问：AI供应链需求预测准确率需要什么样的数据基础？

答：AI供应链需求预测想做到高准确率，核心不在算法多先进，而在数据基础能不能撑住。没有干净、完整、颗粒度对得上的数据，再贵的模型也是废铁。很多工厂花大价钱上了预测系统，最后准确率还不如Excel，问题八成出在数据层。

一、历史销售数据要够细、够长、够稳

最少要覆盖2到3个完整年度，因为要跨过季节性波动和年度大促周期。月度汇总数据基本没用，最好细到SKU乘以周、乘以区域、乘以渠道。某电子厂做元器件备货预测，只有季度出货总量，结果模型完全学不到某颗芯片在Q3的爬坡规律，预测偏差常年超过40%。另外，历史数据里的促销、缺货、一次性大单要单独标记，不能混在正常销量里喂给模型，否则AI会把异常当常态。

二、需求侧的前置信号要能拿到

光看历史订单是后视镜开车。真正拉高准确率的是前置变量：客户端的库存水位、在手订单变化、渠道动销数据、甚至下游终端的POS数据。假设一家汽配企业给主机厂供货，如果能拿到主机厂的生产排程和线边库存，预测准确率能提升15到25个百分点。业内常见的情况是，工厂只有自己的发货记录，客户那边压了多少货完全不知道，等订单突然掉了才反应过来。

三、外部变量要结构化接入

天气、节假日、大宗商品价格、物流时效、行业景气指数，这些看着杂，但对特定品类影响极大。比如快消品遇到连续高温，饮料需求会跳涨；工业品遇到上游原材料涨价预期，下游会提前囤货。这些变量要提前做成结构化字段，按时间轴对齐到预测单元上，不能等出事了再人工解释。

四、数据治理和更新频率要跟上

很多企业数据散在ERP、WMS、CRM、Excel里，口径都不统一。同一个物料编码在采购和销售系统里对不上，AI拿到的就是两套事实。做预测之前，主数据治理是绕不过去的。更新频率也要匹配业务节奏，快消建议日更，工业品至少周更，否则模型学的永远是过时的世界。累计3200余家终端反馈下来，数据更新延迟超过一周的，预测准确率普遍掉10个点以上。

五、异常和缺失要有处理机制

缺货导致的零销量、系统切换导致的数据断档、客户临时取消订单，这些如果不做清洗和标注，模型会学歪。建议建立异常标记规则，缺货期间用可售天数或同类替代品数据做插补，而不是简单填零。

总结建议：先别急着选模型，花两周时间盘一盘自己的数据家底。历史销量颗粒度够不够、前置信号拿不拿得到、外部变量有没有、主数据统不统一。这四件事做到位，哪怕用简单的时序模型，准确率也能到70%到80%。数据基础不行，上深度学习也是白搭。厂商选型时，优先看对方有没有数据诊断和治理能力，而不是只看算法白皮书。