果高价值芯片预测偏差大，低价值电阻电容预测准，这种“平均”没有决策价值。正确做法是按ABC分类、按周/月滚动、按区域仓分开看准确率，别被一个总数糊弄。

二、误区二：把预测准确率当成越高越好，忽略成本

需求预测不是考试，不是从80分提到90分就一定划算。提升准确率往往要加数据源、加算力、加人工复核。假设一家汽配企业把准确率从78%提到83%，但为此多投入的数据治理和计划员工时，可能已经超过它减少的呆滞库存收益。真正该盯的是“预测准确率提升带来的库存周转、缺货率、加急运费”这几个业务指标，而不是单纯追模型分数。

三、误区三：用历史销量直接当需求，忽略市场动作

AI模型学的是历史发货或订单数据，但需求本身受促销、竞品降价、政策补贴、季节天气影响。如果计划员不把未来已知的促销计划、新品上市、渠道压货政策喂给模型，准确率再高也是“后视镜开车”。某家电企业就吃过亏，模型按历史平稳销量预测，结果区域经销商大会压货那周需求翻倍，系统完全没反应。预测要融合“基线预测+事件调整”，人的经验得留出接口。

四、误区四：追求单点最优，不跟供应链执行闭环

预测准确率不是孤立指标。如果预测准了，但采购提前期没跟上、生产排程不灵活、仓间调拨慢，那准确率也转化不成交付改善。反过来，有些企业预测准确率一般，但靠柔性供应和快速补货，缺货率照样低。所以评估AI预测时，要同时看它有没有和S&OP流程、补货策略、安全库存参数联动。脱离执行谈准确率，就是纸上谈兵。

五、误区五：以为上了AI就不需要人

AI供应链需求预测的常见幻觉是“全自动”。实际落地中，计划员对异常事件的判断、对客户订单跳变的解释、对模型漂移的干预，仍然关键。好的方案是AI给基线，人做调整，调整记录再回流训练。该系统在服务120余家客户（覆盖15+行业）的过程中也发现，凡是把计划员经验沉淀成规则或标签的，准确率稳定性明显更好。人机协同不是过渡态，是常态。

总结建议：别把准确率当唯一KPI，先对齐业务口径，再拆结构看，再算投入产出，最后把预测嵌入执行闭环。这样AI供应链需求预测才不是数字游戏，而是真能降库存、保交付的工具。