摘要：针对国内离散制造车间普遍存在的库存预警误报漏报多、呆滞库存高、缺料停线频发的问题，本文结合某汽配加工车间近一年的落地实践，梳理智能库存风险预警系统的设计逻辑、核心选型权衡和一线落地踩坑经验，供同行参考。
为什么传统库存预警总是掉链子
汽配车间待料停线，是多少生产经理的噩梦。我之前待的车间，就吃过好大的亏。去年上半年，一款主供主机厂的转向节零件，原料库存触发了常规阈值预警，采购部门急急忙忙催了两吨货进来，结果转头客户就砍了一半订单，原料堆在仓库里快一年，占用了二十多万的流动资金，还占了半个恒温库的库容。
另一次更糟，旺季赶订单，供应商刚好换了物流商，交货延迟了四天，我们的静态阈值设的刚好够用到到货，结果差了整整8小时停线，算上产能损失和违约金，亏了十几万。
说实话，传统库存预警从根上就有问题。只看当前库存，设个静态上下限，不管订单波动，不管供应商靠不靠谱，不管路上会不会堵。我们统计过2022年全年的预警记录，误警率47%，漏警率32%，一大半报警都是无效噪音，仓管天天关弹窗，真有风险的时候反而被淹没了。
很多工厂上了百万级的ERP，库存预警模块还是换汤不换药，就是那套静态阈值，解决不了动态问题。
智能库存风险预警系统的核心设计逻辑
我们去年启动改造的时候，一开始也想堆概念，搞个全栈深度学习大模型，后来算了算算力成本，再想想一线管理员的接受度，直接砍掉了，就做轻量实用的方案。
核心设计第一步，选风险因子。我们前前后后试了17个变量，最后留下来5个核心因子，当前净库存、未来7天工单毛需求、供应商近6个月交付履约率、在途运输周期标准差、呆滞库容占比，多一个都没要。变量多了容易过拟合，现场调参也麻烦，五个刚好覆盖了从需求到供应到仓储全链路的核心风险。
风险得分的计算我们遵循GB/T 28002-2011风险管理的通用规范，公式很简单：
R = Σ(Wi * Pi)
其中R是综合风险得分，Wi是第i个风险因子的权重，Pi是该因子对应的风险概率（标准化后0-1区间）。我们用层次分析法算出来的权重，供应商交付履约率占了0.3，是最高的，毕竟我们车间80%的断料风险都来自供应商延期，这个权重是拿真金白银换出来的。
模型选型我们选了XGBoost，没有选更复杂的LSTM或者深度神经网络。原因很简单，XGBoost可解释性强，哪个因子拉响了预警，一眼就能看出来，出了问题我们一线工程师能调，不用等算法公司远程改模型。之前我们试过用LSTM训练，准确率确实高了两个百分点，但模型是个黑盒，错了都不知道错在哪，维护成本翻了三倍，权衡之后直接放弃了。
这里说个踩坑经验，很多人一开始训练模型就把所有历史数据全塞进去，我们一开始也这么干，结果模型出来完全不准。后来才发现，2020年疫情封控那段时间的交付数据全是异常值，把整个权重带偏了。最后我们给所有异常周期的数据打上标签，训练的时候加了L1正则化约束，把异常数据的影响降下来，准确率一下子就上来了。
一线落地的避坑指南
模型调好了不代表就能用，落地才是真的难。我们踩了好几个坑，给大家提个醒。
第一个坑，和现有ERP系统的数据同步。很多人以为接口对接完就万事大吉，我们一开始对接完才发现，原有ERP系统默认每周三才更新一次全量库存数据，我们预警要的是日更啊！增量都没有。后来找信息部的同事磨了半个月，单独开了一个每日增量同步的接口，每天凌晨同步前一天的出入库和在途数据，才解决这个问题。这个坑看起来低级，百分之八十的项目都栽在这。
第二个坑，预警分级太复杂。一开始我们学大厂，分了红橙黄绿蓝五级预警，结果仓管跑来找我，说每天打开系统一堆颜色，根本不知道先处理哪个，索性都不看了。后来我们直接砍成三级，立刻处理（48小时内会断料/风险得分>0.7）、3天内处理（0.3<得分<0.7）、持续观察（得分<0.3），一下子清爽了，没人抱怨了。
第三个坑，追求全自动不需要人工干预。很多人觉得智能就是完全不用人碰，不对，我们特意留了人工调整权重和阈值的入口。比如马上国庆长假，全国物流都会慢，仓管或者采购自己就能把运输周期波动的权重往上调几个点，遇到供应商换工厂，直接手动把交付率的权重拉高，灵活得很，比AI自己拍板靠谱多了。
上线快一年，我们算过账，误警率从47%降到8%，漏警率从32%降到2.7%，去年下半年没发生过一次缺料停线，呆滞库存占比从12%降到了4.8%，盘活了三百多万的流动资金，效果实打实的。
智能库存风险预警，从来不是越复杂越高端越好。适合自己工厂生产模式、能解决实际问题的，才是好系统。别堆概念，别追求大而全，先抓住最痛的缺料和呆滞两个问题，从小模块做起，跑通再优化，比什么都强。
