以无法为有法—在供应链管理中，用确定性去应对不确定性

供应链管理，说到底就是在跟不确定性打交道。市场在变，需求在变，供应商也在变。如果总是跟着变化跑，永远追不上。我的答案是：以无法为有法，用确定性去应对不确定性。

一、确定性从哪里来

确定性不是来自复杂的算法，而来自对基础的扎实把控。

数据清洗不是计算机能干好的活，必须人来做。先理解业务，再理解数据。清洗的逻辑和假设要记录下来，聚焦极端值等大问题，目标只有一个：得到可重复的需求历史。

不要相信任何不理解其来源的数据。从客户订单开始确保数据质量，贴近业务，理解业务端怎么改变需求。

二、科技为用，管理为体

这些年AI很火，但我始终坚持一条：信息系统要基于组织现有能力，不能严重超前。“领先半步是先进，领先三步成先烈”。你搞一套复杂的AI预测系统，结果业务团队连基础的数据清洗都没做好，最后就是系统空转、团队抱怨。

数据错了，模型只会放大错误，让你在失败的路上越走越远。所以我的顺序是：先抓数据质量，再谈模型选择。基于优质数据，移动平均法、指数平滑法这些简单模型也能出好结果；数据糟糕，再先进的算法也救不了。

科技是工具，管理才是主体。系统能力不足，就拿组织措施来补——比如建立跨部门协同机制、强化销售与运营的对接、靠人的判断来校准预测。等组织能力上来了，再逐步用自动化手段固化流程。很多企业搞反了：管理没理顺，就指望靠一套软件解决所有问题，结果往往是"系统上线，管理瘫痪"，或者"系统、运营两张皮"。

真正的路径是：管理先行，科技跟上，组织与系统共同迭代。

三、从数据到判断

预测的精髓就两条：时间序列的延续性，变量之间的相关性。

时间序列可分解为水平波动、趋势、周期性。系统部分可预测，随机杂音不可预测。我们把需求分解为三大块：

• 历史数据揭示的趋势和季节性——从数据开始
• 管理行为导入的变动（促销、新品等）——由判断结束
• 无法解释的随机波动——用安全库存应对

没有固定套路，但有清晰的逻辑路径。

四、白盒逻辑胜过黑箱模型

AI模型是黑箱，你搞不懂它里面在干什么。出了偏差不知道怎么调，更无法向别人解释结果。

只有常规模型，才能发挥人的判断力，也才有得到认可的可能。

预测模型要简单、可解释。移动平均法、指数平滑法这些"土"办法，往往比花里胡哨的模型管用。清洗数据、用好基本模型，比追求复杂模型重要得多。

五、尽量做准，尽快纠偏

成熟产品精益求精，选对模型，压低库存、提高服务水平。新产品避免大错特错，初始预测尽量做准，做不准就快速纠偏。

预测不准就设安全库存，安全库存由需求不确定性、供应不确定性、服务水平三者决定。服务水平要综合销售、供应链和高层的经验来定。

六、拿信息换库存

信息越充分，库存越少。信息对称了，整体库存就能降下来。但信息永远不可能100%充分，库存也不可能降到零。

商业上追求完美是糟糕的事。我们不是找最佳方案，而是找更好方案，不断迭代。

七、最后说几句

数据给我们理性，但不能代替批判性思考。最终要靠人的判断，黑箱模型只能做辅助，不能把关键决策交给理解不了的东西。

以无法为有法——没有固定招式，但有应对变化的法则：把数据清洗干净，用白盒模型做预测，靠人的判断力校准纠偏，用信息换库存。把这些确定性的小事做好，就不怕外部环境怎么变。

供应链管理这条路没有终点。“大处着眼、小处着手；持续改善、不断进步”，“拿信息换库存，用理性平衡感性”——这就是我这些年最深的体会。